基于跨场景的个性化服务智能推荐系统.pdf

智能推荐系统，个性化书单推荐 #生活乐趣# #阅读乐趣# #电子阅读的乐趣#

1、(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 202310939348.6(22)申请日 2023.07.28(71)申请人 重庆大学地址 400044 重庆市沙坪坝区沙正街174号(72)发明人 张青青杨正益石锐杨佳佳王丽平郭向星(74)专利代理机构 重庆缙云专利代理事务所(特殊普通合伙)50237专利代理师 左倩(51)Int.Cl.G06Q 30/0601(2023.01)G06F 16/9535(2019.01)(54)发明名称一种基于跨场景的个性化服务智能推荐系统(57)摘要本发明公开一种基于跨场景的个性化服务智能推荐系统，包括信息

2、记录模块、嵌入向量转化模块、用户服务交互模块、个性化特征提取模块、跨场景特征匹配网络构建模块、服务推荐模块；本发明主要针对目前滥用服务投放的困境，通过收集成熟场景的丰富行为数据、用户数据，结合目标场景的稀疏数据，提供冷启动服务推荐方案，满足用户个性化和多样性需求，提升服务关联的商品点击和转化率。本发明通过控制服务展现的范围、展现顺序、展现时机、展现频率，在新用户、新服务、新场景使用PC或移动设备时，帮助推荐系统更准确地为用户推荐服务内容，减弱服务存在感，真正满足用户的需求，提高服务投放的效果。权利要求书2页 说明书9页 附图3页CN 117132345 A2023.11.28CN 117132

3、345 A1.一种基于跨场景的个性化服务智能推荐系统，其特征在于：包括信息记录模块、嵌入向量转化模块、所述用户服务模块、个性化特征提取模块、跨场景特征匹配网络构建模块、服务推荐模块。所述信息记录模块获取多场景数据集，记录多场景数据集中参考场景和目标场景的用户信息、服务信息，统计这些场景内的重叠用户所述嵌入向量转化模块将参考场景和目标场景的用户信息、服务信息转化为用户嵌入向量、服务嵌入向量所述用户服务交互模块根据用户信息、服务信息、用户嵌入向量、服务嵌入向量，生成用户和服务的交互集；所述个性化特征提取模块根据用户和服务的交互集，提取参考场景中具备迁移性的个性化特征；所述跨场景特征匹配网络构建模块

4、根据个性化特征、用户嵌入向量构建跨场景特征匹配网络，并对跨场景特征匹配网络进行训练；所述服务推荐模块将测试集的用户嵌入变量输入至跨场景特征匹配网络中，生成推荐服务。2.根据权利要求1所述的一种基于跨场景的个性化服务智能推荐系统，其特征在于：参考场景的用户信息记为目标场景的用户信息记为参考场景的服务信息记为目标场景的服务信息记为场景内的重叠用户记为3.根据权利要求1所述的一种基于跨场景的个性化服务智能推荐系统，其特征在于：参考场景和目标场景的用户嵌入向量记为参考场景和目标场景的服务嵌入向量记为参数ds,t；s表示参考场景；t表示目标场景。4.根据权利要求1所述的一种基于跨场景的个性化服务智能推荐

5、系统，其特征在于，生成用户和服务的交互集的步骤包括：对比参考场景用户和重叠用户的信息，找出与重叠用户服务评分趋势相似的参考场景用户，并将这些相似参考场景用户的信息补充给重叠用户记录用户和服务的交互配对，重叠用户中来自参考场景的用户ui同服务交互集为其中tn为交互时间戳；表示来自参考场景的用户同服务交互。5.根据权利要求1所述的一种基于跨场景的个性化服务智能推荐系统，其特征在于，所述参考场景中具有迁移性的个性化特征如下所示：式中，参数为注意力机制评分；是参考场景服务嵌入向量。6.根据权利要求1所述的一种基于跨场景的个性化服务智能推荐系统，其特征在于，跨权利要求书1/2 页2CN 11713234

6、5 A2场景特征匹配网络如下所示：式中，为参考场景用户嵌入特征；为用户转化后的嵌入向量；为跨场景特征匹配函数；其中，个性化特性经过双层前反馈网络初始化形成的参数如下所示：式中，g表示双层前反馈网络；为前馈网络中的参数集。7.根据权利要求1所述的一种基于跨场景的个性化服务智能推荐系统，其特征在于，训练跨场景特征匹配网络的目标是和的差距达到最小；和的差距 如下所示：式中，是用户转化后嵌入向量；是目标场景中的用户嵌入向量。为场景内的重叠用户集；ui为场景内的重叠用户。8.根据权利要求1所述的一种基于跨场景的个性化服务智能推荐系统，其特征在于，跨场景特征匹配网络的准确性和误差程度通过参数MAE、参数R

