方法及系統(tǒng)、計(jì)算機(jī)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

(19)中華人民共和國(guó)國(guó)家知識(shí)產(chǎn)權(quán)局

(12)發(fā)明專(zhuān)利申請(qǐng)

加(10)申請(qǐng)公布號(hào)CN109767301A

(43)申請(qǐng)公布日2019.05.17

(21)申請(qǐng)?zhí)?01910032524.1

(22)申請(qǐng)日2019.01.14

(71)申請(qǐng)人北京大學(xué)

地址100871北京市海淀區(qū)頤和園路5號(hào)

(72)發(fā)明人宋衛(wèi)平肖之屏王一帆

勞倫特?查林張銘唐建

(74)專(zhuān)利代理機(jī)構(gòu)北京崇智專(zhuān)利代理事務(wù)所

(普通合伙)H605

代理人程旭輝

(51)lnt.CI.

G06Q56/^(2012.01)

G06Q50/00(2012.01)

G06N”04(2006.01)

權(quán)利要求書(shū)4頁(yè)說(shuō)明書(shū)11頁(yè)附圖3頁(yè)

(54)發(fā)明名稱(chēng)

推薦方法及系統(tǒng)、計(jì)算機(jī)裝置、計(jì)算機(jī)可讀

存儲(chǔ)介質(zhì)

(57)摘要I**)

本發(fā)明涉及一種推薦方法及系統(tǒng)，其中，推

I

薦方法包括以下步驟:構(gòu)建目標(biāo)用戶被消耗的物

品集合對(duì)應(yīng)目標(biāo)用戶的社交網(wǎng)絡(luò);根據(jù)物品集合I

建立目標(biāo)用戶的動(dòng)態(tài)個(gè)人興趣模型;根據(jù)物品集!

合構(gòu)建社交網(wǎng)絡(luò)的短期興趣模型；構(gòu)建社交網(wǎng)絡(luò)I

的長(zhǎng)期興趣模型;根據(jù)短期興趣模型和長(zhǎng)期興趣I

AA*

模型進(jìn)行拼接;計(jì)算目標(biāo)用戶的節(jié)點(diǎn)表示和社交L

網(wǎng)絡(luò)中朋友的節(jié)點(diǎn)表示;根據(jù)社交網(wǎng)絡(luò)中朋友關(guān)I

于目標(biāo)用戶的權(quán)值計(jì)算合并特征權(quán)值;對(duì)合并特

I

征權(quán)值進(jìn)行非線性變換;根據(jù)動(dòng)態(tài)個(gè)人興趣模型

I

計(jì)算；根據(jù)用戶的最終興趣得到推薦物品的概

I

v率;根據(jù)推薦物品的概率計(jì)算對(duì)數(shù)似然函數(shù)值；

s在本發(fā)明的技術(shù)方案中，其能夠同時(shí)考慮用戶的(Mt；

5社交關(guān)系和用戶的動(dòng)態(tài)興趣愛(ài)好因素，以提升推

g薦的準(zhǔn)確性。

r-H

g

CN109767301A權(quán)利要求書(shū)1/4頁(yè)

1.一種基于會(huì)話和社交影響的推薦方法，其特征在于，包括以下步驟：

構(gòu)建目標(biāo)用戶當(dāng)前會(huì)話中被消耗的物品集合S；+i對(duì)應(yīng)所述目標(biāo)用戶的社交網(wǎng)絡(luò)G,令：

S；+l=機(jī)+14'i",2,…'i；+Ln}；

G=(U,E)；

其中，u表示所述目標(biāo)用戶,U表示所述社交網(wǎng)絡(luò)中所述目標(biāo)用戶u的朋友的集合,E表示

與所述目標(biāo)用戶u的社交關(guān)系，:1表示被消耗商品；

根據(jù)所述物品集合S1】建立所述目標(biāo)用戶的動(dòng)態(tài)個(gè)人興趣模型，令：

hn=hn-1)；

其中，hn表示所述目標(biāo)用戶的最新興趣,hn-l表示所述最新興趣的前一個(gè)興趣,f表示將

所述最新被消耗商品與所述前一個(gè)興趣結(jié)合的非線性函數(shù)；

根據(jù)所述物品集合S"構(gòu)建所述社交網(wǎng)絡(luò)G的短期興趣模型S；,令：

rr；

=NklT=f(噲N*JNkrT-l)

其中，T表示社交網(wǎng)絡(luò)G中朋友k的最新興趣，風(fēng).人表示朋友k的前一個(gè)興趣；

構(gòu)建所述社交網(wǎng)絡(luò)G的長(zhǎng)期興趣模型s；,令：

<=Wu[k,；]；

其中,所述社交網(wǎng)絡(luò)G中朋友k的長(zhǎng)期興趣模型s；是用戶嵌入表示矩陣肌的第k行；

根據(jù)所述短期興趣模型S：和所述長(zhǎng)期興趣模型S；進(jìn)行拼接,得到拼接模型Sk，令

Sk=ReLU艱動(dòng)；

其中,ReLU(x)=max(0,x)是一個(gè)非線性的激活函數(shù),Wi是變換矩陣；

計(jì)算所述目標(biāo)用戶的節(jié)點(diǎn)表示h?和所述社交網(wǎng)絡(luò)G中朋友k的節(jié)點(diǎn)表示h『，令：

ad)=cxp(f(h,,”)).

其中，h9為所述目標(biāo)用戶u在1層的表示，h?)=h/hf)為計(jì)算兩個(gè)節(jié)點(diǎn)的相似

度的函數(shù)，a?為所述社交網(wǎng)絡(luò)G中用戶k關(guān)于所述目標(biāo)用戶u的權(quán)值；

根據(jù)所述社交網(wǎng)絡(luò)G中朋友k關(guān)于所述目標(biāo)用戶u的權(quán)值計(jì)算合并特征權(quán)值,令：

*帥;

kwN(u)ll{u}

其中，百？是所述目標(biāo)用戶U的社交網(wǎng)絡(luò)G的興趣在1層上的融合；

對(duì)所述合并特征權(quán)值進(jìn)行非線性變換，得到：

2

CN109767301A權(quán)利要求書(shū)2/4頁(yè)

