一种基于性格感知及复杂关系交互的服务推荐系统

1.本发明涉及服务推荐领域，具体是一种基于性格感知及复杂关系交互的服务推荐系统。


背景技术：

2.个性化推荐作为推荐系统领域中的一大热点问题受到许多领域的关注和研究，无论是在工业界或是学术界，个性化推荐都展现出其巨大的研究价值。近年来，随着信息技术的飞速发展，以qq、微信、微博为代表的社交媒体受到了广大网友的欢迎，推动了互联网信息的爆炸式增长，但同时也导致了目标信息容易淹没在海量数据中的问题。为了更好的利用这种用户之间的社交关系来为用户筛选出合适的信息或者产品、深度挖掘用户偏好，社交推荐应运而生。
3.传统的推荐系统由于仅仅从用户物品的交互信息中获取数据，存在着数据稀疏以及冷启动等相关问题。基于社会影响理论可知，具有相互联系的人同时会对对方产生影响，两者之间关系越密切，来往越频繁，这种影响也将会越大。因此，社交推荐作为一种利用社交域的信息来提高用户行为域预测精准度的推荐系统，在一定程度上能缓解行为域存在的数据稀疏等固有问题的影响。根据社交推荐算法的脉络发展，其大体经历了基于传统的协同过滤的方法到基于图嵌入的社交推荐算法，近年来社交推荐领域的学者又将现有的机器学习模型应用到社交推荐当中，比如将图卷积网络gnn模型作为基础应用到社交推荐系统中，都取得了不错的成果。
4.现有技术公开了一种增强邻居关系的社交推荐方法及系统，如图1所示，该方法提出了一个通过增强邻居关系的社交推荐模型，该模型通过建立用户和项目的映射，进行用户和项目的邻居的亲密度计算，基于亲密度进行用户和项目的邻居采样，并通过自注意力机制根据亲密度计算采样邻居的权重后，计算得到项目社交空间表示和用户社交空间表示，结合项目自身特征表示和用户自身特征表示，得到项目特征表示和用户特征表示。削弱了无效邻居的影响，提高社交推荐的精准度。
5.有学者提供一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法，如图2所示，该方法有效的结合用户的社交信息和兴趣信息，并将两者同时整合到一个模型中，捕捉用户与用户之间和用户与物品之间的高阶关联信息，并采用分层的注意力机制训练，最大化利用用户数据，实现对用户进行更精准的商品推荐。
6.上述方法分别从增强邻居关系、结合用户社交和兴趣信息来对用户进行更精确的表示，虽然一定程度上缓解了用户数据稀疏的问题，但是并没有考虑到性格对于用户偏好的影响。


技术实现要素：

7.本发明的目的是提供一种基于性格感知及复杂关系交互的服务推荐系统，包括信息获取模块、用户性格子图生成模块、信息传播模块、信息融合模块和个性化推荐模块；
8.所述信息获取模块随机生成用户向量信息和服务向量信息并传输至用户性格子图生成模块和信息传播模块；
9.所述信息获取模块获取服务表示集合并传输至个性化推荐模块；
10.所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户性格子图，并传输至信息传播模块；
11.所述用户性格子图包括用户-服务交互性格子图和用户社交-兴趣性格子图n表示性格类型的数量；分别表示第rn个用户-服务交互性格子图、第sn个用户社交-兴趣性格子图；
12.根据用户性格子图，所述信息传播模块对用户向量信息进行处理，得到不同层级的用户社交表示集合和用户兴趣表示集合并传输至信息融合模块；
13.所述信息融合模块对用户社交表示集合和用户兴趣表示集合进行融合，得到用户表示集合并传输至个性化推荐模块；
14.所述个性化推荐模块对用户表示集合和服务表示集合进行两两匹配，当用户和服务之间的匹配度大于等于阈值ε，则向该用户推荐对应服务。
15.进一步，所述信息获取模块采用边结构信息或标准正态分布随机生成用户向量信息和服务向量信息n和m分别表示用户数量以及服务数量，d表示的是向量的维度。
16.进一步，所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户-服务交互性格子图的步骤包括：
17.a1)用户性格子图生成模块将用户初始向量信息和一阶用户-服务交互性格向量进行融合，得到用户u的融合嵌入向量f
u1
，即：
[0018][0019][0020]
