System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于大语言模型和超图神经网络的推荐方法及系统技术方案_技高网

一种基于大语言模型和超图神经网络的推荐方法及系统技术方案

技术编号:43214231 阅读:9 留言:0更新日期:2024-11-05 17:08
本发明专利技术公开了一种基于大语言模型和超图神经网络的推荐方法。其中,该方法包括:获取用户和物品基本信息,以及构建用户‑物品评分和交互矩阵;提取评价行为模态特征;利用大语言模型拓展用户文本和视觉模态特征;拓展物品文本和视觉模态特征;分别将用户和物品的各个模态特征转嵌入表示;构建用户视角超图;构建物品视角超图;使用超图神经网络分别对用户和物品嵌入进行信息聚合得到最终嵌入表示;使用BPR损失函数训练超图神经网络;嵌入向量点积得到推荐序列。

【技术实现步骤摘要】

本专利技术涉及信息技术,具体涉及推荐系统、人工智能、自然语言处理和计算机视觉领域,特别涉及一种基于大语言模型和超图神经网络的推荐方法及系统


技术介绍

1、推荐系统是现代互联网服务中广泛应用的一种技术,旨在根据用户的历史行为和物品特征为用户推荐个性化内容。然而,推荐系统在处理数据稀疏性和冷启动问题时面临着重大挑战,即对于新用户或活跃度较低的用户,由于历史行为数据不足,推荐结果往往不够准确。传统的推荐系统中,用户和物品的数据通常只有单一模态,难以全面反映用户兴趣和物品特征,影响推荐效果。为了解决这些问题,研究者们尝试将各种类型的辅助数据纳入推荐算法,如社会信任关系、项目内容、项目评论、社交网络和用户的社交标签等,以缓解数据稀疏和冷启动的挑战。然而,这些辅助数据在实际应用中往往难以获取,特别是在特定领域或用户群体中,这种缺乏大大降低了推荐系统的有效性。


技术实现思路

1、为了解决上述至少一个技术问题,本专利技术提出了一种基于大语言模型和超图神经网络的推荐方法及系统。

2、需说明的是,前述物品泛指音乐、小说、短视频和商品等各领域需推荐的物品,下面将从电影推荐领域具体阐述本专利技术的方法。

3、本专利技术第一方面提供了一种基于大语言模型和超图神经网络的推荐方法,包括:

4、获取目标电影数据库的基本数据,所述基本数据包括用户基本信息、电影基本信息、用户对电影的评分数据,对所述基本数据进行预处理,构建用户-电影评分矩阵和用户-电影交互矩阵;

5、根据所述用户基本信息、电影基本信息、用户-电影评分矩阵提取用户评价行为模态特征,并将所述用户评价行为模态特征转化成嵌入表示,标定为用户评价行为模态特征嵌入表示;

6、构建描述性提示,将所述描述性提示与大语言模型交互生成用户多模态特征,所述用户多模态特征包括用户文本模态特征和用户视觉模态特征;

7、通过与外部电影数据库交互获取电影多模态特征,所述多模态特征包括电影文本模态特征和电影视觉模态特征;

8、将所述用户多模态特征和电影多模态特征转化成嵌入表示,得到用户多模态特征嵌入表示和电影多模态特征嵌入表示;

9、根据所述用户评价行为模态特征嵌入表示构建用户视角超图和电影视角超图;

10、将所述用户多模态特征嵌入表示放入用户视角超图中、将所述电影多模态特征嵌入表示放入电影视角超图,通过超图神经网络分别对用户多模态特征嵌入表示和电影多模态特征嵌入表示进行信息聚合得到用户多模态特征和电影多模态特征的最终嵌入;

11、通过贝叶斯个性化排序损失函数训练所述超图神经网络;

12、将通过超图神经网络得到的最终嵌入向量进行向量点积操作,得到电影推荐序列。

13、本方案中,所述获取目标电影数据库的基本数据,所述基本数据包括用户基本信息、电影基本信息、用户对电影的评分数据,对所述基本数据进行预处理,构建用户-电影评分矩阵和用户-电影交互矩阵,具体为:

14、从目标电影数据库中获取数据库的基本数据,所述基本数据包括用户基本信息、电影基本信息、用户对电影的评分数据;

15、从外部电影数据库中提取电影多模态特征,所述电影多模态特征包括文本形式的电影简介、视觉形式的电影海报和用户评价行为模特特征;

16、所述用户基本信息包括用户的年龄、性别、职业和邮编,所述电影基本信息包括电影id、类型、电影标题和上映时间;

17、使用python中的geopy库对用户基本信息进行预处理,将用户邮编转换为用户国籍;

18、根据所述用户对电影的评分数据构建用户-电影评分矩阵和用户-电影交互矩阵。

19、本方案中,所述根据所述用户基本信息、电影基本信息、用户-电影评分矩阵提取用户评价行为模态特征,并将所述用户评价行为模态特征转化成嵌入表示,标定为用户评价行为模态特征嵌入表示,具体为:

20、对用户基本信息和电影基本信息进行编码,将用户基本信息特征和电影基本信息特征转化为数值表示;

21、对于用户,根据数值表示的用户基本信息提取用户的时间特征,所述时间特征包括用户对电影的评分时间分布特征和用户活跃天数特征;

22、对于电影,根据用户-电影评分矩阵统计电影的平均评分、评分标准差、评分次数、寿命周期信息,并用户-电影交互矩阵统计目标电影数据库中每个电影的活跃用户交互比例和用户覆盖率,得到电影的评分交互特征;