hf+l)=ReLU(W⑴即上

其中,W⑴是1層的一個(gè)共享的并且可以學(xué)習(xí)的權(quán)值矩陣；

根據(jù)所述動(dòng)態(tài)個(gè)人興趣模型計(jì)算得到用戶的最終興趣，令：

N=w2(hn；則；

其中,W2為線性變換矩陣，1為所述目標(biāo)用戶的最終興趣；

根據(jù)所述用戶的最終興趣得到推薦物品是y的概率，即：

P(y1",『…，i",第，k6N(u)})=晨如:\1；

—也zj

其中,N(u)為所述社交網(wǎng)絡(luò)G中用戶的個(gè)數(shù),zy為物品y的嵌入表示，|1|為物品的個(gè)數(shù)；

根據(jù)推薦物品是y的概率計(jì)算物品的對(duì)數(shù)似然函數(shù)值：

Zif￡、gp(ik|ii.，i￡；§3,keN(u)})。

ueUt=2n=l

2.根據(jù)權(quán)利要求1所述的基于會(huì)話和社交影響的推薦方法,其特征在于:將所述最新被

消耗商品與所述前一個(gè)興趣結(jié)合的非線性函數(shù)f為：

xn=電卜…i；+J+bx)；

4=b(Wfh-1,++bf)；

On=^o[hn-Pi",』+bj；

c；=tanh(wc[hn,1,i?+Ln]+bc)；

Cn=fn?CnT+X”⑤C：；

hn=°n?tanhQ)；

其中，。為sigmoid函數(shù)，o(x)=(1+exp(~x))"*o

3.一種基于會(huì)話和社交影響的推薦系統(tǒng)，其特征在于，包括：

構(gòu)建模塊，被設(shè)置為用于構(gòu)建目標(biāo)用戶當(dāng)前會(huì)話中被消耗的物品集合S"對(duì)應(yīng)所述目

標(biāo)用戶的社交網(wǎng)絡(luò)G,令：

CU_J?U-U-U}?

°T+1—rT+l,P±T+1,2,9J-T+Ln)9

G=(U,E)；

其中，u表示所述目標(biāo)用戶，U表示所述社交網(wǎng)絡(luò)中所述目標(biāo)用戶u的朋友的集合,E表示

與所述目標(biāo)用戶u的社交關(guān)系，i表示被消耗商品；

動(dòng)態(tài)個(gè)人興趣模型建立模塊，被設(shè)置為用于根據(jù)所述物品集合S3建立所述目標(biāo)用戶

的動(dòng)態(tài)個(gè)人興趣模型，令：

hn=+hn.J；

3

CN109767301A權(quán)利要求書(shū)3/4頁(yè)

其中，L表示所述目標(biāo)用戶的最新興趣,he表示所述最新興趣的前一個(gè)興趣,f表示將

所述最新被消耗商品與所述前一個(gè)興趣結(jié)合的非線性函數(shù)；

短期興趣模型構(gòu)建模塊，被設(shè)置為用于根據(jù)所述物品集合S3構(gòu)建所述社交網(wǎng)絡(luò)G的短

期興趣模型筮，令：

Sr=r；

k=Nk,T出,N"Nk.i-l)

其中，T表示社交網(wǎng)絡(luò)G中朋友k的最新興趣，亂,…表示朋友k的前一個(gè)興趣;

長(zhǎng)期興趣模型構(gòu)建模塊，被設(shè)置為用于構(gòu)建所述社交網(wǎng)絡(luò)G的長(zhǎng)期興趣模型令：

s：=W/k,；］；

其中,所述社交網(wǎng)絡(luò)G中朋友k的長(zhǎng)期興趣模型s；是用戶嵌入表示矩陣臨的第k行；

拼接模塊，被設(shè)置為用于根據(jù)所述短期興趣模型域和所述長(zhǎng)期興趣模型s；進(jìn)行拼接,

得到拼接模型Sk,令

sk=ReLU*sj,

其中，ReLU(x)=max(0,x)是一個(gè)非線性的激活函數(shù),Wi是變換矩陣；

計(jì)算模塊，被設(shè)置為用于計(jì)算所述目標(biāo)用戶的節(jié)點(diǎn)表示h2和所述社交網(wǎng)絡(luò)G中朋友k

的節(jié)點(diǎn)表示h，，令：

a(D=exp(f(h,h?)).

其中，心為所述目標(biāo)用戶u在1層的表示，f(h2,h?)=加川為計(jì)算兩個(gè)節(jié)點(diǎn)的相似

度的函數(shù)，a9為所述社交網(wǎng)絡(luò)G中用戶k關(guān)于所述目標(biāo)用戶u的權(quán)值；

合并特征權(quán)值計(jì)算模塊，被設(shè)置為用于根據(jù)所述社交網(wǎng)絡(luò)G中朋友k關(guān)于所述目標(biāo)用戶

u的權(quán)值計(jì)算合并特征權(quán)值,令：

加=＞幽)；

keN(u)ll{u}

其中，町)是所述目標(biāo)用戶U的社交網(wǎng)絡(luò)G的興趣在1層上的融合；

非線性變換模塊,被設(shè)置為用于對(duì)所述合并特征權(quán)值進(jìn)行非線性變換,得到：

葉I=ReLU(W(研))，

其中,W⑴是1層的一個(gè)共享的并且可以學(xué)習(xí)的權(quán)值矩陣；

最終興趣計(jì)算模塊，被設(shè)置為用于根據(jù)所述動(dòng)態(tài)個(gè)人興趣模型計(jì)算得到用戶的最終興

趣，令:

hn=W2(hn;則；

4

CN109767301A權(quán)利要求書(shū)4/4頁(yè)

其中，眄為線性變換矩陣，1為所述目標(biāo)用戶的最終興趣；

概率計(jì)算模塊，被設(shè)置為用于根據(jù)所述用戶的最終興趣得到推薦物品是y的概率，即：

…，i",忐,kGN(U)})=；述；

其中,N(u)為所述社交網(wǎng)絡(luò)G中用戶的個(gè)數(shù),Zy為物品y的嵌入表示，111為物品的個(gè)數(shù)；

對(duì)數(shù)似然函數(shù)值計(jì)算模塊，被設(shè)置為用于根據(jù)推薦物品是y的概率計(jì)算物品的對(duì)數(shù)似

然函數(shù)值：

XZZlogP(i；,n+Ji>…,i§3,keN(u)})。

ueUt=2n=l

4.根據(jù)權(quán)利要求3所述的基于會(huì)話和社交影響的推薦系統(tǒng),其特征在于:將所述最新被

消耗商品與所述前一個(gè)興趣結(jié)合的非線性函數(shù)f為：

xn=地h-P￥+i,』+Q；

fn=地卜…i"J+bf)；

禺=o(w.hr，i3,』+b0)；

C：=tanh(wc[hn.1,%,』+bj；

Cn=fn?Cn-1+Xn?Cn；

h

n=on?tanh(c)

-1

其中，。為sigmoid函數(shù)，o(x)=(1+exp(-x))0

5.一種計(jì)算機(jī)裝置，包括處理器，所述處理器用于執(zhí)行存儲(chǔ)器中存儲(chǔ)的計(jì)算機(jī)程序時(shí)