式中，nu、nu表示用户节点集和服务节点集；
[0021]
a2)将融合嵌入向量f
u1
输入到用于性格分类的两层完全连接神经网络中，得到用户一服务交互性格表征参量u
o1
，即：
[0022]uh1
＝σ(w
11fu1
+b
11
)
ꢀꢀ
(3)
[0023]uo1
＝(w
12uh1
+b
12
)
ꢀꢀ
(4)
[0024]
式中，w
11
、w
12
分别表示权重矩阵；分别表示权重矩阵；b
11
、b
12
分别表示权重偏差；σ(
·
)是激活函数；u
h1
为第一层完全连接神经网络的输出；
[0025]
a3)根据用户-服务交互性格表征参量u
o1
，将所有用户划分到不同用户-服务交互性格子图中。
[0026]
进一步，所述激活函数为leakyrelu激活函数。
[0027]
进一步，所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户社交-兴趣性格子图的步骤包括：
[0028]
b1)获取用户u在用户社交图中的第一层嵌入
[0029]
将用户初始向量信息和第一层嵌入进行融合，得到用户u的融合嵌入向量f
u2
，即：
[0030][0031]
b2)将融合嵌入向量f
u2
输入到用于性格分类的两层完全连接神经网络中，得到用户社交-兴趣性格表征参量u
o2
，即：
[0032]uh2
＝σ(w
21fu2
+b
21
)
ꢀꢀ
(6)
[0033]uo2
＝(w
22uh2
+b
22
)
ꢀꢀ
(7)
[0034]
式中，u
h2
为用于性格分类的两层完全连接神经网络的第一层输出；w
21
、w
22
分别表示权重矩阵；b
21
、b
22
分别表示权重偏差；σ(
·
)是激活函数；
[0035]
b3)根据用户-服务交互性格表征参量u
o2
，将所有用户划分到不同用户社交-兴趣性格子图中。
[0036]
进一步，所述信息传播模块对用户向量信息进行处理，得到不同层级的用户性格表示集合的步骤包括：
[0037]
c1)将用户向量信息输入到信息传播模块的图卷积网络中；
[0038]
c2)图卷积网络在用户社交图上对用户向量信息迭代k次，得到不同层级的用户社交表示集合
[0039]
其中，第k+1层用户社交表示如下所示：
[0040][0041]
式中，表示用户u在社交图上的相邻用户集合；表示用户v在社交图上的相
邻用户集合；
[0042]
图卷积网络在用户-服务交互性格子图上对用户向量信息迭代k次，得到不同层级的用户兴趣表示集合
[0043]
其中，第k+1层用户兴趣表示如下所示：
[0044][0045]
式中，表示用户u在用户服务图上的相邻节点的集合；表示服务i在用户服务图上的相邻节点的集合。
[0046]
进一步，所述信息融合模块对用户社交表示集合和用户兴趣表示集合进行融合的步骤包括：
[0047]
d1)对用户社交表示集合和用户兴趣表示集合中的元素进行乘积，得到：
[0048][0049]
式中，
⊙
表示两个向量之间的元素级乘积；为用户性格表示、用户兴趣表示；x
ij
为乘积结果；
[0050]
d2)将乘积结果输入到三层神经网络中，生成用户表示集合即：
[0051]
x1＝σ(ξ1x
ij
+a1)
[0052]
x2＝σ(ξ2x1+a2)
[0053]
x3＝ξ3x2+a3[0054][0055]
式中，x1、x2、x3分别表示第一、二、三层神经网络中的用户表示；xo为将三层神经网络输出融合后的最终用户表示。ξ
1、
ξ2、ξ3为权重；a1、a2、a3为偏置。
[0056]
进一步，所述个性化推荐模块对用户表示集合和服务表示集合进行两两匹配的步骤包括：
[0057]
e1)计算用户向量表示eu和服务向量表示ev，即：
[0058][0059][0060]
式中，αk为参量；
[0061]
e2)计算目标用户u与服务i之间的匹配度即：
[0062][0063]
式中，eu、ev分别表示eu、ev的行向量；
[0064]
e3)判断匹配度是否大于等于阈值，若是，则向用户u推荐服务i。
[0065]