7、MSE表征；参数MAE、参数RMSE分别如下所示：式中，n为样本数量。9.根据权利要求1所述的一种基于跨场景的个性化服务智能推荐系统，其特征在于，所述服务推荐模块将测试集的目标场景用户嵌入变量输入至跨场景特征匹配网络中，生成推荐服务的步骤包括：1)将参考场景用户嵌入向量输入至跨场景特征匹配网络中，用户转化后的目标场景用户嵌入向量2)将嵌入向量与目标场景服务在预训练的DeepFM模型中预估配，得到推荐指标eCTR；3)根据推荐指标，对服务进行排序，并按照顺序展示。10.根据权利要求9所述的一种基于跨场景的个性化服务智能推荐系统，其特征在于，服务推荐指标eCTR如下所示：权利要求书2/2 页3CN

8、 117132345 A3一种基于跨场景的个性化服务智能推荐系统技术领域0001本发明涉及互联网领域，具体是一种基于跨场景的个性化服务智能推荐系统。背景技术0002在信息过载的互联网环境下，用户希望更高效地获取感兴趣的信息，公司也希望产品能够最大限度地吸引和留住用户，从而实现发展。推荐系统就是这样诞生的，它是为了产生个性化的项目推荐和处理信息过载问题而设计的。由于推荐系统在实践中收到了有效的反馈，它不仅在学术界引起了极大的兴趣，而且在工业界也得到了广泛的发展。0003服务投放是互联网平台商业化收入的主要来源。目前存在滥用服务投放的困境，尤其在扩充新行业、新平台等扩展实践中，由于参考数据过少，将

9、过多不适合、不准确的服务推荐给用户。因此掌握使用一种处理稀疏数据，支持跨场景冷启动的推荐方案非常重要。发明内容0004本发明的目的是提供一种基于跨场景的个性化服务智能推荐系统，包括信息记录模块、嵌入向量转化模块、用户服务模块、个性化特征提取模块、跨场景特征匹配网络构建模块、服务推荐模块；0005所述信息记录模块获取多场景数据集，记录多场景数据集中参考场景和目标场景的用户信息、服务信息，统计这些场景内的重叠用户0006所述嵌入向量转化模块将参考场景和目标场景的用户信息、服务信息转化为用户嵌入向量、服务嵌入向量0007所述用户服务交互模块根据用户信息、服务信息、用户嵌入向量、服务嵌入向量，生成用户

10、和服务的交互集；0008所述个性化特征提取模块根据用户和服务的交互集，提取参考场景中具备迁移性的个性化特征；0009所述跨场景特征匹配网络构建模块根据个性化特征、用户嵌入向量构建跨场景特征匹配网络，并对跨场景特征匹配网络进行训练；0010所述服务推荐模块将测试集的用户嵌入变量输入至跨场景特征匹配网络中，生成推荐服务。0011进一步，参考场景的用户信息记为目标场景的用户信息记为参考场景的服务信息记为目标场景的服务信息记为场景内的重叠用户记为0012进一步，参考场景和目标场景的用户嵌入向量记为参考场景和目标场景的服务嵌入向量记为参数ds,t；s表示参考场景；t表示目标场景。0013进一步，生成用户

11、和服务的交互集的步骤包括：0014对比参考场景用户和重叠用户的信息，找出与重叠用户服务评分趋势相似的参考场景用户，并将这些相似参考场景用户的信息补充给重叠用户说明书1/9 页4CN 117132345 A40015记录用户和服务的交互配对，重叠用户中来自参考场景的用户ui同服务交互集为其中tn为交互时间戳。表示来自参考场景的用户同服务交互。0016进一步，所述参考场景中具有迁移性的个性化特征如下所示：00170018式中，参数为注意力机制评分；是参考场景服务嵌入向量。0019进一步，跨场景特征匹配网络如下所示：00200021式中，为参考场景用户嵌入特征；为用户转化后的嵌入向量；为跨场景特征匹