實(shí)現(xiàn)如權(quán)利要求1或2中所述推薦方法的步驟。

6.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于:所述計(jì)算機(jī)程序被

處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1或2所述推薦方法的步驟。

5

CN109767301A說(shuō)明書(shū)1/11頁(yè)

推薦方法及系統(tǒng)'計(jì)算機(jī)裝置'計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

技術(shù)領(lǐng)域

[0001]本發(fā)明涉及信息推薦領(lǐng)域，尤其涉及一種推薦方法、一種推薦系統(tǒng)、一種計(jì)算機(jī)裝

置和一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

[0002]Hidasi等人提出了一個(gè)利用LSTM來(lái)進(jìn)行基于會(huì)話的推薦的技術(shù)。該方法主要利用

了上文提到的LSTM根據(jù)用戶的歷史消費(fèi)記錄來(lái)建模每一個(gè)消費(fèi)物品的表示。為了推薦下一

個(gè)物品，他們利用用戶消費(fèi)的最后一個(gè)物品來(lái)表示用戶的當(dāng)前興趣,我們根據(jù)這個(gè)興趣的

數(shù)學(xué)表示，計(jì)算當(dāng)前興趣與所有物品的相似程度，最終我們向用戶推薦一個(gè)與當(dāng)前興趣最

相近的物品。該技術(shù)是一項(xiàng)成熟的技術(shù)，但是它存在很多問(wèn)題。首先它沒(méi)有建模用戶的長(zhǎng)期

興趣,僅僅用用戶的近期消費(fèi)記錄來(lái)建模他的近期興趣。另外一個(gè)問(wèn)題是它沒(méi)有考慮用戶

的社交影響,這使得模型的預(yù)測(cè)有很大的偏差。Chaney等人提出了一個(gè)社交柏松分解模型。

他們建模了一種信任因子來(lái)刻畫(huà)朋友對(duì)某個(gè)用戶的推薦影響程度，在建模用戶興趣的時(shí)候

考慮了朋友的影響，但是這個(gè)模型提出已經(jīng)很久了，并且沒(méi)有考慮消費(fèi)歷史記錄的序列化

特征，因此也存在一定的缺陷。

[0003]現(xiàn)有技術(shù)或者對(duì)用戶的動(dòng)態(tài)興趣進(jìn)行建?；蛘邔?duì)推薦系統(tǒng)中的社交影響進(jìn)行分

析,但據(jù)我們所知，尚沒(méi)有一種技術(shù)將上述兩個(gè)因素結(jié)合起來(lái)。最近的一項(xiàng)研究關(guān)于使用遞

歸神經(jīng)網(wǎng)絡(luò)模擬會(huì)話級(jí)的用戶行為，但沒(méi)有考慮社交影響。其他的工作研究了社交影響，例

如,Ma等人探討了朋友的社交關(guān)系對(duì)推薦的系統(tǒng)影響。但是，來(lái)自不同用戶的影響都是靜態(tài)

的，它們不會(huì)根據(jù)被推薦用戶當(dāng)前的興趣而發(fā)生變化。

發(fā)明內(nèi)容

[0004]本發(fā)明旨在至少解決現(xiàn)有技術(shù)或相關(guān)技術(shù)中存在的技術(shù)問(wèn)題之一。

[0005]為此，本發(fā)明的一個(gè)目的在于提供一種基于會(huì)話和社交影響的推薦方法,其能夠

同時(shí)考慮用戶的社交關(guān)系和用戶的動(dòng)態(tài)興趣愛(ài)好因素，以提升推薦的準(zhǔn)確性;并依據(jù)用戶

自己的興趣愛(ài)好，動(dòng)態(tài)推斷社交關(guān)系中影響力較高的朋友，使當(dāng)前興趣相近的朋友對(duì)推薦

結(jié)果影響更大。

[0006]本發(fā)明的另一個(gè)目的在于提供一種基于會(huì)話和社交影響的推薦系統(tǒng)，其能夠在生

成推薦結(jié)果時(shí)，綜合考慮用戶自身興趣和其朋友興趣,加入了對(duì)朋友影響力的動(dòng)態(tài)推斷模

塊，從而更好的抓取相關(guān)朋友的近期愛(ài)好,使之服務(wù)于目標(biāo)用戶的物品推薦。

[000刀本發(fā)明的再一個(gè)目的在于提供一種計(jì)算機(jī)裝置。

[0008]本發(fā)明的又一個(gè)目的在于提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

[0009]為實(shí)現(xiàn)上述目的，本發(fā)明第一方面的技術(shù)方案提供了一種基于會(huì)話和社交影響的

推薦方法，包括以下步驟：

[0010]構(gòu)建目標(biāo)用戶當(dāng)前會(huì)話中被消耗的物品集合S3對(duì)應(yīng)目標(biāo)用戶的社交網(wǎng)絡(luò)G,令：

6

CN109767301A說(shuō)明書(shū)2/11頁(yè)

[0011]

S；+l=VT+1,1,…T+l,n

[0012]G=(U,E)；

[0013]其中，u表示目標(biāo)用戶,U表示社交網(wǎng)絡(luò)中目標(biāo)用戶u的朋友的集合,E表示與目標(biāo)用

戶u的社交關(guān)系，i表示被消耗商品；

[0014]根據(jù)物品集合S3建立目標(biāo)用戶的動(dòng)態(tài)個(gè)人興趣模型，令：

必⑸hn=f(i",hnJ

[0016]其中，hn表示目標(biāo)用戶的最新興趣,he表示最新興趣的前一個(gè)興趣,f表示將最新

被消耗商品與前一個(gè)興趣結(jié)合的非線性函數(shù)；

[0017]根據(jù)物品集合S"構(gòu)建社交網(wǎng)絡(luò)G的短期興趣模型或，令:

[0018]s；=rNk_r=/%一)；

[0019]其中，4「表示社交網(wǎng)絡(luò)G中朋友k的最新興趣，1T表示朋友k的前一個(gè)興趣;

[0020]構(gòu)建社交網(wǎng)絡(luò)G的長(zhǎng)期興趣模型s；,令：

[0021]s；=W/k,；]；

[0022]其中，社交網(wǎng)絡(luò)G中朋友k的長(zhǎng)期興趣模型s：是用戶嵌入表示矩陣臨的第k行；

[0023]根據(jù)短期興趣模型S；和長(zhǎng)期興趣模型S；進(jìn)行拼接,得到拼接模型Sk,令

[0024]Sk=ReLuMs；；s。；

[0025]其中,ReLU(x)=max(0,x)是一個(gè)非線性的激活函數(shù),W]是變換矩陣；

[0026]計(jì)算目標(biāo)用戶的節(jié)點(diǎn)表示h?和社交網(wǎng)絡(luò)G中朋友k的節(jié)點(diǎn)表示h?,令：

a(i)=exp(f(h?,")).