本发明的技术效果是毋庸置疑的，本发明通过捕捉用户性格类型，从而匹配到与其有相似性格的用户群体偏好。例如，a型性格的用户缺乏耐心、不注重服务细节，这类用户相较于其他用户而言，花时间在同类型服务之间来回比较的概率相对较低；b型性格的用户耐心且注重细节，此类用户对服务本身要求较高，接受相似服务推荐的概率较大。因此，本发明将用户性格对用户偏好的影响考虑在内，构建用户性格图，提升用户表示的精准度。
[0066]
本发明将用户性格考虑在影响推荐准确率的因素当中。除了用户-服务交互图，本发明另外构建了用户-服务性格图以及用户社交-兴趣性格图，用户表示分别在这两种图上传播，利用用户性格数据增强用户和服务表示，利用元素级乘积充分融合用户、服务表示，确保用户在两个图中学习到的信息不会相互冲突，确保推荐效果提升。
附图说明
[0067]
图1为现有技术示意图i；
[0068]
图2为现有技术示意图ii；
[0069]
图3为服务推荐系统工作流程图；
[0070]
图4为服务推荐系统模型图；
[0071]
图5为在lastfm与ciao中实验值对比。
具体实施方式
[0072]
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
[0073]
实施例1：
[0074]
参见图3至图5，一种基于性格感知及复杂关系交互的服务推荐系统，包括信息获取模块、用户性格子图生成模块、信息传播模块、信息融合模块和个性化推荐模块；
[0075]
所述信息获取模块随机生成用户向量信息和服务向量信息并传输至用户性格子图生成模块和信息传播模块；
[0076]
所述信息获取模块获取服务表示集合并传输至个性化推荐模块；
[0077]
所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户性格子图，并传输至信息传播模块；
[0078]
所述用户性格子图包括用户-服务交互性格子图和用户社交-兴趣性格子图n表示性格类型的数量；分别表示第rn个用
户-服务交互性格子图、第sn个用户社交-兴趣性格子图；
[0079]
根据用户性格子图，所述信息传播模块对用户向量信息进行处理，得到不同层级的用户社交表示集合和用户兴趣表示集合并传输至信息融合模块；
[0080]
所述信息融合模块对用户社交表示集合和用户兴趣表示集合进行融合，得到用户表示集合并传输至个性化推荐模块；
[0081]
所述个性化推荐模块对用户表示集合和服务表示集合进行两两匹配，当用户和服务之间的匹配度大于等于阈值ε，则向该用户推荐对应服务。
[0082]
所述信息获取模块采用边结构信息或标准正态分布随机生成用户向量信息和服务向量信息n和m分别表示用户数量以及服务数量，d表示的是向量的维度。
[0083]
所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户-服务交互性格子图的步骤包括：
[0084]
a1)用户性格子图生成模块将用户初始向量信息和一阶用户-服务交互性格向量进行融合，得到用户u的融合嵌入向量f
u1
，即：
[0085][0086][0087]
式中，nu、ni表示用户节点集和服务节点集；
[0088]
a2)将融合嵌入向量f
u1
输入到用于性格分类的两层完全连接神经网络中，得到用户-服务交互性格表征参量u
o1
，即：
[0089]uh1
＝σ(w
11fu1
+b
11
)
ꢀꢀ
(3)
[0090]uo1
＝(w
12uh1
+b
12
)
ꢀꢀ
(4)
[0091]
式中，w
11
、w
12
分别表示权重矩阵；分别表示权重矩阵；b
11
、b
12
分别表示权重偏差；σ(
·
)是激活函数；u
h1
为第一层完全连接神经网络的输出；
[0092]
a3)根据用户-服务交互性格表征参量u
o1
，将所有用户划分到不同用户-服务交互性格子图中。
[0093]
所述激活函数为leakyrelu激活函数。
[0094]
所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户社交-兴趣性格子图的步骤包括：
[0095]
b1)获取用户u在用户社交图中的第一层嵌入
[0096]
将用户初始向量信息和第一层嵌入进行融合，得到用户u的融合嵌入向量f
u2
，即：
[0097][0098]
b2)将融合嵌入向量f
u2
