[发明专利]基于上下文感知及特征交互建模的个性化推荐方法及系统

说明书

本发明公开了一种基于上下文感知及特征交互建模的个性化推荐方法及系统，属于数据挖掘技术领域，本发明要解决的技术问题为如何根据用户在不同上下文环境下的偏好为用户进行推荐，提高推荐的准确性，采用的技术方案为：该方法是构建基于上下文感知特征交互的特征交互网络模型，具体如下：构建上下文特征信息属性模型；构建上下文特征信息‑用户/上下文特征信息‑物品交互模型；构建不同上下文特征信息对用户/物品的影响程度模型；构建上下文环境对用户/物品潜在特征信息的整体影响模型；构建特征交互网络预测模型。本发明还公开了基于上下文感知及特征交互建模的个性化推荐系统。

技术领域

本发明属于数据挖掘技术领域，应用于网络的个性化推荐，具体地说是一种基于上下文感知及特征交互建模的个性化推荐方法及系统。

背景技术

近年来，随着网络点餐等新兴技术的出现，餐饮业迎来了新的发展，然而在种类繁杂的食品环境下，用户常常难以选择准确的、符合自己口味的食物，因此对于当前的大多数点餐软件以及实体餐厅来说，如何根据用户的实际需求来推荐给用户满意的食物是重中之重。当前，常见的食品推荐系统往往只是关注了用户和物品自身特征，并没有考虑用户和物品所处的特殊上下文环境，因此无法观测到用户兴趣随上下文环境所发生的变化。针对上下文感知推荐系统这一较新的领域，相对传统的CARS方法可分为三类：上下文预过滤、上下文后过滤和上下文建模，这些传统的上下文感知推荐算法几乎没有考虑建立上下文与用户/物品的交互关系，而是使用上下文信息来驱动数据选择或数据构造，因此对推荐结果造成不好的影响。近年来，深度学习被应用于情境感知的推荐任务中，引起了广泛的关注,如引入上下文感知递归神经网络(CA-RNN)，该网络考虑了顺序建模任务的上下文信息。然而这些深度学习的方法还是无法区别不同上下文的影响大小，而是将不同上下文的权重影响因子看作是相同的，这违背了现实的原理，因此也无法得到效果很好的模型。除此之外，也有很多人在尝试不同的方法去提升上下文感知推荐系统的效果，具体如下：

(1)、一种基于张量因子分解的多元推荐模型，该模型以数据张量的形式将不同类型的上下文作为数据表示框架中的一个附加维度；

(2)、一种获得上下文相关性的独特方法，提供一些虚构的上下文偏好模型，供用户观察并提出意见；然后，用户回答问题，并以这种方式收集有用的上下文信息；最后，结果证明了这些系统优于不使用上下文的推荐系统；

(3)、一种基于多模态内容相关性和用户反馈的上下文视频推荐模型；

(4)、一个用于个性化产品搜索的长期-短期偏好上下文建模的系统框架，该模型采用神经网络方法，将用户的长期偏好和短期偏好与输入查询相结合，进行个性化产品搜索；特别地，设计了两个注意网络来区分短期和长期用户偏好的特征；

(5)、种新颖的基于上下文的兴趣点生成群体推荐方法，作者推荐是一种有用的应用，是学术推荐系统中最热门的研究领域之一；

(6)、一种新的上下文感知的学术合作者推荐模型，该模型能够推荐潜在的新合作者；

(7)、在递归神经网络(RNN)中使用上下文来实现高效的推荐过程，作者对经典的特征集合方法进行了实证分析，证明了该方法不适合于捕获最重要的特征交叉；

(8)、应用RNN算法提高推荐算法的效率。

值得注意的是，在以上提到的所有方法中，仍然或多或少的存在一些缺点，要么没有对上下文-用户/物品进行交互建模，无法直接的体现上下文信息对用户/物品产生的影响，要么没有采取措施来区别不同上下文信息对用户/物品的影响大小。故如何根据用户在不同上下文环境下的偏好为用户进行推荐，提高推荐的准确性是目前亟待解决的技术问题。

发明内容

本发明的技术任务是提供一种基于上下文感知及特征交互建模的个性化推荐方法及系统，来解决如何根据用户在不同上下文环境下的偏好为用户进行推荐，提高推荐的准确性的问题。