[0027]Uk:桐二晨阪)，h?))

[0028]其中，h⑴為目標(biāo)用戶u在1層的表示，f(h9,h?))=h*h?為計(jì)算兩個(gè)節(jié)點(diǎn)的相似

U\UK/UK

度的函數(shù)，a?為社交網(wǎng)絡(luò)G中用戶k關(guān)于目標(biāo)用戶u的權(quán)值；

[0029]根據(jù)社交網(wǎng)絡(luò)G中朋友k關(guān)于目標(biāo)用戶u的權(quán)值計(jì)算合并特征權(quán)值，令:

[0030]即=中防？；

keN(u)u{u}

[0031]其中，口?是目標(biāo)用戶u的社交網(wǎng)絡(luò)G的興趣在1層上的融合；

[0032]對(duì)合并特征權(quán)值進(jìn)行非線性變換,得到：

[0033]訓(xùn)川=ReLU(W(1)hf)),

[0034]其中,W⑴是1層的一個(gè)共享的并且可以學(xué)習(xí)的權(quán)值矩陣；

[0035]根據(jù)動(dòng)態(tài)個(gè)人興趣模型計(jì)算得到用戶的最終興趣，令：

7

CN109767301A說(shuō)明書(shū)3/11頁(yè)

[0036]hn=W2(hn;h料;

[0037]其中,W2為線性變換矩陣，(為目標(biāo)用戶的最終興趣；

[0038]根據(jù)用戶的最終興趣得到推薦物品是y的概率，即：

[0039]p(y|i?，...,4小拈keN(u)))=；

+u：碌；引

?p(hnzj

[0040]其中,N(u)為社交網(wǎng)絡(luò)G中用戶的個(gè)數(shù),zy為物品y的嵌入表示，111為物品的個(gè)數(shù)；

[0041]根據(jù)推薦物品是y的概率計(jì)算物品的對(duì)數(shù)似然函數(shù)值：

[0042]Z2tlogpt用心…，*夙，keN(u)})o

ueUt=2n=l

[0043]在該技術(shù)方案中，本方法旨在同時(shí)建模用戶的動(dòng)態(tài)興趣和實(shí)時(shí)社交影響。具體而

言，我們使用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)用戶當(dāng)前的會(huì)話進(jìn)行建模，提取出用戶的興趣偏好，并實(shí)時(shí)計(jì)

算用戶的朋友在當(dāng)前場(chǎng)景下對(duì)其產(chǎn)生的影響,結(jié)合自身愛(ài)好和朋友影響進(jìn)行物品推薦。

[0044]在上述技術(shù)方案中，優(yōu)選地，將最新被消耗商品與前一個(gè)興趣結(jié)合的非線性函數(shù)f

為：

[。。45]xn=b(w」h…i3」+bj；

[。。46]fn=。仇展_1，i",』+bj；

[。。47]on=電hdb。)；

[。。48]c：=tanh：[hnT，

[0049]Cn=fn?C"i+Xn0C：；

[0050]hi;=o?0tanh(cn)；

-1

[0051]其中，。為sigmoid函數(shù)，o(x)=(1+exp(-x))0

[0052]本發(fā)明第二方面的技術(shù)方案提供了一種基于會(huì)話和社交影響的推薦系統(tǒng),包括：

[0053]構(gòu)建模塊，被設(shè)置為用于構(gòu)建目標(biāo)用戶當(dāng)前會(huì)話中被消耗的物品集合S"對(duì)應(yīng)目

標(biāo)用戶的社交網(wǎng)絡(luò)G,令：

[0054]S"=i",2,…，

[0055]G=(U,E)；

[0056]其中，u表示目標(biāo)用戶,U表示社交網(wǎng)絡(luò)中目標(biāo)用戶u的朋友的集合,E表示與目標(biāo)用

戶u的社交關(guān)系，i表示被消耗商品；

[0057]動(dòng)態(tài)個(gè)人興趣模型建立模塊，被設(shè)置為用于根據(jù)物品集合S3建立目標(biāo)用戶的動(dòng)

態(tài)個(gè)人興趣模型，令：

[。058]hn=f(i",h"J

[0059]其中，hn表示目標(biāo)用戶的最新興趣,hn-l表示最新興趣的前一個(gè)興趣,f表示將最新

8

CN109767301A說(shuō)明書(shū)4/11頁(yè)

被消耗商品與前一個(gè)興趣結(jié)合的非線性函數(shù)；

[0060]短期興趣模型構(gòu)建模塊,被設(shè)置為用于根據(jù)物品集合S"構(gòu)建社交網(wǎng)絡(luò)G的短期興

趣模型黃，令：

r;

[0061]s'=rNkr=瑞.限jNk,T-i)

[0062]其中，4口表示社交網(wǎng)絡(luò)G中朋友k的最新興趣，AKE表示朋友k的前一個(gè)興趣；

[0063]長(zhǎng)期興趣模型構(gòu)建模塊,被設(shè)置為用于構(gòu)建社交網(wǎng)絡(luò)G的長(zhǎng)期興趣模型堞，令：

[0064]s；=Wjk,；]；

[0065]其中，社交網(wǎng)絡(luò)G中朋友k的長(zhǎng)期興趣模型s：是用戶嵌入表示矩陣肌的第k行；

[0066]拼接模塊，被設(shè)置為用于根據(jù)短期興趣模型域和長(zhǎng)期興趣模型s；進(jìn)行拼接，得到

拼接模型Sk,令

[。06刀Sk=ReLU(W,[s^sj,

[0068]其中,ReLU(x)=max(0,x)是一個(gè)非線性的激活函數(shù)，眄是變換矩陣；

[0069]計(jì)算模塊，被設(shè)置為用于計(jì)算目標(biāo)用戶的節(jié)點(diǎn)表示h￡)和社交網(wǎng)絡(luò)G中朋友k的節(jié)

點(diǎn)表示11，)，令:

exP(f(h?,#)))

[0070]a"

ZjeN(u喇薪(Mh?))