输入到用于性格分类的两层完全连接神经网络中，得到用户社交-兴趣性格表征参量u
o2
，即：
[0099]uh2
＝σ(w
21fu2
+b
21
)
ꢀꢀ
(6)
[0100]uo2
＝(w
22uh2
+b
22
)
ꢀꢀ
(7)
[0101]
式中，u
h2
为用于性格分类的两层完全连接神经网络的第一层输出；w
21
、w
22
分别表示权重矩阵；b
21
、b
22
分别表示权重偏差；σ(
·
)是激活函数；
[0102]
b3)根据用户-服务交互性格表征参量u
o2
，将所有用户划分到不同用户社交-兴趣性格子图中。
[0103]
所述信息传播模块对用户向量信息进行处理，得到不同层级的用户性格表示集合的步骤包括：
[0104]
c1)将用户向量信息输入到信息传播模块的图卷积网络中；
[0105]
c2)图卷积网络在用户社交图上对用户向量信息迭代k次，得到不同层级的用户社交表示集合
[0106]
其中，第k+1层用户社交表示如下所示：
[0107][0108]
式中，表示用户u在社交图上的相邻用户集合；表示用户v在社交图上的相邻用户集合；
[0109]
图卷积网络在用户-服务交互性格子图上对用户向量信息迭代k次，得到不同层级的用户兴趣表示集合
[0110]
其中，第k+1层用户兴趣表示如下所示：
[0111][0112]
式中，表示用户u在用户服务图上的相邻节点的集合；表示服务i在用户服
务图上的相邻节点的集合。
[0113]
所述信息融合模块对用户社交表示集合和用户兴趣表示集合进行融合的步骤包括：
[0114]
d1)对用户社交表示集合和用户兴趣表示集合中的元素进行乘积，得到：
[0115][0116]
式中，
⊙
表示两个向量之间的元素级乘积；为用户性格表示、用户兴趣表示；x
ij
为乘积结果；
[0117]
d2)将乘积结果输入到三层神经网络中，生成用户表示集合即：
[0118]
x1＝σ(ξ1x
ij
+a1)
[0119]
x2＝σ(ξ2x1+a2)
[0120]
x3＝ξ3x2+a3[0121][0122]
式中，x1、x2、x3分别表示第一、二、三层神经网络中的用户表示；xo为将三层神经网络输出融合后的最终用户表示。ξ1、ξ2、ξ3为权重；a1、a2、a3为偏置。
[0123]
所述个性化推荐模块对用户表示集合和服务表示集合进行两两匹配的步骤包括：
[0124]
e1)计算用户向量表示eu和服务向量表示ev，即：
[0125][0126][0127]
式中，αk为影响因子；
[0128]
e2)计算目标用户u与服务i之间的匹配度即：
[0129][0130]
式中，eu、ev分别表示eu、ev的行向量；
[0131]
e3)判断匹配度是否大于等于阈值，若是，则向用户u推荐服务i。
[0132]
实施例2：
[0133]
一种基于性格感知及复杂关系交互的服务推荐系统，包括信息获取模块、用户性格子图生成模块、信息传播模块、信息融合模块和个性化推荐模块；
[0134]
所述信息获取模块随机生成用户向量信息和服务向量信息并传输至用户性格子图生成模块和信息传播模块；
[0135]
所述信息获取模块获取服务表示集合并传输至个性化推荐模块；
[0136]
所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户性格子图，并传输至信息传播模块；
[0137]
所述用户性格子图包括用户-服务交互性格子图和用户社交-兴趣性格子图n表示性格类型的数量；分别表示第rn个用户-服务交互性格子图、第sn个用户社交-兴趣性格子图；
[0138]
根据用户性格子图，所述信息传播模块对用户向量信息进行处理，得到不同层级的用户社交表示集合和用户兴趣表示集合并传输至信息融合模块；
[0139]
所述信息融合模块对用户社交表示集合和用户兴趣表示集合进行融合，得到用户表示集合并传输至个性化推荐模块；
[0140]
所述个性化推荐模块对用户表示集合和服务表示集合进行两两匹配，当用户和服务之间的匹配度大于等于阈值ε，则向该用户推荐对应服务。
[0141]
实施例3：
[0142]
一种基于性格感知及复杂关系交互的服务推荐系统，主要内容见实施例2，其中，所述信息获取模块采用边结构信息或标准正态分布随机生成用户向量信息和服务向量信息n和m分别表示用户数量以及服务数量，d表示的是向量的维度。
