[发明专利]基于长短时记忆网络的群组划分方法及系统

说明书

本发明提供了一种基于长短时记忆网络的群组划分方法及系统，其中的方法包括：根据用户历史行为信息进行时序性建模，以形成时序性数据序列；通过预设的长短时记忆网络模型对所述时序性数据序列进行特征提取，以获取用户随时间迁移的行为特征信息；根据所述用户随时间迁移的行为特征信息确定用户隐式相似度；根据用户显式相似度和所述用户隐式相似度对用户相似度进行求和，将相似度高的成员划分在同一群组。本发明通过循环神经网络进行用户隐式倾向获取，根据用户总体倾向对用户进行分组，解决了用户动态倾向导致用户分组不准确问题。

技术领域

本发明涉及群组推荐技术领域，更为具体地，涉及一种基于长短时记忆网络的群组划分方法及系统。

背景技术

群组推荐是满足群组用户个性和共性需求的一种服务形式，它作为解决推荐问题的一种有效手段，在学术领域中得到了越来越多的关注。

群组划分是群组推荐的第一个环节，它的结果对后续偏好融合及预测推荐产生重要影响。传统的群组划分技术分为随机分组、相似度计算和聚类三种，随着数据相关属性的丰富及对推荐结果越来越精确的要求，群组划分需要考虑的因素越来越多，从传统的组大小、组内凝聚力、关联强度等逐渐向数据集属性和相应应用场景上偏移。在这种高要求下，越来越多的学者开始针对特定数据集或推荐要求，进行群组划分方法的创新和改进。

比如针对广播用户收视兴趣复合性问题，使用张量分解对节目和收视时间的隐性特征进行挖掘并形成矩阵，基于马尔可夫聚类算法对记录进行分类，基于记录的分类结果实现家庭用户群组划分；再比如Ntoutsi等人提出的聚类算法，将每个用户单独设定为一个群组，通过比较每个用户群组的内在相似度并进行排序，对相似度最高的两个群组，将二者相似度与设定的相似度阈值进行比较，超出设定阈值便进行合并，重复计算直至相似度超过阈值的用户划入同一个群组为止；以及通过计算推荐信息与群组兴趣之间的相似度，构建群组兴趣模型，生成群组，在科研咨询和领域检测快报方面完成自动精确推荐的群组划分方法。

上述群组划分方法在一定程度上聚合了相似的成员形成群组，有效地提高了群组推荐结果的精度，但对用户倾向的获取上，没有对用户倾向的影响因素进行挖掘和纳入计算范围，存在一定缺陷。

发明内容

鉴于上述问题，本发明的目的是提供一种基于长短时记忆网络的群组划分方法及系统。

根据本发明的一个方面，提供了一种基于长短时记忆网络的群组划分方法，包括：

根据用户历史行为信息进行时序性建模，以形成时序性数据序列；

通过预设的长短时记忆网络模型对所述时序性数据序列进行特征提取，以获取用户随时间迁移的行为特征信息，并根据所述用户随时间迁移的行为特征信息确定用户隐式相似度；

根据用户显式相似度和所述用户隐式相似度对用户进行群组划分。

根据本发明的另一方面，提供了一种基于长短时记忆网络的群组划分系统，其特征在于，包括：

时序性建模单元，用于根据用户历史行为信息进行时序性建模，以形成时序性数据序列；

LSTM单元，用于通过预设的长短时记忆网络模型对所述时序性数据序列进行特征提取，以获取用户随时间迁移的行为特征信息，并根据所述用户随时间迁移的行为特征信息确定用户隐式相似度；

群组划分单元，用于根据用户显式相似度和所述用户隐式相似度对用户进行群组划分。