12、配函数；0022其中，个性化特性经过双层前反馈网络初始化形成的参数如下所示：00230024式中，g表示双层前反馈网络；为前馈网络中的参数集；0025进一步，训练跨场景特征匹配网络的目标是和的差距达到最小；0026和的差距如下所示：00270028式中，是用户转化后嵌入向量；是目标场景中的用户嵌入向量。为场景内的重叠用户集；ui为场景内的重叠用户。0029进一步，跨场景特征匹配网络的准确性和误差程度通过参数MAE、参数RMSE表征；0030参数MAE、参数RMSE分别如下所示：00310032式中，n为样本数量。0033进一步，所述服务推荐模块将测试集的目标场景用户嵌入变量输入至跨场景特征匹配

13、网络中，生成推荐服务的步骤包括：00341)将参考场景用户嵌入向量输入至跨场景特征匹配网络中，用户转化后的目标场景用户嵌入向量00352)将嵌入向量与目标场景服务在预训练的DeepFM模型中预估配，得到推荐说明书2/9 页5CN 117132345 A5指标eCTR；00363)根据推荐指标，对服务进行排序，并按照顺序展示。0037进一步，服务推荐指标eCTR如下所示：00380039本发明的技术效果是毋庸置疑的，本发明通过分析用户在参考场景下的行为与兴趣，将用户特征匹配到目标场景，以解决新用户、新平台等数据稀疏冷的问题。模型在多个场景中收集、挖掘和识别用户兴趣，提高服务与内容之间的协同效应，

14、对于用户的益处在于提供更符合期望和需求的服务。对于服务商的益处在于提高服务点击率、转化率和服务效益。对于投放平台的益处在于保持用户对服务内容的关注度和兴趣，获取服务商的信任和持续使用。附图说明0040图1是本发明基于跨场景的个性化服务智能推荐方法流程图；0041图2是获取迁移性的个性化特征的流程图；0042图3是元数据网络和用户特征匹配网络流程图；0043图4是参考场景用户和目标场景经过用户特征匹配网络后低维差异图。具体实施方式0044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

15、各种替换和变更，均应包括在本发明的保护范围内。0045实施例1：0046参见图1至图4，一种基于跨场景的个性化服务智能推荐系统，包括信息记录模块、嵌入向量转化模块、用户服务模块、个性化特征提取模块、跨场景特征匹配网络构建模块、服务推荐模块；0047所述信息记录模块获取多场景数据集，记录多场景数据集中参考场景和目标场景的用户信息、服务信息，统计这些场景内的重叠用户0048所述嵌入向量转化模块将参考场景和目标场景的用户信息、服务信息转化为用户嵌入向量、服务嵌入向量0049所述用户服务交互模块根据用户信息、服务信息、用户嵌入向量、服务嵌入向量，生成用户和服务的交互集；0050所述个性化特征提取模块根

16、据用户和服务的交互集，提取参考场景中具备迁移性的个性化特征；0051所述跨场景特征匹配网络构建模块根据个性化特征、用户嵌入向量构建跨场景特征匹配网络，并对跨场景特征匹配网络进行训练；0052所述服务推荐模块将测试集的用户嵌入变量输入至跨场景特征匹配网络中，生成推荐服务。0053实施例2：0054一种基于跨场景的个性化服务智能推荐系统，技术内容同实施例1，进一步的，参说明书3/9 页6CN 117132345 A6考场景的用户信息记为目标场景的用户信息记为参考场景的服务信息记为目标场景的服务信息记为场景内的重叠用户记为0055实施例3：0056一种基于跨场景的个性化服务智能推荐系统，技术内容同实

17、施例12任一项，进一步的，参考场景和目标场景的用户嵌入向量记为参考场景和目标场景的服务嵌入向量记为参数ds,t；s表示参考场景；t表示目标场景。0057实施例4：0058一种基于跨场景的个性化服务智能推荐系统，技术内容同实施例13任一项，进一步的，生成用户和服务的交互集的步骤包括：0059对比参考场景用户和重叠用户的信息，找出与重叠用户服务评分趋势相似的参考场景用户，并将这些相似参考场景用户的信息补充给重叠用户0060记录用户和服务的交互配对，重叠用户中来自参考场景的用户ui同服务交互集为其中tn为交互时间戳。表示来自参考场景的用户同服务交互。0061实施例5：0062一种基于跨场景的个性化服