[0143]
实施例4：
[0144]
一种基于性格感知及复杂关系交互的服务推荐系统，主要内容见实施例2，其中，所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户-服务交互性格子图的步骤包括：
[0145]
a1)用户性格子图生成模块将用户初始向量信息和一阶用户-服务交互性格向量进行融合，得到用户u的融合嵌入向量f
u1
，即：
[0146][0147][0148]
式中，nu、ni表示用户节点集和服务节点集；
[0149]
a2)将融合嵌入向量f
u1
输入到用于性格分类的两层完全连接神经网络中，得到用户-服务交互性格表征参量u
o1
，即：
[0150]uh1
＝σ(w
11fu1
+b
11
)
ꢀꢀ
(3)
[0151]uo1
＝(w
12uh1
+b
12
)
ꢀꢀ
(4)
[0152]
式中，w
11
、w
12
分别表示权重矩阵；分别表示权重矩阵；b
11
、b
12
分别表示权重偏差；σ(
·
)是激活函数；u
h1
为第一层完全连接神经网络的输出；
[0153]
a3)根据用户-服务交互性格表征参量u
o1
，将所有用户划分到不同用户-服务交互性格子图中。
[0154]
实施例5：
[0155]
一种基于性格感知及复杂关系交互的服务推荐系统，主要内容见实施例2，其中，所述激活函数为leakyrelu激活函数。
[0156]
实施例6：
[0157]
一种基于性格感知及复杂关系交互的服务推荐系统，主要内容见实施例2，其中，所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户社交-兴趣性格子图的步骤包括：
[0158]
b1)获取用户u在用户社交图中的第一层嵌入
[0159]
将用户初始向量信息和第一层嵌入进行融合，得到用户u的融合嵌入向量f
u2
，即：
[0160][0161]
b2)将融合嵌入向量f
u2
输入到用于性格分类的两层元全连接神经网络中，得到用户社交-兴趣性格表征参量u
o2
，即：
[0162]uh2
＝σ(w
21fu2
+b
21
)
ꢀꢀ
(6)
[0163]uo2
＝(w
22uh2
+b
22
)
ꢀꢀ
(7)
[0164]
式中，u
h2
为用于性格分类的两层完全连接神经网络的第一层输出；w
21
、w
22
分别表示权重矩阵；b
21
、b
22
分别表示权重偏差；σ(
·
)是激活函数；
[0165]
b3)根据用户一服务交互性格表征参量u
o2
，将所有用户划分到不同用户社交-兴趣性格子图中。
[0166]
实施例7：
[0167]
一种基于性格感知及复杂关系交互的服务推荐系统，主要内容见实施例2，其中，所述信息传播模块对用户向量信息进行处理，得到不同层级的用户性格表示集合的步骤包括：
[0168]
c1)将用户向量信息输入到信息传播模块的图卷积网络中；
[0169]
c2)图卷积网络在用户社交图上对用户向量信息迭代k次，得到不同层级的用户社
交表示集合
[0170]
其中，第k+1层用户社交表示如下所示：
[0171][0172]
式中，表示用户u在社交图上的相邻用户集合；表示用户v在社交图上的相邻用户集合；
[0173]
图卷积网络在用户-服务交互性格子图上对用户向量信息迭代k次，得到不同层级的用户兴趣表示集合
[0174]
其中，第k+1层用户兴趣表示如下所示：
[0175][0176]
式中，表示用户u在用户服务图上的相邻节点的集合；表示服务i在用户服务图上的相邻节点的集合。
[0177]
实施例8：
[0178]
一种基于性格感知及复杂关系交互的服务推荐系统，主要内容见实施例2，其中，所述信息融合模块对用户社交表示集合和用户兴趣表示集合进行融合的步骤包括：
[0179]
d1)对用户社交表示集合和用户兴趣表示集合中的元素进行乘积，得到：
[0180][0181]
式中，
⊙
表示两个向量之间的元素级乘积；为用户性格表示、用户兴趣表示；x
ij
为乘积结果；
[0182]
d2)将乘积结果输入到三层神经网络中，生成用户表示集合即：
[0183]
x1＝σ(ξ1x
ij
+a1)
[0184]
