[发明专利]一种基于档案网络的美食推荐方法

权利要求书

1.一种基于档案网络的美食推荐方法，其特征在于，包括以下步骤：

S1、建立美食项目知识图谱，将美食项目知识图谱中待推荐美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合，得到待推荐美食项目表示；

S2、采用档案网络分别获取用户的长期兴趣表示和用户属性表示，采用LSTM序列模型获取用户的短期兴趣表示；根据当前用户浏览行为的上下文获取上下文表示；

S3、将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接，得到拼接向量，将拼接向量进行激活，得到权重值；

S4、将权重值与长期兴趣表示和短期兴趣表示进行融合，并将融合后的结果与用户属性表示进行聚合，得到最终用户表示；

S5、将最终用户表示与待推荐美食项目表示进行拼接后激活，得到待推荐美食项目的点击率预测值；

S6、将点击率预测值最大的若干个待推荐美食项目作为推荐结果，完成美食推荐；

步骤S1的具体方法包括以下子步骤：

S1-1、建立美食项目知识图谱，包括美食项目的商标、代言人、属性和分类；

S1-2、根据美食项目知识图谱中不同的关系进行相应实体邻居表示聚合，得到邻居聚合后的表示；

S1-3、根据公式：

获取第q个待推荐美食项目表示x_q；其中σ为知识图谱中的激活函数；表示第q个美食项目自身参与聚合的可训练参数；g_q表示第q个美食项目的原始表示；表示第q个美食项目在第r种关系中聚合的可训练参数；R表示关系的总数；表示第q个美食项目在第r种关系的邻居聚合后的表示。

2.根据权利要求1所述的基于档案网络的美食推荐方法，其特征在于，所述步骤S2中采用档案网络获取用户的长期兴趣表示的具体方法包括以下子步骤：

S2-1-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为；

S2-1-2、将用户长期行为进行矢量化，得到长期行为矢量化向量；长期行为矢量化向量包括与用户相关的每个项目所对应的长期行为向量；

S2-1-3、将长期行为矢量化向量通过正交多头注意力机制池进行汇总，并根据公式：

得到每个用户对每个项目的长期行为档案列向量其中Θ^u代表用户u关于所有项目的长期行为矢量化向量集；θ_v代表用户u对于项目v的长期行为矢量化向量；表示通过正交多头注意力机制池得到的关于θ_v的权重，i表示长期行为档案向量编号，即第i个长期行为档案列向量对应于项目v，也对应于θ_v；

S2-1-4、根据公式：

将用户对项目的长期行为档案列向量与待推荐美食项目进行注意力计算和加权聚合，得到用户的长期兴趣表示其中表示通过注意力机制得到的第i个长期行为档案列向量的权重；B(u)表示长期行为档案列向量集。

3.根据权利要求1所述的基于档案网络的美食推荐方法，其特征在于，所述步骤S2中采用档案网络获取用户属性表示的具体方法包括以下子步骤：

S2-2-1、将用户评论数据进行矢量化，得到评论数据矢量化向量；其中用户评论数据包括用户ID、评论标题、评论主体、评论等级和评论时间；

S2-2-2、将长期行为矢量化向量通过正交多头注意力机制池进行汇总，并根据公式：

得到每个用户对每个项目的评论数据档案列向量其中Θ^p代表用户u关于所有项目的评论数据矢量化向量集；θ_p代表用户u对于项目v的评论数据矢量化向量；表示通过正交多头注意力机制池得到的关于θ_p的权重，i表示评论数据档案向量编号，即第i个评论数据档案列向量对应于项目v的评论数据，也对应于θ_p；

S2-2-3、根据公式：

将用户对项目的评论数据档案列向量与待推荐美食项目进行注意力计算和加权聚合，得到用户属性表示其中表示通过注意力机制得到的第i个评论数据档案列向量的权重；C(u)表示评论数据档案列向量集。