[发明专利]一种基于多源附加信息增强的混合标签推荐方法

说明书

本发明涉及一种基于多源附加信息增强的混合标签推荐方法。通过构建物品多源附加信息，定义标签推荐的概率图模型，得到潜在变量和观测变量的联合分布，接着构建MAVAE网络，利用块坐标提升算法求解潜在变量的后验分布，然后随机初始化网络参数，对MAVAE网络进行训练，最后利用训练MAVAE网络得到的参数进行物品的标签推荐。本发明将物品多源附加信息集成到协同信息的建模中，进而可以利用物品多源辅助信息来做出更好的标签推荐。

技术领域

本发明属于混合推荐系统相关技术领域，特别是涉及一种基于多源附加信息增强的混合标签推荐方法。

背景技术

用户使用一些关键词对物品(如电影和文章)进行注释的行为称为标记。合适的标签可以方便内容组织、检索、消费等。标签推荐系统旨在为物品推荐合适的标签，以帮助用户更轻松地标记，同时也通过创建便捷的注释来促进物品的传播。因此，为物品推荐合适的标签非常重要，尤其是在包含大量物品的互联网时代。

标签推荐系统通过利用在线用户提供给物品和标签之间的历史标记交互来辅助标记过程。物品-标签交互中包含的协同信息反映了用户对商品的协同感知，已经被证明在标签推荐系统中十分有效。然而，物品-标签交互的稀疏性和标签推荐中的冷启动问题使得仅使用协同信息的系统难以执行。基于内容的标签推荐系统通过对物品的内容信息(如文字内容或者图像内容)进行建模，从而推荐符合物品内容的标签，不需要物品-标签交互进行推荐，因此被广泛地研究。然而基于内容的推荐不考虑其他用户对物品的协同看法，且依赖于特征工程的好坏，因此可能出现很差的推荐效果。基于以上的考量，综合协同信息和内容信息进行混合标签推荐值得研究，但是此类混合推荐方法很少被探索。

如何将物品内容信息和协同信息耦合是一个挑战。物品除包含图像、文字等内容信息外，还包含物品间相互链接的社交信息，充分地利用物品的多源附加信息，即内容信息和社交信息，可以最大限度地有利于标签推荐过程。使用贝叶斯概率模型通过定义一个概率生成过程可以将多源附加信息与协同信息耦合，且在推荐系统上取得了不错的效果。考虑到贝叶斯概率生成过程对不同信息集成的灵活性和深度神经网络强大的特征学习能力，本发明提出使用深度生成模型来学习物品的潜在协同变量，并通过定义概率生成过程来耦合协同信息和物品多源附加信息。

发明内容

本发明针对现有技术的不足，提供一种基于多源附加信息增强的混合标签推荐方法，包括以下步骤：

步骤1，构建物品多源附加信息，包括内容信息和社交信息；

步骤2，定义标签推荐的概率图模型，得到潜在变量和观测变量的联合分布；

步骤3，构建MAVAE网络，利用块坐标提升算法求解潜在变量的后验分布；

步骤4，随机初始化网络参数，对MAVAE网络进行训练；

步骤5，利用训练MAVAE网络得到的参数进行物品的标签推荐。

而且，所述步骤1中多源附加信息包括物品的内容信息和社交信息。物品内容信息包括对物品的描述信息，通过词频-逆文档频率进行特征提取，从而为每个物品赋予一个内容特征。物品社交信息描述物品之间的链接关系，不同领域的物品有其自身的链接关系，用户对物品的共同交互关系也被用来描述物品之间的链接关系，通过定义具体的链接条件，物品的社交网络可以被构建。利用构建好的多源附加信息加上物品-标签的交互矩阵作为观测数据用来训练模型，从而实现对物品的标签推荐。

而且，所述步骤2中概率图的生成过程定义如下：从正态分布中采样K维潜在低维空间中的潜在物品内容变量c_i和潜在物品社交变量s_i，物品的内容由其潜在内容变量c_i通过变分自编码的生成网络生成，物品社交图由采样子图的潜在社交变量s_i通过变分图自编码器的生成网络生成。