x2＝σ(ξ2x1+a2)
[0185]
x3＝ξ3x2+a3[0186][0187]
式中，x1、x2、x3分别表示第一、二、三层神经网络中的用户表示；xo为将三层神经网络输出融合后的最终用户表示。ξ
1、
ξ2、ξ3为权重；a1、a2、a3为偏置。
[0188]
实施例9：
[0189]
一种基于性格感知及复杂关系交互的服务推荐系统，主要内容见实施例2，其中，所述个性化推荐模块对用户表示集合和服务表示集合进行两两匹配的步骤包括：
[0190]
e1)计算用户向量表示eu和服务向量表示ev，即：
[0191][0192][0193]
式中，αk为影响因子；
[0194]
e2)计算目标用户u与服务i之间的匹配度即：
[0195][0196]
式中，eu、ev分别表示eu、ev的行向量；
[0197]
e3)判断匹配度是否大于等于阈值，若是，则向用户u推荐服务i。
[0198]
实施例10：
[0199]
一种基于性格感知及复杂关系交互的服务推荐系统，包括信息获取模块、用户性格的划分及捕捉模块、信息传播模块、信息融合模块以及个性化推荐模块。
[0200]
信息获取。
[0201]
信息获取模块随机生成用户向量信息和服务向量信息其中，信息获取模块采用了边结构信息或标准正态分布随机生成用户向量信息和服务向量信息n和m分别表示用户数量以及服务数量，d表示的是向量的维度。
[0202]
用户性格子图生成。
[0203]
所述用户性格子图生成模块旨在将性格相似的用户划分为一个个相同的组，并以此为基础生成用户性格子图。
[0204]
具体而言，用图表示用户-服务交互图，将具有相似性格的用户划分为一个组，生成用户-服务交互性格子图用图表示用户社交图，性格子图模块将具有相似兴趣的用户分组到同一社交网络当中，生成用户社交-兴趣性格子图其中，n表示性格类型的数量。
[0205]
获取用户-服务交互性格子图以及用户社交-兴趣性格子图的具体步骤如下：
[0206]
用户-服务性格子图生成。
[0207]
将用户初始向量信息和一阶用户-服务交互性格向量输入到融合模块生成用户u的融合嵌入向量：
[0208]
[0209]
其中，fu表示u的融合嵌入，fu(
·
)表示新的融合模块。将新的融合向量输入到两层完全连接神经网络对用户进行性格分类：
[0210]
uh＝σ(w1fu+b1)
[0211]
uo＝(w2uh+b2)
ꢀꢀ
(2)
[0212]
式中，w1、w2以及b1、b2分别表示权重矩阵以及权重偏差，有权重矩阵权重偏差σ(
·
)是leakyrelu激活函数。利用无监督分类将用户组分割成不同性格的子图。相同子图中嵌入的fu相似，同时uo也相似，uo中最大值的索引表示为用户u所属性格子图的编号。
[0213]
用户社交-兴趣性格子图生成。
[0214]
表示用户u在用户社交图中的第一层嵌入。与用户-服务性格子图相同，将用户初始向量信息和输入到融合模块生成用户u的融合嵌入向量：
[0215][0216]
将新的融合向量输入到两层完全连接神经网络对用户进行性格分类：
[0217]
uh＝σ(w1fu+b1)
[0218]
uo＝(w2uh+b2)
ꢀꢀ
(4)
[0219]
其中，目标用户u仅会出现在一个用户-服务交互性格子图及一个用户社交-兴趣性格子图当中。同时目标用户u的一跳邻居，即与用户u直接连接的项目或朋友，将会与用户u添加到同一子图当中。
[0220]
信息传播
[0221]
所述信息传播模块有用户服务交互子图、用户社交关系子图和图卷积神经网络。所述用户服务交互子图是相同性格的用户以及其交互的服务所构成的性格子图；所述用户社交关系子图是相同性格的用户社交关系的性格子图。
[0222]
获取不同层级的用户性格表示集合的步骤包括：
[0223]
1)将用户向量信息输入到图卷积网络，图卷积网络在用户社交图上对用户向量信息迭代k次，得到不同层级的用户社交表示集合
[0224]
2)将用户向量信息输入到图卷积网络，图卷积网络在用户-服务交互图上对用户向量信息迭代k次，得到不同层级的用户兴趣表示集合
[0225]
其中，第k+1层用户社交表示如下所示：
[0226][0227]
式中，表示用户u在社交图上的相邻用户集合。表示用户v在社交图上的相
邻用户集合。
