(19)中华 人民共和国 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 202111615929.1 (22)申请日 2021.12.27 (71)申请人 黑龙江大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路74号 (72)发明人 王楠　刘新宇　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 代理人 刘景祥 (51)Int.Cl. G06F 16/9535(2019.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/04(2020.01) G06F 111/06(2020.01) G06F 111/08(2020.01) (54)发明名称 一种个性化自适应捆绑推荐模型及推荐方 法 (57)摘要 本发明公开了一种个性化自适应捆绑推荐 模型及推荐方法， 属于推荐数据处理领域。 基于 个性化自适应捆绑推荐模型的推荐方法包括 以 下步骤： S100、 采用D ‑TI根据用户的访问路径生 成初始捆绑包， 进而优化为基础捆绑包； S2 00、 采 用带有约束的多目标优化方法优化基础捆绑包； S300、 提出一种新的基于正、 负情况相关性的损 失计算方法， 并利用所述损失计算方法对捆绑包 进行优化。 本发 明使捆绑包集合的质量和多样性 得到了有效的保证， 并提出了一种针对捆绑包的 优化方法， 使其整体性能得到进一步优化， 最终 使本发明的推荐 模型获得了 较好的性能。 权利要求书5页 说明书13页 附图2页 CN 114329200 A 2022.04.12 CN 114329200 A 1.一种个性化自适应捆绑推荐模型， 其特征在于， 所述个性化自适应捆绑推荐模型包 括输入层、 嵌入层、 深度模型层、 深度游走层和多目标优化层， 所述输入层、 嵌入层、 深度模 型层、 深度游走层和多目标优化层依次连接 。 2.根据权利要求1所述的一种个性 化自适应捆绑推荐模型， 其特 征在于， 所述输入层， 用于根据用户历史行为序列， 构建物品 ‑物品之间的序列生成图； 所述嵌入层， 用于根据用户 和物品的数据规模分别将其投射到稠密的向量空间， 获得 用户行为序列的初始 表征结果； 所述深度模型层， 用于经过嵌入之后， 应用NCF深度学习模型， 将物品和用户的嵌入结 果共同输入到深度建模层中， 并进行匹配预测， 获得初始预测结果 所述深度游走层， 用于在用户序列生成图中进行随机游走， 利用深度模型层获得的初 始预测结果 将其相应的匹配列表中获得的第1个结果， 即top 1， 作为DeepWalk的起始节 点， 然后设计一种约束来形成捆绑包候选集， 利用TF ‑IDF思想进行约束， 避免产生相似的 捆绑包， 随之产生基础捆绑包； 所述多目标优化层， 用于对所述的基础捆绑包的列表里的每 个物品进行评估 优化。 3.根据权利要求2所述的一种个性化自适应捆绑推荐模型， 其特征在于， 所述输入层， 具体的， 用于根据用户的历史记录， 得到每个用户的访问序列， 对每个用户和item进行One ‑ Hot处理， 并输入到嵌入层， 同时还用于将用户的交互序列输入到深度模型层左边的部分， 构建节点是item的User访问序列图。 4.根据权利要求3所述的一种个性化自适应捆绑推荐模型， 其特征在于， 所述嵌入层， 具体的， 用于得到输入层的数据流后， 对每一个用户和item进 行嵌入处理， 每一个用户和物 品进行One ‑hot向量化 用户和物品的潜在因子矩阵分别为 这里 M和K分别代 表用户数量和潜在空间维数， 则用户和item的嵌入如下 所示： 其中， V＝{v1,v2,v3,…,vn}， 为物品集合， U＝{u1,u2,u3,…,um}， 为用户集合， 在得到嵌 入之后， 输入到深度模型层， 进行训练。 5.根据权利要求4所述的一种个性化自适应捆绑推荐模型， 其特征在于， 所述深度模型 层， 具体的， 用于使用NCF深度学习模 型， 针对每一位用户和物品进 行匹配， 以使 得每一位用 户得到评分最高的物品， 其中， 公式(2)表示的是NCF中的广义矩阵分解组件， 和 分别表示GMF和MLP的用户 嵌入， 和 分别表示了GMF和MLP的物品嵌入， 公式(3)表示的是NCF中 的的MLP组件， 公式 (4)将公式(2)和公式(3)两个组件结合起来， 得到预测评分 具体表示用户u对物品i的权　利　要　求　书 1/5 页 2 CN 114329200 A 2预测评分， 选择 出评分最高的item， 输入到下一层。 6.根据权利要求5所述的一种个性化自适应捆绑推荐模型， 其特征在于， 所述深度游走 层， 具体的， 用于使用所述评分最高的item作为起始节点， 在生成序列图上进行深度游走， 跳转概率为： 其中， N+(vi)表示所有从节点vi出发的有向边指向的节点的集合， Mij表示物品i跳转到 物品j的跳转权 重， 通过随即游走， 产生若干数量的物品序列， 即含有 若干捆绑包的预选集， 还用于利用TF ‑IDF算法对所述预选集进行约束， 去除其中相似 的捆绑包， 最终获得基 础捆绑包： 先计算一个物品vi在针对用户u生成的捆绑列表bj中出现的频率， 计算公式定义如下： 其中， VFi表示物品i在捆绑包列表j中出现的频率， nij表示物品i在捆绑包列表j中出现 的次数， n*j表示捆绑包列表j中所有物品的数量， 接下来计算物品vi在所有用户的捆绑包列表中出现的频次， 公式如下： 其中， N是每个用户bundle列表的总数， Ni是包含物品vi的列表的总数， 将VFi和IDFi合 并， 表示为: Gi＝VFi*IDF                     (8) 使用D‑TI算法去产生基础捆绑包， 然后对每个捆绑包进行表征， 通过自适应加权操作， 获得捆绑包的嵌入向量： 其中， α(i,j)表示用户ui考虑与捆绑包bs交互时， 物品vj所代表的权重， 在一个低秩模 型里参数化α(i,j)： 其中， aj表征了在对一个bundle中的一个物品做决策时， 表征物品vj的向量， 利用上述 表征方法对模型中生成的捆绑包进行表征， 进行 下一步训练。 7.一种基于个性化自适应捆绑推荐模型的推荐方法， 基于权利要求1 ‑6任一项所述的 一种个性化自适应捆绑推荐模型， 其特征在于， 所述基于个性化自适应捆绑推荐模型 的推 荐方法包括以下步骤： S100、 采用D‑TI根据用户的访问路径生成初始捆绑包， 进 而优化为基础捆绑包； S200、 采用带有约束的多目标优化方法优化基础捆绑包； S300、 提出一种新的基于正、 负情况相关性的损失计算方法， 并利用所述损失计算方法 对捆绑包进行优化。 8.根据权利要求7所述的一种基于个性化自适应捆绑推荐模型的推荐方法， 其特征在 于， 在S100中， 具体的， 输入层根据用户的历史记录， 得到每个用户的访问序列， 对每个用户权　利　要　求　书 2/5 页 3 CN 114329200 A 3