【技术实现步骤摘要】
本申请涉及用户行为分析，尤其是涉及一种感知用户活跃度的基于变分核密度估计的推荐方法及装置。
技术介绍
1、top-n推荐提供一种有效的个性化服务方法，能够很好地服务于具有不同兴趣的用户。用户对物品的偏好分布多样。通过给定用户隐式反馈，top-n推荐的任务是为每个用户推荐n个未交互的感兴趣物品。
2、然而，目前的模型，采用一个统一的分布(如高斯分布)不能很好地捕捉所有用户的偏好分布，只是简单地假设所有用户的偏好服从一个同一模式的概率分布，例如，一个用户兴趣范围较窄的偏好的高斯分布无法与另一个用户兴趣范围较广的偏好的多项分布相匹配，当用户具有不同的活跃水平时，统一分布的表达能力不足。
3、然后使用固定的模式(如一个隐向量)对用户表示进行建模，用户潜在特征的表示模式过于简单，无法捕捉用户的各种兴趣，特别是当具有广泛兴趣的用户只有少量交互行为时，甚至会导致一个折中的和过度平滑的结果，即那些用户交互本来并不相似的项目，它们的隐式向量仍被聚类在一起，潜在向量之间简单的内点积操作限制了模型的表示能力，导致对不同活跃程度的用户的推荐性能存在显著差异，难以适应不同活跃程度的用户，严重影响了个性化推荐的服务质量。
技术实现思路
1、为了适应不同活跃程度的用户，改善个性化推荐的服务质量，本申请提供了一种感知用户活跃度的基于变分核密度估计的推荐方法及装置。
2、第一方面，本申请提供一种感知用户活跃度的基于变分核密度估计的推荐方法。
3、本申请是通过以下技术方
4、一种感知用户活跃度的基于变分核密度估计的推荐方法，包括以下步骤，
5、从目标用户对所有物品的偏好分布中抽取样本，得到用户的交互项目；
6、引入多维隐式向量表征显式兴趣，每个所述显式兴趣服从以用户的交互项目为中心的高斯分布；
7、基于所述交互项目提取所述显式兴趣，并组合所述显式兴趣，获得用户偏好分布的非参数近似，以估计每个显式兴趣对所有项目的偏好分布；
8、聚合所述偏好分布，以估计用户的全局偏好分布；
9、给定用户隐式反馈,采用预设的变分核函数学习所述全局偏好分布，为每个用户推荐n个未交互的感兴趣物品，得到基于分治生成框架的非参数估计模型，其中，n为正整数；
10、将目标用户对所有物品的偏好分布输入所述非参数估计模型中，输出推荐结果。
11、本申请在一较佳示例中可以进一步配置为：所述引入多维隐式向量表征显式兴趣，每个所述显式兴趣服从以用户的交互项目为中心的高斯分布的步骤包括，
12、建立物品-物品相似度矩阵，以及为每个显式兴趣构建局部交互向量；
13、基于所述局部交互向量，得到所述显式兴趣，每个所述显式兴趣服从以用户的交互项目为中心的高斯分布。
14、本申请在一较佳示例中可以进一步配置为：所述建立物品-物品相似度矩阵的步骤包括，
15、迭代所述目标用户的每个相互作用的物品，作为兴趣锚点；
16、采用预设的核函数计算每个相互作用的物品的权重；
17、以每个相互作用的物品为中心，结合所述权重，得到每个显式兴趣的加权的所述局部交互向量，构建交互矩阵；
18、利用归一化的用户-物品交互的格拉姆矩阵设计相似度函数，以将所述交互矩阵归一化为对角矩阵，其中，所述对角矩阵的对角元素分别表示用户和物品的交互次数；
19、基于所述对角矩阵，建立所述物品-物品相似度矩阵。
20、本申请在一较佳示例中可以进一步配置为：组合所述显式兴趣，获得用户偏好分布的非参数近似，以估计每个显式兴趣对所有项目的偏好分布的步骤包括，
21、基于组合的所述显式兴趣，针对每个用户，从高斯先验中采样一个多维隐式向量，以及，采样均值为0的高斯分布得到项目隐式向量；
22、根据所述多维隐式向量和所述项目隐式向量的内积，计算每个显式兴趣对所有项目的偏好分布。
23、本申请在一较佳示例中可以进一步配置为：根据所述多维隐式向量和所述项目隐式向量的内积，计算每个显式兴趣对所有项目的偏好分布时，采用以下公式，
24、
25、式中，为偏好分布生成函数，为多维隐式向量，权重矩阵w的第j列wj为物品j的嵌入式特征表示，τ为调节范围的超参数，表示显式兴趣对物品j的偏好得分。
26、本申请在一较佳示例中可以进一步配置为：聚合所述偏好分布，以估计用户的全局偏好分布时，采用以下公式，
27、
28、式中，为全局偏好分布生成函数，为对物品的兴趣偏好得分。
29、本申请在一较佳示例中可以进一步配置为：所述变分核函数的表达式如下，
30、
31、
32、式中，ku(i,j)为变分核函数，ku(i,j)>0且表示显式兴趣对物品j的偏好得分，带有参数φ的函数μφ(·)和函数σφ(·)，wj为权重矩阵w的第j列物品的嵌入式特征表示，τ为调节范围的超参数。