[0228]
3)第k+1层用户兴趣表示如下所示：
[0229][0230]
信息融合
[0231]
所述信息融合模块，本发明采用一种新的特征融合算法来融合来自从用户-服务社交性格子图以及用户社交-兴趣性格子图中获得的用户表示。具体包括，有从不同子图或不同连接层中的用户表示hi及hi，并对其进行元素级乘积：
[0232]
x
ij
＝[hi，hj，hi⊙hj
]
ꢀꢀ
(7)
[0233]
式中，
⊙
表示两个向量之间的元素级乘积。将x
ij
输入到三层神经网络生成最终表示：
[0234]
x1＝σ(ξ1x
ij
+a1)
[0235]
x2＝σ(ξ2x1+a2)
[0236]
x3＝ξ3x2+a3[0237][0238]
所述信息融合模块，其中x1、x2、x3分别表示三层神经网络中的用户表示，xo为将三层神经网络输出融合后的最终表示。
[0239]
个性化推荐
[0240]
所述个性化推荐模块根据项目表示集合以及用户表示集合确定用户与项目之间的匹配程度，当匹配度到达阈值ε，则会向目标用户进行推荐。具体步骤如下：
[0241]
计算用户向量表示eu以及服务向量表示ev。
[0242][0243][0244]
计算目标用户u与项目i之间的匹配程度
[0245][0246]
式中，eu、ev分别表示eu、ev的行向量。
[0247]
实施例11：
[0248]
基于性格感知及复杂关系交互的服务推荐系统的验证试验，内容如下：
[0249]
1)获取数据集，如表1所示。
[0250]
表1实验采用的数据集
[0251][0252]
2)分别利用bpr、lightgcn、imp-gcn三个模型对表1数据进行处理，得到如表2的实验对比值，分别对比了召回率(recall)、归一化折损增益(ndcg)以及准确率(precision)。
[0253]
表2各模型在原始数据集中实验值对比
[0254][0255]
本发明公开了一种基于性格感知及复杂关系交互的服务推荐方法，包括信息获取模块、用户性格的划分及捕捉模块、信息传播模块、信息融合模块以及个性化推荐模块。首次将用户性格考虑在影响推荐准确率的因素当中。除了用户-服务交互图，本发明另外构建了用户-服务性格图以及用户社交-兴趣性格图，用户表示分别在这两种图上传播，利用用户性格数据增强用户和服务表示，利用元素级乘积充分融合用户、服务表示，确保用户在两个图中学习到的信息不会相互冲突，确保推荐效果提升。

技术特征：
1.一种基于性格感知及复杂关系交互的服务推荐系统，其特征在于，包括信息获取模块、所述用户性格子图生成模块、信息传播模块、信息融合模块和个性化推荐模块。所述信息获取模块随机生成用户向量信息和服务向量信息并传输至用户性格子图生成模块和信息传播模块；所述信息获取模块获取服务表示集合并传输至个性化推荐模块；所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户性格子图，并传输至信息传播模块；所述用户性格子图包括用户-服务交互性格子图和用户社交-兴趣性格子图n表示性格类型的数量；分别表示第rn个用户-服务交互性格子图、第sn个用户社交-兴趣性格子图；根据用户性格子图，所述信息传播模块对用户向量信息进行处理，得到不同层级的用户社交表示集合和用户兴趣表示集合并传输至信息融合模块；所述信息融合模块对用户社交表示集合和用户兴趣表示集合进行融合，得到用户表示集合并传输至个性化推荐模块；所述个性化推荐模块对用户表示集合和服务表示集合进行两两匹配，当用户和服务之间的匹配度大于等于阈值ε，则向该用户推荐对应服务。2.根据权利要求1所述的一种基于性格感知及复杂关系交互的服务推荐系统，其特征在于，所述信息获取模块采用边结构信息或标准正态分布随机生成用户向量信息和服务向量信息n和m分别表示用户数量以及服务数量，d表示的是向量的维度。3.根据权利要求1所述的一种基于性格感知及复杂关系交互的服务推荐系统，其特征在于，所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户-服务交互性格子图的步骤包括：1)用户性格子图生成模块将用户初始向量信息和一阶用户-服务交互性格向量进行融合，得到用户u的融合嵌入向量f