[0071]其中，心為目標(biāo)用戶u在1層的表示，f(h?,h?)=為計(jì)算兩個(gè)節(jié)點(diǎn)的相似

度的函數(shù)，a%為社交網(wǎng)絡(luò)G中用戶k關(guān)于目標(biāo)用戶u的權(quán)值；

[0072]合并特征權(quán)值計(jì)算模塊,被設(shè)置為用于根據(jù)社交網(wǎng)絡(luò)G中朋友k關(guān)于目標(biāo)用戶u的

權(quán)值計(jì)算合并特征權(quán)值，令：

[0073]2=卒冊(cè)；

keN(u)v{u}

[0074]其中，叫)是目標(biāo)用戶u的社交網(wǎng)絡(luò)G的興趣在1層上的融合；

[0075]非線性變換模塊，被設(shè)置為用于對(duì)合并特征權(quán)值進(jìn)行非線性變換，得到：

[0076]即D=ReLU(W(畸)),

[0077]其中,W⑴是1層的一個(gè)共享的并且可以學(xué)習(xí)的權(quán)值矩陣；

[0078]最終興趣計(jì)算模塊，被設(shè)置為用于根據(jù)動(dòng)態(tài)個(gè)人興趣模型計(jì)算得到用戶的最終興

趣，令：

[0079]hn=W2(hn;hW)；

9

CN109767301A說(shuō)明書(shū)5/11頁(yè)

[0080]其中,W2為線性變換矩陣，1為目標(biāo)用戶的最終興趣；

[0081]概率計(jì)算模塊，被設(shè)置為用于根據(jù)用戶的最終興趣得到推薦物品是y的概率，即：

[0082]P(yW+ij，…，％,第，keN(u)})=:阻/J「

S=iexP\hnZJ)

[0083]其中,N(u)為社交網(wǎng)絡(luò)G中用戶的個(gè)數(shù),zy為物品y的嵌入表示，111為物品的個(gè)數(shù)；

[0084]對(duì)數(shù)似然函數(shù)值計(jì)算模塊，被設(shè)置為用于根據(jù)推薦物品是y的概率計(jì)算物品的對(duì)

數(shù)似然函數(shù)值：

[0085]Z之￡logP(i\+M』,…,片&】，keN(u)})o

ueUt=2n=l

[0086]在該技術(shù)方案中，在推薦系統(tǒng)中，同時(shí)考慮用戶的社交關(guān)系和用戶的動(dòng)態(tài)興趣愛(ài)

好因素，以提升推薦的準(zhǔn)確性;并依據(jù)用戶自己的興趣愛(ài)好，動(dòng)態(tài)推斷社交關(guān)系中影響力較

高的朋友，使當(dāng)前興趣相近的朋友對(duì)推薦結(jié)果影響更大。為了提升在線平臺(tái)推薦系統(tǒng)的準(zhǔn)

確性，本發(fā)明中提出對(duì)用戶的動(dòng)態(tài)興趣愛(ài)好和動(dòng)態(tài)社交關(guān)系進(jìn)行建模。在生成推薦結(jié)果時(shí)，

綜合考慮用戶自身興趣和其朋友興趣，加入了對(duì)朋友影響力的動(dòng)態(tài)推斷模塊，從而更好的

抓取相關(guān)朋友的近期愛(ài)好,使之服務(wù)于目標(biāo)用戶的物品推薦。

[0087]在上述技術(shù)方案中，優(yōu)選地，將最新被消耗商品與前一個(gè)興趣結(jié)合的非線性函數(shù)f

為：

[。。88]xn=b(W」hi，i"/+bj；

[。。89]fn=電臉，i"1+b『)；

[0090]5=mh-i"1+b。)；

c：=tanh僅小…％[+1)；

[0092]Cn=fn0C”j+xn?<；

[0093]hn=on?tanh(cn)；

-1

[0094]其中，。為sigmoid函數(shù)，o(x)=(1+exp(-x))0

[0095]本發(fā)明第三方面的技術(shù)方案提供了一種計(jì)算機(jī)裝置，包括處理器，處理器用于執(zhí)

行存儲(chǔ)器中存儲(chǔ)的計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)本發(fā)明的第一方面的技術(shù)方案提出的任一項(xiàng)的推薦

方法的步驟。

[0096]本發(fā)明第四方面的技術(shù)方案提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)

程序(指令)，計(jì)算機(jī)程序(指令)被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明的第一方面的技術(shù)方案提出的

任一項(xiàng)的推薦方法的步驟。

附圖說(shuō)明

[0097]本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得

明顯和容易理解,其中：

10

CN109767301A說(shuō)明書(shū)6/11頁(yè)

[0098]圖1示出了本發(fā)明一個(gè)實(shí)施例所涉及的推薦方法的流程框圖；

[0099]圖2示出了本發(fā)明另一個(gè)實(shí)施例所涉及的推薦系統(tǒng)的流程框圖；

[0100]圖3示出了本發(fā)明實(shí)施例所涉及的動(dòng)態(tài)圖注意力模型圖；

[0101]圖4示出了本發(fā)明實(shí)施例所涉及的動(dòng)態(tài)圖注意力網(wǎng)絡(luò)圖。

具體實(shí)施方式

[0102]為了能夠更清楚地理解本發(fā)明的上述目的、特征和優(yōu)點(diǎn)，下面結(jié)合附圖和具體實(shí)

施方式對(duì)本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)描述。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)的實(shí)施

例及實(shí)施例中的特征可以相互組合。

[0103]在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是，本發(fā)明還可

以采用其他不同于在此描述的其他方式來(lái)實(shí)施，因此，本發(fā)明的保護(hù)范圍并不限于下面公

開(kāi)的具體實(shí)施例的限制。

[0104]下面參照?qǐng)D1至圖4描述根據(jù)本發(fā)明一些實(shí)施例的推薦方法及系統(tǒng)、計(jì)算機(jī)裝置、

計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

[0105]為了能夠給在線社區(qū)的用戶提供有效的建議,我們提出同時(shí)對(duì)用戶的動(dòng)態(tài)興趣和

依賴于情境的社交影響進(jìn)行建模。我們將最終的問(wèn)題定義為如下：

[0106]定義(會(huì)話級(jí)社交推薦)令U表示用戶集合，1表示物品集合,G=(U,E)是社交網(wǎng)絡(luò),

其中E是用戶之間的社交關(guān)系。對(duì)于用戶u,給定一個(gè)新的會(huì)話

S"=卜"『i3』，會(huì)話級(jí)社交推薦的目標(biāo)是同時(shí)利用用戶u的動(dòng)態(tài)興趣(來(lái)

自U*S；的信息)和社交影響(來(lái)自的信息，其中N(u)是用戶U的朋友集合)來(lái)推薦

I的一個(gè)子集,子集中的物品是用戶u在第n+1步可能感興趣的物品。

[0107]為此，本發(fā)明提出一種新穎的的動(dòng)態(tài)圖注意力模型DynamicGraph

Recommendation(DGRec),如圖3所示，它可以同時(shí)建模用戶自身的偏好和用戶的朋友們的

偏好。

[0108]DGRec由四個(gè)模塊組成。第一個(gè)模塊是一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，它可以建模在用

