(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211019358.X (22)申请日 2022.08.24 (71)申请人 苏州空天信息 研究院 地址 215000 江苏省苏州市苏州工业园区 独墅湖大道158 (72)发明人 罗晋　胡岩峰　沈红　彭晨　 陶昊然　付啟明　姜添　向镐鹏　 闵飞　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 封睿 (51)Int.Cl. G06F 16/9535(2019.01) G06F 40/30(2020.01) G06Q 30/02(2012.01)G06Q 30/06(2012.01) G06N 3/08(2006.01) (54)发明名称 一种基于张量分解的动态个性化推荐方法 及系统 (57)摘要 本发明提出了一种基于张量分解的动态个 性化推荐方法， 对反映用户兴趣特征的用户 ‑物 品‑时间关联网络数据进行统计， 得到用户、 物品 和时间戳构成的集合， 并对集合中的元素进行ID 编号； 将用户集合、 物品集合和时间戳集合中的 元素随机映射至语义向量空间中， 建立用户 、 物 品和时间戳到兴趣语义空间的初步映射关系； 构 建语义空间下用户、 物品和时间之间的语义关联 关系， 使用户、 物品和时间能够正确映射到语义 空间中； 根据用户 、 物品和时间到语义空间的语 义关联关系， 训练最优动态个性化推荐模型， 预 测用户的兴趣点， 完成个性化推荐任务。 本发明 能有效学习用户随时间动态变化的兴趣， 提升了 个性化推荐的效果。 权利要求书2页 说明书5页 附图2页 CN 115357794 A 2022.11.18 CN 115357794 A 1.一种基于张量分解的动态个性 化推荐方法， 其特 征在于， 包括如下步骤： 步骤1， 对反映用户兴趣特征的用户 ‑物品‑时间关联网络数据进行统计， 得到用户、 物 品和时间戳构成的集 合， 并对集 合中的元 素进行ID编号； 步骤2， 将用户集合、 物品集合和时间戳集合中的元素随机映射至语义向量空间中， 建 立用户、 物品和时间戳到兴趣语义空间的初步映射关系； 步骤3， 构建语义空间下用户、 物品和时间之间的语义关联关系， 使用户、 物品和时间能 够正确映射到语义空间中； 步骤4， 根据用户、 物品和时间到语义空间的语义关联关系， 通过反向传播神经网络， 训 练最优动态个性 化推荐模型， 预测用户的兴趣点， 完成个性 化推荐任务。 2.根据权利要求1所述的基于张量分解的动态个性化推荐方法， 其特征在于， 步骤1， 对 用户集合、 物品集合和时间戳集合中的元素进行ID编号， 保证每个集合内每个元素的ID编 号都不相同。 3.根据权利要求1所述的基于张量分解的动态个性化推荐方法， 其特征在于， 步骤2， 将 用户集合、 物品集合和时间戳集合中的元素随机映射至语义向量空间中， 建立用户、 物品和 时间戳到兴趣语义空间的初步映射关系， 具体方法为： 将用户集合、 物品集合和时间戳集合中每一个元素， 在维度为d的语义空间中， 生成每 一个元素对应维度为d的语义向量， 对语义向量每个维度上 的值赋上随机值， 其中， 用户集 合 u表示用户语义向量， Rd表示d维的实数向量， 即用户语义向量是d维的实 数向量； 物品集合 i表示物品语义向量， Rd表示d维的实数向量， 即物品语义 向量是d维的实数向量； 时间戳集合 t表示时间戳语义向量， Rd表示d维的实 数向量， 即时间语义向量是d维的实数向量。 4.根据权利要求3所述的基于张量分解的动态个性化推荐方法， 其特征在于， 步骤3， 构 建语义空间下用户、 物品和时间之间的语义关联关系， 使用户、 物品和时间能够正确映射到 语义空间中， 具体方法为： 在张量分解的基础上， 引入时间维度信 息， 构建动态个性化推荐模型， 模型结构如下公 式所示， 构建了语义空间下用户、 物品和时间之间的语义关联关系， 公式如下： 其中， φ表示用户u在时间为t对物品i感兴趣的得分， 得分值域为[0， 1]， 是 一个参数矩阵， ×1表示沿三阶参数矩阵 第1维度方向上的向量乘积运算符， ×2表示沿三 阶参数矩阵 第2维度方向上的向量乘积运算符， ×3表示沿三阶参数矩阵 第3维度方向 上的向量乘积运 算符。 5.根据权利要求1所述的基于张量分解的动态个性化推荐方法， 其特征在于， 步骤4， 根 据用户、 物品和时间到语义空间的语义关联关系， 通过反向传播神经网络， 训练最优动态个 性化推荐模型， 预测用户的兴趣点， 完成个性 化推荐任务， 具体方法为： 在训练集上使用交叉熵损失函数衡量模型预测结果与训练集真值之间的差距， 公式如 下： 权　利　要　求　书 1/2 页 2 CN 115357794 A 2其中， sigmoid表示激活函数， φ表示用户感兴趣的得分， pi＝sigmoid(φ)代表第i个样 本的预测结果， 也就是用户对某物品感兴趣的概率值， 代表损失值， n代表训练样本个数， yi代表第i个样本的真值， yi＝1表示为真， yi＝0表示为假； 借助随机梯度下降优化器反向传播更新神经网络中的参数； 在每一轮训练结束时， 计 算MRR值， 并保留模型； 经过多轮训练， 挑选其中MRR值最大的那一轮得到模型作为最优模 型。 6.一种基于张量分解的动态个性化推荐系统， 其特征在于， 基于权利要求1 ‑5任一项所 述的基于张量分解的动态个性 化推荐方法， 实现基于张量分解的动态个性 化推荐。 7.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 所述处理器执行所述计算机程序时， 基于权利要求 1‑5任一项所述的基于张量分 解的动态个性 化推荐方法， 实现基于张量分解的动态个性 化推荐。 8.一种计算机可读存储介质， 其上存储有计算机程序， 所述计算机程序被处理器执行 时， 基于权利要求 1‑5任一项所述的基于张量分解的动态个性化推荐方法， 实现基于张量分 解的动态个性 化推荐。权　利　要　求　书 2/2 页 3 CN 115357794 A 3