u1
，即：，即：式中，n
u
、n
i
表示用户节点集和服务节点集；2)将融合嵌入向量f
u1
输入到用于性格分类的两层完全连接神经网络中，得到用户-服
务交互性格表征参量u
o1
，即：u
h1
＝σ(w
11
f
u1
+b
11
)
ꢀꢀꢀ
(3)u
o1
＝(w
12
u
h1
+b
12
)
ꢀꢀ
(4)式中，w
11
、w
12
分别表示权重矩阵；分别表示权重矩阵；b
11
、b
12
分别表示权重偏差；σ(
·
)是激活函数；u
h1
为第一层完全连接神经网络的输出；3)根据用户-服务交互性格表征参量u
o1
，将所有用户划分到不同用户-服务交互性格子图中。4.根据权利要求3所述的一种基于性格感知及复杂关系交互的服务推荐系统，其特征在于，所述激活函数为leakyrelu激活函数。5.根据权利要求1所述的一种基于性格感知及复杂关系交互的服务推荐系统，其特征在于，所述用户性格子图生成模块对用户向量信息和服务向量信息进行处理，生成用户社交-兴趣性格子图的步骤包括：1)获取用户u在用户社交图中的第一层嵌入将用户初始向量信息和第一层嵌入进行融合，得到用户u的融合嵌入向量f
u2
，即：2)将融合嵌入向量f
u2
输入到用于性格分类的两层完全连接神经网络中，得到用户社交-兴趣性格表征参量u
o2
，即：u
h2
＝σ(w
21
f
u2
+b
21
)
ꢀꢀ
(6)u
o2
＝(w
22
u
h2
+b
22
)
ꢀꢀ
(7)式中，u
h2
为用于性格分类的两层完全连接神经网络的第一层输出；w
21
、w
22
分别表示权重矩阵；b
21
、b
22
分别表示权重偏差；σ(
·
)是激活函数；3)根据用户-服务交互性格表征参量u
o2
，将所有用户划分到不同用户社交-兴趣性格子图中。6.根据权利要求1所述的一种基于性格感知及复杂关系交互的服务推荐系统，其特征在于，所述信息传播模块对用户向量信息进行处理，得到不同层级的用户性格表示集合的步骤包括：1)将用户向量信息输入到信息传播模块的图卷积网络中；2)图卷积网络在用户社交图上对用户向量信息迭代k次，得到不同层级的用户社交表示集合
其中，第k+1层用户社交表示如下所示：式中，表示用户u在社交图上的相邻用户集合；表示用户v在社交图上的相邻用户集合；图卷积网络在用户-服务交互性格子图上对用户向量信息迭代k次，得到不同层级的用户兴趣表示集合其中，第k+1层用户兴趣表示如下所示：式中，表示用户u在用户服务图上的相邻节点的集合；表示服务i在用户服务图上的相邻节点的集合。7.根据权利要求1所述的一种基于性格感知及复杂关系交互的服务推荐系统，其特征在于，所述信息融合模块对用户社交表示集合和用户兴趣表示集合进行融合的步骤包括：1)对用户社交表示集合和用户兴趣表示集合中的元素进行乘积，得到：式中，
⊙
表示两个向量之间的元素级乘积；为用户性格表示、用户兴趣表示；x
ij
为乘积结果；2)将乘积结果输入到三层神经网络中，生成用户表示集合即：x1＝σ(ξ1x
ij
+a1)x2＝σ(ξ2x1+a2)x3＝ξ3x2+a3式中，x1、x2、x3分别表示第一、二、三层神经网络中的用户表示；x
o
为将三层神经网络输出融合后的最终用户表示。ξ1、ξ2、ξ3为权重；a1、a2、a3为偏置。8.根据权利要求1所述的一种基于性格感知及复杂关系交互的服务推荐系统，其特征在于，所述个性化推荐模块对用户表示集合和服务表示集合进行两两匹配的步骤包括：1)计算用户向量表示e
u
和服务向量表示e
v
，即：
式中，α
k
为参量；2)计算目标用户u与服务i之间的匹配度即：式中，e
u
、e
v
分别表示e
u
、e
v
的行向量；3)判断匹配度是否大于等于阈值，若是，则向用户u推荐服务i。

技术总结
本发明公开一种基于性格感知及复杂关系交互的服务推荐系统，包括信息获取模块、用户性格子图生成模块、信息传播模块、信息融合模块和个性化推荐模块；本发明将用户性格对用户偏好的影响考虑在内，构建用户性格图，提升了用户表示的精准度。用户表示的精准度。用户表示的精准度。


技术研发人员：杨正益 郭向星 杨佳佳 周魏 文俊浩 王丽平 易雄宇
受保护的技术使用者：重庆大学
技术研发日：2023.02.23
技术公布日：2023/7/12