戶當(dāng)前會(huì)話中被消耗的物品序列。用戶的朋友的興趣是由他們短期偏好和長(zhǎng)期偏好的組合

來(lái)建模的。短期偏好，例如在其最近會(huì)話中的物品，也使用RNN編碼。朋友的長(zhǎng)期偏好是通過(guò)

學(xué)習(xí)得到的個(gè)人嵌入表示來(lái)編碼的。然后，模型使用圖注意力網(wǎng)絡(luò)將當(dāng)前用戶的表示與其

朋友的表示相結(jié)合。這是我們的模型和貢獻(xiàn)的關(guān)鍵部分:我們提出的機(jī)制學(xué)會(huì)根據(jù)用戶當(dāng)

前的興趣來(lái)衡量每個(gè)朋友的影響。在最后一步中，該模型通過(guò)將用戶的當(dāng)前偏好與他所受

到的(依賴于情境的)社交影響相結(jié)合來(lái)產(chǎn)生推薦結(jié)果。

[0109]如圖1所示，按照本發(fā)明一個(gè)實(shí)施例的基于會(huì)話和社交影響的推薦方法，包括以下

步驟：

[0110]S100,構(gòu)建目標(biāo)用戶當(dāng)前會(huì)話中被消耗的物品集合S"對(duì)應(yīng)目標(biāo)用戶的社交網(wǎng)絡(luò)

G,令:

[0111]S"=i",2,…，

[0112]G=(U,E)；

11

CN109767301A說(shuō)明書(shū)7/11頁(yè)

[0113]其中，u表示目標(biāo)用戶,U表示社交網(wǎng)絡(luò)中目標(biāo)用戶u的朋友的集合,E表示與目標(biāo)用

戶u的社交關(guān)系，i表示被消耗商品；

[0114]為了捕捉用戶快速變化的興趣，我們使用RNN來(lái)建模（目標(biāo)）用戶在當(dāng)前會(huì)話中的

動(dòng)作（即點(diǎn)擊）。RNN是標(biāo)準(zhǔn)的序列建模工具并且最近被用來(lái)建模用戶（序列的）偏好數(shù)據(jù)。

RNN可以一個(gè)輸入一個(gè)輸入地推斷用戶會(huì)話S"=玲12,…，i"』的表示。它可以

遞歸地將所有之前輸入的表示和最新的輸入的表示組合起來(lái)，即：S200,根據(jù)物品集合S"

建立目標(biāo)用戶的動(dòng)態(tài)個(gè)人興趣模型，令

h“=f（i",hJ

[0116]其中，hn表示目標(biāo)用戶的最新興趣,he表示最新興趣的前一個(gè)興趣,f表示將最新

被消耗商品與前一個(gè)興趣結(jié)合的非線性函數(shù)；

[0117]我們認(rèn)為，社交網(wǎng)絡(luò)G中，用戶可能會(huì)受到朋友們最近興趣的影響。出于這個(gè)原因，

我們以不同的方式建模朋友的短期和長(zhǎng)期興趣。

[0118]我們使用朋友最近消費(fèi)的物品序列（例如，朋友的最新在線會(huì)話）來(lái)建模他的短期

興趣。長(zhǎng)期興趣代表了一個(gè)朋友的總體興趣,并使用個(gè)人的嵌入表示進(jìn)行建模。

[0119]對(duì)一個(gè)目標(biāo)用戶當(dāng)前的會(huì)話S'】，他的朋友的短期興趣用他們各自的在會(huì)話T+1

之前的那個(gè)會(huì)話來(lái)表示。每個(gè)朋友k的動(dòng)作"=｛母，42,…，4J用RNN來(lái)建模。實(shí)際上,

這里我們重新使用建模目標(biāo)用戶會(huì)話的RNN來(lái)建模朋友的會(huì)話。換句話說(shuō)，兩個(gè)RNN共享同

樣的參數(shù)。我們用RNN最終的輸出來(lái)表示朋友k的短期偏好，即S300,根據(jù)物品集合S"構(gòu)建

社交網(wǎng)絡(luò)G的短期興趣模型或，令：

r;

[0120]s|=rNfci=咻限/Nk.T-i）

[0121]其中，表示社交網(wǎng)絡(luò)G中朋友k的最新興趣，不、一表示朋友k的前一個(gè)興趣；

[0122]朋友的長(zhǎng)期偏好反映了他們的總體興趣。由于長(zhǎng)期偏好不是時(shí)間敏感的，我們使

用一個(gè)向量來(lái)表示它們。

[0123]S400,構(gòu)建社交網(wǎng)絡(luò)G的長(zhǎng)期興趣模型s；,令：

[0124]s；=此上，；]；

[0125]其中，社交網(wǎng)絡(luò)G中朋友k的長(zhǎng)期興趣模型s；是用戶嵌入表示矩陣孔的第k行；

[0126]S500,根據(jù)短期興趣模型筮和長(zhǎng)期興趣模型s；進(jìn)行拼接,得到拼接模型Sk,令

[0127]sk=ReLuWk；;

[0128]其中,ReLU（x）=max（0,x）是一個(gè)非線性的激活函數(shù),防是變換矩陣；

[0129]我們使用新穎的圖注意力網(wǎng)絡(luò)獲得目標(biāo)用戶的興趣和他的朋友們的興趣的混合

表示。首先，我們?cè)趫D中編碼朋友關(guān)系網(wǎng)絡(luò)，其中節(jié)點(diǎn)對(duì)應(yīng)于用戶（即目標(biāo)用戶及其朋友），

邊表示朋友關(guān)系。此外，每個(gè)節(jié)點(diǎn)使用其對(duì)應(yīng)的用戶的表示作為（動(dòng)態(tài)）特征。其次，使用消

12

CN109767301A說(shuō)明書(shū)8/11頁(yè)

息傳遞算法沿邊傳播這些特征。我們的方法的主要新穎之處在于使用注意力機(jī)制來(lái)衡量沿

每個(gè)邊傳播的特征的權(quán)重。權(quán)重對(duì)應(yīng)于朋友對(duì)目標(biāo)用戶的影響程度。經(jīng)過(guò)固定次數(shù)的消息

傳遞迭代之后，目標(biāo)用戶節(jié)點(diǎn)處的結(jié)果特征就是組合后的表示。

[0130]對(duì)于每個(gè)用戶，我們構(gòu)造了一個(gè)以該用戶和其朋友為節(jié)點(diǎn)的圖。如果用戶u有|N

（u）1個(gè)朋友，那么該圖就有|N（u）|+1個(gè)節(jié)點(diǎn)。用戶u的初始表示hn被作為節(jié)點(diǎn)u的初始特征

h￡）（每次用戶u消費(fèi)了一個(gè)新的在S"中的物品后，該特征就會(huì)被更新）。對(duì)于朋友k,對(duì)應(yīng)

