一種基于相關性注意力的群組推薦方法技術

一種基于相關性注意力的群組推薦方法，屬于群組推薦技術領域，設計了相關性注意力組件，該組件首先根據景點、群組以及群組成員的嵌入向量學習每個成員的貢獻度，然后根據成員的貢獻度為成員分配相應的權重，并分別對群組和成員的相關性以及景點和成員的相關性建模，最后采用加權求和的形式得到群組嵌入向量以進行推薦。兩種相關性建模采用的皆是逐元素乘法的形式，嵌入項向量的每個維度代表了相應特征的強度，逐元素乘法可以高效的建模特征交互。逐元素乘積后得到的新的嵌入向量不僅包含了成員和群組（景點）二階特征組合信息，而且還包含了所隱含的關聯性，達到了關聯性建模的目的，從而進一步增強了群組推薦的性能。從而進一步增強了群組推薦的性能。從而進一步增強了群組推薦的性能。

【技術實現步驟摘要】
一種基于相關性注意力的群組推薦方法


[0001]本專利技術涉及群組推薦
，具體涉及一種基于相關性注意力的群組推薦方法。

技術介紹

[0002]隨著社交活動的盛行，組團旅游成為人們鐘愛的旅游方式，因而群組推薦也逐漸在旅游業發揮作用。旅游業中的群組推薦的目的是向一組用戶而非單個用戶推薦景點，因此它比個性化推薦復雜得多，其核心問題是如何獲得群組的偏好來推斷群組會選擇哪些景點，這是一項非常具有挑戰性的任務，因為群組偏好是其內部所有成員偏好的混合，而且群組做出選擇的過程是動態變化的。
[0003]傳統的群組推薦方法通常采用預定義的策略聚合成員偏好得到群組偏好，例如均值策略、最小痛苦策略，而最近的基于深度學習的方法探索如何識別成員的重要性，并動態的為成員分配不同權重，以更加準確的聚合得到群組的偏好。然而，這些方法沒有充分利用群組和成員的關聯性以及景點和成員的關聯性。一方面，群組由單個成員組成，群組偏好與成員偏好息息相關，它們是高度互動并相互依賴的，之間存在包含和被包含的關系；另一方面，群組最終選擇的景點是由成員共同決定的，因此成員的偏好可以間接的反映景點的特征。如何利用這兩種相關性增強群組偏好建模是現有群組推薦方法中尚未考慮的問題。