23、通过奇异值分解对所述用户-电影评分矩阵进行分解,提取用户和电影的隐特征,所述隐特征包括用户观影类型偏好特征、电影受众群体特征和电影观影热门时间段特征;

24、根据所述用户的时间特征、电影的评分交互特征和所述隐特征提取用户评价行为模态特征,将所述所述用户评价行为模态特征转化成嵌入表示,标定为用户评价行为模态特征嵌入表示。

25、本方案中,所述构建描述性提示,将所述描述性提示与大语言模型交互生成用户多模态特征,所述用户多模态特征包括用户文本模态特征和用户视觉模态特征,具体为:

26、在用户数据增强操作中,为生成用户文本模态任务和用户视觉模态任务编写描述性提示,得到用户的文本模态任务编写描述性提示和视觉模态任务编写描述性提示;

27、根据预处理后的用户基本信息和用户对电影的评分数据生成用户资料和用户历史评分数据的文字描述,并生成用户信息文档;

28、使用openai的api将所述用户信息文档上传至大语言模型中,并向大语言模型依次发送用户的文本模态任务编写描述性提示和视觉模态任务编写描述性提示;

29、编写响应消息遍历脚本,通过轮询方式检查大语言模型的响应消息,当大语言模型中出现响应消息时,通过响应消息遍历脚本对大语言模型的消息进行遍历,从响应消息中提取用户多模态特征,并保存至本地,所述多模态特征包括用户文本模态特征和用户视觉模态特征。

30、本方案中,所述通过与外部电影数据库交互获取电影多模态特征,所述多模态特征包括电影文本模态特征和电影视觉模态特征,具体为:

31、在电影数据增强操作中,通过需要搜索的目标电影的标题和上映年份向外部电影数据库的api发送搜索请求,解析搜索请求的返回结果,检查是否存在匹配电影;

32、若搜索结果包含多个电影,进一步分局电影的上映年份对搜索结果中的多个电影进行筛选;

33、若搜索出匹配的电影,根据匹配电影的id构建电影详细信息的请求url,将所述请求url发送给请求至外部电影数据库的details_url中,获取匹配电影的详细信息,所述详细信息包括电影简介、生产国家、语言、拍摄预算、电影收入等;

34、解析请求url返回的json响应,提取匹配电影的详细信息保存至本地数据库中,将电影简介作为电影文本模态特征,其余字段电影详细信息并入用户评价行为模态特征;

35、根据外部电影数据库中电影详细信息的poster_path和b本文档来自技高网...

【技术保护点】

1.一种基于大语言模型和超图神经网络的推荐方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述获取目标电影数据库的基本数据,所述基本数据包括用户基本信息、电影基本信息、用户对电影的评分数据,对所述基本数据进行预处理,构建用户-电影评分矩阵和用户-电影交互矩阵,具体为:

3.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述根据所述用户基本信息、电影基本信息和用户-电影评分矩阵提取用户评价行为模态特征,并将所述用户评价行为模态特征转化成嵌入表示,标定为用户评价行为模态特征嵌入表示,具体为:

4.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述构建描述性提示,将所述描述性提示与大语言模型交互生成用户多模态特征,所述用户多模态特征包括用户文本模态特征和用户视觉模态特征,具体为:

5.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述通过与外部电影数据库交互获取电影多模态特征,所述多模态特征包括电影文本模态特征和电影视觉模态特征,具体为:

6.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述将所述用户多模态特征和电影多模态特征转化成嵌入表示,得到用户多模态特征嵌入表示和电影多模态特征嵌入表示,具体为:

7.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述根据所述用户评价行为模态特征嵌入表示构建用户视角超图和电影视角超图,具体为:

8.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述将所述用户多模态特征嵌入表示放入用户视角超图中、将所述电影多模态特征嵌入表示放入电影视角超图,通过超图神经网络分别对用户多模态特征嵌入表示和电影多模态特征嵌入表示进行信息聚合得到用户多模态特征和电影多模态特征的最终嵌入,具体为:

9.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述通过贝叶斯个性化排序损失函数训练所述超图神经网络,具体为:

10.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述将通过超图神经网络得到的最终嵌入向量进行向量点积操作,得到电影推荐序列,具体为:

...

【技术特征摘要】

1.一种基于大语言模型和超图神经网络的推荐方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述获取目标电影数据库的基本数据,所述基本数据包括用户基本信息、电影基本信息、用户对电影的评分数据,对所述基本数据进行预处理,构建用户-电影评分矩阵和用户-电影交互矩阵,具体为:

3.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述根据所述用户基本信息、电影基本信息和用户-电影评分矩阵提取用户评价行为模态特征,并将所述用户评价行为模态特征转化成嵌入表示,标定为用户评价行为模态特征嵌入表示,具体为:

4.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述构建描述性提示,将所述描述性提示与大语言模型交互生成用户多模态特征,所述用户多模态特征包括用户文本模态特征和用户视觉模态特征,具体为:

5.根据权利要求1所述的一种基于大语言模型和超图神经网络的推荐方法,其特征在于,所述通过与外部电影数据库交互获取电影多模态特征,所述多模态特征包括电影文本模态特征和电影视觉模态特征,具体为:...

【专利技术属性】
技术研发人员:袁伟鸿钟雄华
申请(专利权)人:中交第四航务工程勘察设计院有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1