CN119089398B 基于語義識別的內(nèi)容推 薦方法及系統(tǒng) （杭州惠民征信有限公司）

本發(fā)明公開了基于語義識別的內(nèi)容推薦方并通過多層圖卷積網(wǎng)絡(luò)進(jìn)行節(jié)點(diǎn)和邊的表示學(xué)Transformer模型的自注意力機(jī)制和多頭注意力適應(yīng)學(xué)習(xí)算法動態(tài)調(diào)整和優(yōu)化推薦內(nèi)容的生成2通過自然語言處理技術(shù)解析用戶通過文本、語音或視頻輸入的需基于用戶語義表示數(shù)據(jù)和記錄了用戶在平臺上的交互歷史的用將時(shí)間序列特征數(shù)據(jù)與調(diào)整后的用戶興趣圖譜表示數(shù)據(jù)進(jìn)行融合，生成時(shí)間利用時(shí)間序列用戶興趣圖譜表示數(shù)據(jù)，通過Transformer模型的自注意力機(jī)制和多頭收集用戶的多模態(tài)信息，并將其與個性化推薦實(shí)時(shí)展示優(yōu)化后的多模態(tài)推薦內(nèi)容數(shù)據(jù)給用戶，收集述通過自適應(yīng)學(xué)習(xí)算法動態(tài)調(diào)整和優(yōu)化推薦內(nèi)容的生根據(jù)用戶反饋特征數(shù)據(jù)，利用自適應(yīng)學(xué)習(xí)算法對推薦內(nèi)容的生成策將更新后的多模態(tài)推薦內(nèi)容數(shù)據(jù)應(yīng)用到實(shí)時(shí)推薦生成模塊，動態(tài)調(diào)整3v在第k層的特征向量；(v)為節(jié)點(diǎn)v的鄰居節(jié)點(diǎn)集合；cvu為歸和分別代表圖中的節(jié)點(diǎn)i和j的特征向量；a為注意力節(jié)點(diǎn)特征向量；‖表示拼接操作，將經(jīng)過權(quán)重矩陣變換后的節(jié)點(diǎn)特征向量拼接起來；LeakyReLU是激活函數(shù)，用來增強(qiáng)模型的非線性特性。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過將時(shí)間序列用戶興趣圖譜表示數(shù)據(jù)轉(zhuǎn)換為Transformer模應(yīng)用自注意力機(jī)制計(jì)算每個節(jié)點(diǎn)的重要性，對編碼用戶興趣數(shù)據(jù)w'為查詢向量的權(quán)重矩陣；wf為鍵向量的權(quán)重矩陣；w"為值向量的權(quán)重矩49.一種用于實(shí)施權(quán)利要求1_8任一所述基于語義識別的內(nèi)容推薦方法的系統(tǒng)，其特征用戶興趣圖譜構(gòu)建模塊，基于用戶語義表示數(shù)據(jù)多模態(tài)信息收集和融合模塊，收集用戶的多模態(tài)信息實(shí)時(shí)展示和反饋收集模塊，實(shí)時(shí)展示優(yōu)化后的多模態(tài)推薦內(nèi)容5[0005]現(xiàn)有的基于圖協(xié)同過濾和知識圖注意力網(wǎng)絡(luò)的推薦方法在數(shù)據(jù)稀疏性和冷啟動絡(luò)和Transformer模型進(jìn)行節(jié)點(diǎn)和邊的表示學(xué)習(xí)和推薦內(nèi)容生成，通過引入多模態(tài)信息融[0013]利用時(shí)間序列用戶興趣圖譜表示數(shù)據(jù)，通過Transformer模型的自注意力機(jī)制和6自適應(yīng)學(xué)習(xí)算法動態(tài)調(diào)整和優(yōu)化推薦內(nèi)容的生成策略，確保推薦內(nèi)容的持續(xù)精準(zhǔn)和個性7[0043]優(yōu)選的，所述結(jié)合對比學(xué)習(xí)模塊優(yōu)化用戶興趣表示和推薦內(nèi)容之間的匹配度包[0054]利用多模態(tài)融合算法對標(biāo)準(zhǔn)化多模態(tài)特征數(shù)據(jù)和個性化8[0063]將更新后的多模態(tài)推薦內(nèi)容數(shù)據(jù)應(yīng)用到實(shí)時(shí)推薦生成模[0064]以及一種用于實(shí)施所述基于語義識別的內(nèi)容推薦方法的9框或其組合可以由計(jì)算機(jī)程序指令來實(shí)現(xiàn)。