18、务智能推荐系统，技术内容同实施例14任一项，进一步的，所述参考场景中具有迁移性的个性化特征如下所示：00630064式中，参数为注意力机制评分；是参考场景服务嵌入向量。0065实施例6：0066一种基于跨场景的个性化服务智能推荐系统，技术内容同实施例15任一项，进一步的，跨场景特征匹配网络如下所示：00670068式中，为参考场景用户嵌入特征；为用户转化后的嵌入向量；为跨场景特征匹配函数；0069其中，个性化特性经过双层前反馈网络初始化形成的参数如下所示：00700071式中，g表示双层前反馈网络；为前馈网络中的参数集；0072实施例7：0073一种基于跨场景的个性化服务智能推荐系统，技术内容

19、同实施例16任一项，进一步的，训练跨场景特征匹配网络的目标是和的差距达到最小；说明书4/9 页7CN 117132345 A70074和的差距如下所示：00750076式中，是用户转化后嵌入向量；是目标场景中的用户嵌入向量。为场景内的重叠用户集；ui为场景内的重叠用户。0077实施例8：0078一种基于跨场景的个性化服务智能推荐系统，技术内容同实施例17任一项，进一步的，跨场景特征匹配网络的准确性和误差程度通过参数MAE、参数RMSE表征；0079参数MAE、参数RMSE分别如下所示：008000810082式中，n为样本数量。0083实施例9：0084一种基于跨场景的个性化服务智能推荐系统，

20、技术内容同实施例18任一项，进一步的，所述服务推荐模块将测试集的目标场景用户嵌入变量输入至跨场景特征匹配网络中，生成推荐服务的步骤包括：00851)将参考场景用户嵌入向量输入至跨场景特征匹配网络中，用户转化后的目标场景用户嵌入向量00862)将嵌入向量与目标场景服务在预训练的DeepFM模型中预估配，得到推荐指标eCTR；所述DeepFM模型预存储在服务推荐模块中。所述DeepFM模型的输入是嵌入向量与目标场景服务输出是推荐指标eCTR。DeepFM模型通过若干输入输出数据对训练得到。00873)根据推荐指标，对服务进行排序，并按照顺序展示。0088实施例10：0089一种基于跨场景的个性化服

21、务智能推荐系统，技术内容同实施例19任一项，进一步的，服务推荐指标eCTR如下所示：00900091DeepFM表示利用DeepFM模型对嵌入向量与目标场景服务进行处理。0092实施例11：0093一种实施例19任一项所述的基于跨场景的个性化服务智能推荐系统，该系统工作时，执行以下步骤：0094步骤1、根据多场景数据集，记录参考场景和目标场景的用户信息、服务信息，并统计场景内重叠用户。说明书5/9 页8CN 117132345 A80095步骤2、根据特征嵌入模型，将参考场景和目标场景的用户信息、服务信息转化为嵌入向量。0096步骤3、为了克服重叠用户人数较少且目标场景数据稀疏，利用相似用户补

22、充对服务的行为操作、评价等信息后生成用户和服务的交互集。0097步骤4、根据步骤3的交互集，获取参考场景和目标场景中具有迁移性的个性化特征。0098步骤5、根据步骤4的可迁移特征构建元数据网络，初始化跨场景特征匹配网络。0099步骤6、根据步骤5的跨场景特征匹配网络，选取训练集中的参考场景用户的嵌入向量，匹配转化为目标场景用户的嵌入向量，比对两向量的差距，训练并调整跨场景特征匹配网络。0100步骤7、根据步骤6训练所得跨场景特征匹配网络，选取测试集中的目标场景用户嵌入变量输入至整体模型中，获取预测服务。0101所述步骤1中，参考场景和目标场景的用户信息服务信息和场景内重叠用户0102所述步骤2

23、中，参考场景和目标场景用户、服务信息转化为嵌入向量和其中ds,t区别参考场景和目标场景。0103所述步骤3中，对比和中服务评分相似的用户，将信息补充给记录用户和服务的交互配对，参考场景的用户ui同服务交互集为其中tn为交互时间戳。0104所述步骤4中，在参考场景的交互项的基础上，使用注意力机制算法提取每个服务对用户的影响。0105构建注意力机制评分计算计算影响参考场景的具有迁移性的个性化特征：01060107其中，由ei归一化处理获得。是参考场景服务嵌入向量。0108所述步骤5中，建立元数据模型的逻辑为：01090110其中，是根据个性化特性经过双层前反馈网络初始化形成。0111构建跨场景特征