技術實現思路

[0004]本專利技術為了克服以上技術的不足，提供了一種為旅游群組提供高效精準的景點推薦的方法。
[0005]本專利技術克服其技術問題所采用的技術方案是：
[0006]一種基于相關性注意力的群組推薦方法，包括如下步驟：
[0007]a)獲取包含M個用戶、N個群組、K個景點、群組和景點的歷史交互記錄以及用戶和景點的歷史交互記錄的數據集；
[0008]b)根據數據集中的群組和景點的歷史交互記錄構建群組
?
景點交互矩陣，將群組
?
景點交互矩陣輸入到MF模型中，得到初始化的第n個群組g
n
的嵌入向量和第k個景點v
k
在群組和景點的交互中的嵌入向量其中n∈{1,2,
…
,N}，k∈{1,2,
…
,K}，為實數，d為嵌入向量的維度；
[0009]c)根據數據集中的用戶和景點的歷史交互記錄構建用戶
?
景點交互矩陣，將用戶
?
景點交互矩陣輸入到MF模型中，得到初始化的群組g
n
中所有成員的嵌入向量和第k個景點v
k
在用戶和景點的交互中的嵌入向
量其中c
i
為群組g
n
中第i個成員，i∈{1,2,
…
,|g
n
|}，|g
n
|為群組g
n
中用戶的總數，為群組g
n
中第i個成員c
i
的嵌入向量，
[0010]d)將第k個景點v
k
在群組和景點的交互中的嵌入向量和第k個景點v
k
在用戶和景點的交互中的嵌入向量求均值，得到初始化的第k個景點v
k
的嵌入向量
[0011]e)計算得到第n個群組g
n
對第k個景點v
k
決策時第i個成員的貢獻度大小o
ik
；
[0012]f)對貢獻度大小o
ik
進行歸一化處理，得到歸一化后的貢獻度大小a
ik
；
[0013]g)通過公式計算第i個成員c
i
影響下的第n個群組g
n
的嵌入向量式中
⊙
為逐元素乘積，得到所有成員影響下的第n個群組g
n
的嵌入向量h)采用加權求和的形式聚合得到第n個群組g
n
最終的嵌入向量i)通過公式計算第i個成員c
i
影響下的第k個景點v
k
的嵌入向量得到所有成員影響下的第k個景點v
k
的嵌入向量
[0014]j)采用加權求和的形式聚合得到第k個景點v
k
最終的嵌入向量
[0015]k)將嵌入向量和嵌入向量輸入到一個三層的多層感知機MLP中，輸出得到預測得分完成基于相關性注意力群組推薦模型的建立，將預測得分最高的P個景點向第n個群組g
n
推薦。
[0016]優選的，步驟a)中的數據集為MaFengWo數據集。
[0017]進一步的，步驟d)中通過公式計算得到初始化的第k個景點v
k
的嵌入向量進一步的，步驟e)中通過公式計算得到第n個群組g
n
對第k個景點v
k
決策時第n個群組g
n
中第i個成員的貢獻度大小o
ik
，式中W
g
、W
c
、W
v
均為可學習的權重矩陣，b為偏置矩陣，h為投影到貢獻度大小o
ik
的權重矩陣，T為轉置，σ(
·
)為非線性激活函數。
[0018]優選的，步驟f)中使用Softmax歸一化函數對貢獻度大小o
ik
進行歸一化處理。進一
步的，步驟h)中通過公式計算得到最終的嵌入向量
[0019]進一步的，步驟j)中通過公式計算得到最終的嵌入向量
[0020]進一步的，步驟k)中通過公式計算得到多層感知機MLP的中間層的輸出e0，通過公式e1＝ReLU(We0+b1)計算得到多層感知機MLP的中間層的輸出e1，式中ReLU(
·
)為ReLU激活函數，W為權重矩陣，b1為偏置矩陣，通過公式計算得到預測得分式中b2為偏置矩陣。
[0021]優選的，步驟k)中P＝5。
[0022]進一步的，還包括在步驟k)后執行如下步驟：
[0023]l
?
1)選取第p個景點v
p
替代第k個景點v
k
，重復執行步驟b)至步驟k)得到預測得分p∈{1,2,...,K}；
[0024]l
?
2)通過公式計算得到損失函數L，式中(n,k,p)為一個三元組，表示第n個群組g
n
與第k個景點v
k
存在交互且與第p個景點v
p
不存在交互；
[0025]l
?
3)利用損失函數L對步驟k)中的基于相關性注意力群組推薦模型進行訓練，訓練過程中使用Adam優化器并采用小批量法對損失函數L進行優化。
[0026]本專利技術的有益效果是：通過設計相關性注意力組件，該組件首先根據景點、群組以及群組成員的嵌入向量學習每個成員的貢獻度，然后根據成員的貢獻度為成員分配相應的權重，并分別對群組和成員的相關性以及景點和成員的相關性建模，最后采用加權求和的形式得到群組嵌入向量以進行推薦。兩種相關性建模采用的皆是逐元素乘法的形式，嵌入項向量的本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于相關性注意力的群組推薦方法，其特征在于，包括如下步驟：a)獲取包含M個用戶、N個群組、K個景點、群組和景點的歷史交互記錄以及用戶和景點的歷史交互記錄的數據集；b)根據數據集中的群組和景點的歷史交互記錄構建群組
?
景點交互矩陣，將群組
?
景點交互矩陣輸入到MF模型中，得到初始化的第n個群組g
n
的嵌入向量和第k個景點v
k
在群組和景點的交互中的嵌入向量其中n∈{1,2,...,N}，k∈{1,2,...,K}，其中n∈{1,2,...,N}，k∈{1,2,...,K}，為實數，d為嵌入向量的維度；c)根據數據集中的用戶和景點的歷史交互記錄構建用戶
?
景點交互矩陣，將用戶
?
景點交互矩陣輸入到MF模型中，得到初始化的群組g
n
中所有成員的嵌入向量和第k個景點v
k
在用戶和景點的交互中的嵌入向量其中c
i
為群組g
n
中第i個成員，i∈{1,2,...,|g
n
|}，|g
n
|為群組g
n
中用戶的總數，為群組g
n
中第i個成員c
i
的嵌入向量，d)將第k個景點v
k
在群組和景點的交互中的嵌入向量和第k個景點v
k
在用戶和景點的交互中的嵌入向量求均值，得到初始化的第k個景點v
k
的嵌入向量e)計算得到第n個群組g
n
對第k個景點v
k
決策時第i個成員的貢獻度大小o
ik
；f)對貢獻度大小o
ik
進行歸一化處理，得到歸一化后的貢獻度大小a
ik
；g)通過公式計算第i個成員c
i
影響下的第n個群組g
n
的嵌入向量式中
⊙
為逐元素乘積，得到所有成員影響下的第n個群組g
n
的嵌入向量h)采用加權求和的形式聚合得到第n個群組g
n
最終的嵌入向量i)通過公式計算第i個成員c
i
影響下的第k個景點v
k
的嵌入向量得到所有成員影響下的第k個景點v
k
的嵌入向量j)采用加權求和的形式聚合得到第k個景點v
k
最終的嵌入向量k)將嵌入向量和嵌入向量輸入到一個三層的多層感知機MLP中，輸出得到預測得分完成基于相關...

【專利技術屬性】
技術研發人員：王英龍，韓齊齊，舒明雷，周書旺，劉照陽，
申請(專利權)人：齊魯工業大學，
類型：發明
國別省市：