這些計(jì)算機(jī)程序指令可以提供給通用計(jì)算機(jī)、[0092]如圖3所示，基于用戶語義表示數(shù)據(jù)和用戶歷史行為數(shù)據(jù)，動態(tài)構(gòu)建用戶興趣圖處理用戶興趣圖譜這種非歐幾里得空間數(shù)據(jù)。GCN的每一層都會對節(jié)點(diǎn)及其鄰居節(jié)點(diǎn)的信[0095]為了捕捉用戶興趣的時(shí)間序列變化，系統(tǒng)引入時(shí)間序列用戶興趣圖譜表示數(shù)能在某一段時(shí)間內(nèi)對某個主題特別感興趣，而在另一段時(shí)間對其他主題表現(xiàn)出更多關(guān)注。v在第k層的特征向量；N(v)為節(jié)點(diǎn)v的鄰居節(jié)點(diǎn)集合；cmcij為邊(i,j)的權(quán)重；和分別代表圖中的節(jié)點(diǎn)i和j的特征向量；a為捕捉用戶興趣隨時(shí)間變化的動態(tài)模式。這一過程確保了系統(tǒng)不僅能夠理解用戶當(dāng)前的興[0121]舉例來說，如果用戶A在過去幾個月內(nèi)對科技和人工智能相關(guān)內(nèi)容表現(xiàn)出高度興[0123]系統(tǒng)利用時(shí)間序列用戶興趣圖譜表示數(shù)據(jù)，通過Transformer模型的自注意力機(jī)與其興趣表示之間的關(guān)系，而負(fù)樣本對則是用戶不感興趣的內(nèi)容與其興趣表示之間的關(guān)[0138]時(shí)間序列用戶興趣圖譜表示數(shù)據(jù)被轉(zhuǎn)換為Transformer模型的輸入格式。[0140]通過Transformer模型的自注意力機(jī)制和多頭注意力機(jī)制，系統(tǒng)能夠從時(shí)間序列[0141]結(jié)合對比學(xué)習(xí)模塊，系統(tǒng)能夠進(jìn)一步優(yōu)化用戶興趣表示和推薦內(nèi)容之間的匹配[0144]優(yōu)選的，所述結(jié)合對比學(xué)習(xí)模塊優(yōu)化用戶興趣表示和推薦內(nèi)容之間的匹配度包[0161]利用多模態(tài)融合算法對標(biāo)準(zhǔn)化多模態(tài)特征數(shù)據(jù)和個性化自適應(yīng)學(xué)習(xí)算法動態(tài)調(diào)整和優(yōu)化推薦內(nèi)容的生成策略，確保推薦內(nèi)容的持續(xù)精準(zhǔn)和個性系統(tǒng)了解用戶的興趣偏好和行為模式提供了[0189]將更新后的多模態(tài)推薦內(nèi)容數(shù)據(jù)應(yīng)用到實(shí)時(shí)推薦生成模[0192]將更新后的多模態(tài)推薦內(nèi)容數(shù)據(jù)應(yīng)用到實(shí)時(shí)推薦生成模應(yīng)用到實(shí)時(shí)推薦生成模塊，系統(tǒng)能夠確保每一次推薦都能即時(shí)反映用戶的最新興趣和需的興趣變化，動態(tài)調(diào)整推薦策略。優(yōu)化后的推薦內(nèi)容數(shù)據(jù)將反映用戶E對科技創(chuàng)新的高興配度，生成個性化推薦內(nèi)容數(shù)據(jù)。該模塊首先將時(shí)間序列用戶興趣圖譜表示數(shù)據(jù)轉(zhuǎn)換為趣數(shù)據(jù)進(jìn)行加權(quán)處理。多頭注意力機(jī)制進(jìn)一步捕捉用戶興趣圖譜中不同層次和維度的信[0205]這些計(jì)算機(jī)程序指令也可存儲在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一