的節(jié)點(diǎn)特征被設(shè)置為Sk并在時(shí)間戳為T(mén)+1的期間保持不變。形式化的來(lái)說(shuō)，節(jié)點(diǎn)的特征表示

是h,=hn減）=Sk，keN（u）}o

[0131]我們提出了一個(gè)新穎的動(dòng)態(tài)圖注意力網(wǎng)絡(luò)，用它來(lái)模型化上下文相關(guān)的社交影

響，并且使用注意力機(jī)制來(lái)引導(dǎo)影響的傳播。整個(gè)過(guò)程在圖4中進(jìn)行了闡述。

[0132]S600,計(jì)算目標(biāo)用戶的節(jié)點(diǎn)表示日和社交網(wǎng)絡(luò)G中朋友k的節(jié)點(diǎn)表示h?,令：

a（i）;exp（f（h,”））.

[0133]

[0134]其中，泗為目標(biāo)用戶u在1層的表示，[（則h?）=即即）為計(jì)算兩個(gè)節(jié)點(diǎn)的相似

U\UK/UA

度的函數(shù)，a%為社交網(wǎng)絡(luò)G中用戶k關(guān)于目標(biāo)用戶u的權(quán)值（以現(xiàn)有的h?為背景），或者是影

響的級(jí)別；

[0135]S700,根據(jù)社交網(wǎng)絡(luò)G中朋友k關(guān)于目標(biāo)用戶u的權(quán)值計(jì)算合并特征權(quán)值，令：

[0136]即=Z即？；

keN（u）u{u}

[0137]其中，側(cè)）是目標(biāo)用戶u的社交網(wǎng)絡(luò)G的興趣在1層上的融合;S800,對(duì)合并特征權(quán)值

進(jìn)行非線性變換,得到：

[0138]hj+1）=ReLU僅睨））；

[0139]其中，W⑴是1層的一個(gè)共享的并且可以學(xué)習(xí)的權(quán)值矩陣，其中每一層代表圖卷積

網(wǎng)絡(luò)的一次卷積操作，該值由第一層開(kāi)始經(jīng)過(guò)1層卷積之后得到每個(gè)節(jié)點(diǎn)的最終表示。合并

（社交影響）的表示我們用h?來(lái)表示。

[0140]因?yàn)橐粋€(gè)用戶的興趣由他的最近行為和社交影響兩者共同決定，他的最終表示就

由全連接層合并兩者得到，即S900,根據(jù)動(dòng)態(tài)個(gè)人興趣模型計(jì)算得到用戶的最終興趣,令：

[0141]hn=W2（hn;h?）；

[0142]其中,W2為線性變換矩陣，1為目標(biāo)用戶的最終興趣；

[0143]S1000,根據(jù)用戶的最終興趣得到推薦物品是y的概率，即：

13

CN109767301A說(shuō)明書(shū)9/n頁(yè)

[0144]p(y|i3』，…，i",南，ke\(u)})=jW)；

[0145]其中,N(u)為社交網(wǎng)絡(luò)G中用戶的個(gè)數(shù),zy為物品y的嵌入表示，111為物品的個(gè)數(shù)；

[0146]S1100,根據(jù)推薦物品是y的概率計(jì)算物品的對(duì)數(shù)似然函數(shù)值：

心…，i\思1，keN(u?),該函數(shù)用梯度下降法來(lái)最優(yōu)化。

ueUt=2n=l

[0147]在該實(shí)施例中，本方法旨在同時(shí)建模用戶的動(dòng)態(tài)興趣和實(shí)時(shí)社交影響。具體而言，

我們使用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)用戶當(dāng)前的會(huì)話進(jìn)行建模，提取出用戶的興趣偏好，并實(shí)時(shí)計(jì)算

用戶的朋友在當(dāng)前場(chǎng)景下對(duì)其產(chǎn)生的影響，結(jié)合自身愛(ài)好和朋友影響進(jìn)行物品推薦。

[0148]如圖2所示，按照本發(fā)明另一個(gè)實(shí)施例的基于會(huì)話和社交影響的推薦系統(tǒng)1000,包

括：

[0149]構(gòu)建模塊10,被設(shè)置為用于構(gòu)建目標(biāo)用戶當(dāng)前會(huì)話中被消耗的物品集合S3對(duì)應(yīng)

目標(biāo)用戶的社交網(wǎng)絡(luò)G,令：

[。15。]S"={i?+u，i"/，…，i",J；

[0151]G=(U,E)；

[0152]其中，u表示目標(biāo)用戶,U表示社交網(wǎng)絡(luò)中目標(biāo)用戶u的朋友的集合,E表示與目標(biāo)用

戶u的社交關(guān)系,i表示被消耗商品；

[0153]動(dòng)態(tài)個(gè)人興趣模型建立模塊20,被設(shè)置為用于根據(jù)物品集合S3建立目標(biāo)用戶的

動(dòng)態(tài)個(gè)人興趣模型，令：

354]hn=f(i",h.J

[0155]其中，hn表示目標(biāo)用戶的最新興趣,h『l表示最新興趣的前一個(gè)興趣,f表示將最新

被消耗商品與前一個(gè)興趣結(jié)合的非線性函數(shù)；

[0156]短期興趣模型構(gòu)建模塊30,被設(shè)置為用于根據(jù)物品集合S"構(gòu)建社交網(wǎng)絡(luò)G的短期

興趣模型￡，令：

[0157]s：=rNkr=f(i^_Nkr>r%,LJ；

[0158]其中，軌,T表示社交網(wǎng)絡(luò)G中朋友k的最新興趣，軌,…表示朋友k的前一個(gè)興趣；

[0159]長(zhǎng)期興趣模型構(gòu)建模塊40,被設(shè)置為用于構(gòu)建社交網(wǎng)絡(luò)G的長(zhǎng)期興趣模型s；,令：

[0160]s：=Wjk,；]；

[0161]其中，社交網(wǎng)絡(luò)G中朋友k的長(zhǎng)期興趣模型s；是用戶嵌入表示矩陣臨的第k行；

[0162]拼接模塊50,被設(shè)置為用于根據(jù)短期興趣模型或和長(zhǎng)期興趣模型s；進(jìn)行拼接，得

到拼接模型Sk,令

[。163]sk=ReLU.1；S；J；

14

CN109767301A說(shuō)明書(shū)10/11頁(yè)