33、本申请在一较佳示例中可以进一步配置为：所述给定用户隐式反馈,采用预设的变分核函数学习所述全局偏好分布，为每个用户推荐n个未交互的感兴趣物品，得到基于分治生成框架的非参数估计模型的步骤包括，
34、采用变分推理以变分高斯分布近似所述显式兴趣的后验分布；
35、通过最小化散度优化所述后验分布的变分参数；
36、设计用户交互的对数似然损失函数公式如下，
37、
38、θ＝{w}
39、φ＝{pμ,bμ,pσ,bσ}
40、式中，表示各显式兴趣的局部交互向量，表示显式兴趣，qφ(zu│xu)表示e分布和q分布共同表示的后验分布概率，表示每个交互项目j的累计和预测偏好概率的多项损失的期望，表示最小化kl散度，超参数γ用于平衡kl散度损失的权重。
41、本申请在一较佳示例中可以进一步配置为：还包括以下步骤，
42、在采样过程中，对任一所述显式兴趣进行重参数化，将任意所述显式兴趣的抽样转化为的抽样，公式如下，
43、
44、式中，表示任一显式兴趣，表示将用户u和交互项目i的交互数据映射到潜在空间中的均值，表示映射相同的交互数据到潜在空间的方差或标准差，∈是一个采样自标准分布的随机噪声向量。
45、第二方面，本申请提供一种感知用户活跃度的基于变分核密度估计的推荐装置。
46、本申请是通过以下技术方案得以实现的：
47、一种感知用户活跃度的基于变分核密度估计的推荐装置，包括，
48、抽样模块，用于从目标用户对所有物品的偏好分布中抽取样本，得到用户的交互项目；
49、多维隐式向量模块，用于引入多维隐式向量表征显式兴趣，每个所述显式兴趣服从以用户的交互项目为中心的高斯分布；
50、局部偏好分布模块，用于基于本文档来自技高网...
【技术保护点】
1.一种感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，所述引入多维隐式向量表征显式兴趣，每个所述显式兴趣服从以用户的交互项目为中心的高斯分布的步骤包括，
3.根据权利要求2所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，所述建立物品-物品相似度矩阵的步骤包括，
4.根据权利要求1所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，组合所述显式兴趣，获得用户偏好分布的非参数近似，以估计每个显式兴趣对所有项目的偏好分布的步骤包括，
5.根据权利要求4所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，根据所述多维隐式向量和所述项目隐式向量的内积，计算每个显式兴趣对所有项目的偏好分布时，采用以下公式，
6.根据权利要求5所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，聚合所述偏好分布，以估计用户的全局偏好分布时，采用以下公式，
7.根据权利要求1所述的
8.根据权利要求1所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，所述给定用户隐式反馈,采用预设的变分核函数学习所述全局偏好分布，为每个用户推荐N个未交互的感兴趣物品，得到基于分治生成框架的非参数估计模型的步骤包括，
9.根据权利要求8所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，还包括以下步骤，
10.一种感知用户活跃度的基于变分核密度估计的推荐装置，其特征在于，包括，
...【技术特征摘要】
1.一种感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，所述引入多维隐式向量表征显式兴趣，每个所述显式兴趣服从以用户的交互项目为中心的高斯分布的步骤包括，
3.根据权利要求2所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，所述建立物品-物品相似度矩阵的步骤包括，
4.根据权利要求1所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，组合所述显式兴趣，获得用户偏好分布的非参数近似，以估计每个显式兴趣对所有项目的偏好分布的步骤包括，
5.根据权利要求4所述的感知用户活跃度的基于变分核密度估计的推荐方法，其特征在于，根据所述多维隐式向量和所述项目隐式向量的内积，计算每个显式兴趣对...
【专利技术属性】
技术研发人员：刘威，刘钊，朱怀杰，余建兴，印鉴，郑立彬，仲兆峰，
申请(专利权)人：中山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。