[0164]其中,ReLU(x)=max(0,x)是一個(gè)非線性的激活函數(shù),W]是變換矩陣；

[0165]計(jì)算模塊60,被設(shè)置為用于計(jì)算目標(biāo)用戶的節(jié)點(diǎn)表示h￡)和社交網(wǎng)絡(luò)G中朋友k的

節(jié)點(diǎn)表示h2,令:

exp(f(h?；,h

[0166]a?=

ZieN(u喇exP(f(h，

[0167]其中，h?為目標(biāo)用戶u在1層的表示，f(h?,h>)=h?'h?為計(jì)算兩個(gè)節(jié)點(diǎn)的相似

度的函數(shù)，a%為社交網(wǎng)絡(luò)G中用戶k關(guān)于目標(biāo)用戶u的權(quán)值；

[0168]合并特征權(quán)值計(jì)算模塊70,被設(shè)置為用于根據(jù)社交網(wǎng)絡(luò)G中朋友k關(guān)于目標(biāo)用戶u

的權(quán)值計(jì)算合并特征權(quán)值，令：

[0169]即=名斕心；

kwN(u)u{u}

[0170]其中，口?是目標(biāo)用戶u的社交網(wǎng)絡(luò)G的興趣在1層上的融合；

[0171]非線性變換模塊80,被設(shè)置為用于對(duì)合并特征權(quán)值進(jìn)行非線性變換,得到：

[0172]hj+1)=ReLU(W(%)),

[0173]其中,W⑴是1層的一個(gè)共享的并且可以學(xué)習(xí)的權(quán)值矩陣；

[0174]最終興趣計(jì)算模塊90,被設(shè)置為用于根據(jù)動(dòng)態(tài)個(gè)人興趣模型計(jì)算得到用戶的最終

興趣，令：

[。175]hn=W2(hn；h料;

[0176]其中,W2為線性變換矩陣，]為目標(biāo)用戶的最終興趣；

[0177]概率計(jì)算模塊100,被設(shè)置為用于根據(jù)用戶的最終興趣得到推薦物品是y的概率，

即：

[0178]p(y|i"j，…，i",n屈k6N(u)})=:「

Wexp[hnzj

[0179]其中,N(u)為社交網(wǎng)絡(luò)G中用戶的個(gè)數(shù),Zy為物品y的嵌入表示，111為物品的個(gè)數(shù)；

[0180]對(duì)數(shù)似然函數(shù)值計(jì)算模塊110,被設(shè)置為用于根據(jù)推薦物品是y的概率計(jì)算物品的

對(duì)數(shù)似然函數(shù)值：

[0181]X11logpM+卜…，*叔t，keN(u)})0

ueUt=2n=l

[0182]在該實(shí)施例中，在推薦系統(tǒng)中，同時(shí)考慮用戶的社交關(guān)系和用戶的動(dòng)態(tài)興趣愛(ài)好

因素，以提升推薦的準(zhǔn)確性;并依據(jù)用戶自己的興趣愛(ài)好，動(dòng)態(tài)推斷社交關(guān)系中影響力較高

的朋友，使當(dāng)前興趣相近的朋友對(duì)推薦結(jié)果影響更大。為了提升在線平臺(tái)推薦系統(tǒng)的準(zhǔn)確

性,本發(fā)明中提出對(duì)用戶的動(dòng)態(tài)興趣愛(ài)好和動(dòng)態(tài)社交關(guān)系進(jìn)行建模。在生成推薦結(jié)果時(shí)，綜

15

CN109767301A說(shuō)明書(shū)11/11頁(yè)

合考慮用戶自身興趣和其朋友興趣，加入了對(duì)朋友影響力的動(dòng)態(tài)推斷模塊,從而更好的抓

取相關(guān)朋友的近期愛(ài)好,使之服務(wù)于目標(biāo)用戶的物品推薦。

[0183]在上述任一實(shí)施例中，優(yōu)選地,將最新被消耗商品與前一個(gè)興趣結(jié)合的非線性函

數(shù)f為:

[0184]xn=電卜…

[0185]fn=bWhwi",』+bj；

[0186]on=i3/+bj；

387]c：=tanh(Wc[hn.P

[0188]Cn=fn?C"i+xn0c：；

[0189]hn=or?tanh(cn);

-1

[0190]其中，。為sigmoid函數(shù)，o(x)=(1+exp(-x))0

[0191]本發(fā)明再一個(gè)實(shí)施例的計(jì)算機(jī)裝置，包括處理器，處理器用于執(zhí)行存儲(chǔ)器中存儲(chǔ)

的計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)本發(fā)明的第一方面的技術(shù)方案提出的任一項(xiàng)的推薦方法的步驟。

[0192]本發(fā)明又一個(gè)實(shí)施例的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序(指令)，計(jì)

算機(jī)程序(指令)被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明的第一方面的技術(shù)方案提出的任一項(xiàng)的推薦

方法的步驟。

[0193]在本發(fā)明中，術(shù)語(yǔ)“安裝”、“相連”、“連接”、“固定”等術(shù)語(yǔ)均應(yīng)做廣義理解，例如，

“連接”可以是固定連接,也可以是可拆卸連接，或一體地連接；“相連”可以是直接相連，也

可以通過(guò)中間媒介間接相連。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上

述術(shù)語(yǔ)在本發(fā)明中的具體含義。

[0194]本發(fā)明的描述中,需要理解的是,術(shù)語(yǔ)“上”、“下”、“左”、“右”、“前”、“后”等指示的

方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描

述,而不是指示或暗示所指的裝置或單元必須具有特定的方向、以特定的方位構(gòu)造和操作,

因此，不能理解為對(duì)本發(fā)明的限制。

[0195]在本說(shuō)明書(shū)的描述中，術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“具體實(shí)施例”等的描述

意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)

施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或?qū)?/p>

例。而且，描述的具體特征、結(jié)構(gòu)、材料或特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以

合適的方式結(jié)合。

[0196]以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對(duì)于本領(lǐng)域的技

術(shù)人員來(lái)說(shuō)，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修

改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。

16

CN109767301A說(shuō)明書(shū)附圖1/3頁(yè)

圖1

17

CN109767301A說(shuō)明書(shū)附圖2/3頁(yè)

推薦系統(tǒng)1000

構(gòu)建模塊10動(dòng)態(tài)個(gè)人興趣模

型建立模塊20

短期興趣模型構(gòu)長(zhǎng)期興趣模型構(gòu)

建模塊30建模塊40

拼接模塊50計(jì)算模塊60

合并特征權(quán)值計(jì)

非線性變換模塊80

算模塊70

最終興趣計(jì)算模