24、匹配网络为：01120113其中，为参考场景用户嵌入特征，是训练用户特征匹配的必须参数。0114所述步骤6中，在训练集中，计算和的差距：说明书6/9 页9CN 117132345 A901150116其中，是用户转化后嵌入向量。通过优化来持续缩小差距。是目标场景中的用户嵌入向量。0117除损失计算外，利用MAE、RMSE综合评估评估预测模型准确性和误差程度。011801190120所述步骤7中，完全冷启动用户输入至模型中，根据转化后的同召回的服务进行匹配，根据eCTR排序后展示。01210122其中，X是服务和用户的目标场景特征嵌入向量，W是特征对应的权限向量。0123实施例12：0124一种

25、实施例19任一项所述的基于跨场景的个性化服务智能推荐系统的应用，内容如下：0125步骤1、根据多场景数据集，记录参考场景和目标场景的用户信息服务信息并统计场景内重叠用户0126统计完全数据集的各场景中包含的用户和服务如下表所示：0127场景用户服务稀疏度影视视频27822122870.21电商购买126867633310.044音乐1115378110.350128步骤2、根据特征嵌入模型，将参考场景和目标场景的用户信息、服务信息转化为嵌入向量其中ds,t区别参考场景和目标场景。0129步骤3、为了克服重叠用户人数较少且目标场景数据稀疏，利用相似用户补充对服务的行为操作、评价等信息，对比和中服

26、务评分相似的用户，将信息补充给记 录 用 户 和 服 务 的 交 互 配 对，参 考 场 景 的 用 户 ui同 服 务 交 互 集 为其中tn为交互时间戳。0130统计完全数据集的各场景中补充后样本用户如下表所示：0131参考场景目标场景样本用户参考场景占比目标场景占比影视视频电商购买6066214.8影视视频音乐17106.115.3说明书7/9 页10CN 117132345 A10音乐电商购买2778302.20132步骤4、根据步骤3的交互集使用注意力机制算法获取参考场景和目标场景中具有迁移性的个性化特征，如图2所示。0133构建注意力机制评分计算计算影响参考场景的具有迁移性的个性化

27、特征：01340135其中，由ei归一化处理获得。是参考场景服务嵌入向量。0136步骤5、根据步骤4的可迁移特征构建元数据网络，初始化用户特征匹配网络，如图3所示。0137建立元数据模型的逻辑为：01380139其中，是根据个性化特性经过双层前反馈网络初始化形成。0140构建用户特征匹配网络为：01410142其中，为参考场景用户嵌入特征，是训练用户特征匹配的必须参数。0143步骤6、根据步骤5的用户特征匹配网络，选取训练集中的参考场景用户的嵌入向量，匹配转化为目标场景用户的嵌入向量，比对两向量的差距，训练并调整用户特征匹配网络。0144在训练集中，计算和的差距：01450146其中，是用户转

28、化后嵌入向量。通过优化来持续缩小差距。是目标场景中的用户嵌入向量。0147除损失计算外，利用MAE、RMSE综合评估评估预测模型准确性和误差程度。014801490150可视化测试集中，参考场景用户和目标场景的特征差距如图4所示。0151经过三次训练后，模型的评估参数如下表：0152参考场景目标场景MAERMSE说明书8/9 页11CN 117132345 A11影视视频电商购买1.27761.6331影视视频音乐1.08911.4123音乐电商购买1.22341.65450153步骤7、根据步骤6训练所得用户特征匹配网络，选取测试集中的目标场景用户嵌入变量输入至整体模型中，获取预测服务。完全

29、冷启动用户输入至模型中，根据转化后的同召回的服务进行匹配，根据eCTR排序后展示。01540155其中，X是服务和用户的目标场景特征嵌入向量，W是特征对应的权限向量。0156以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。说明书9/9 页12CN 117132345 A12图1说明书附图1/3 页13CN 117132345 A13图2图3说明书附图2/3 页14CN 117132345 A14图4说明书附图3/3 页15CN 117132345 A15

网址：基于跨场景的个性化服务智能推荐系统.pdf https://www.yuejiaxmz.com/news/view/335694

相关内容

推荐系统与个性化服务
智能推荐系统：AI技术个性化服务的核心
智能推荐系统在个性化体检服务中的应用与挑战
什么是个性化推荐系统？初步了解推荐系统的基本原理
基于PHP+MySQL的个性化智能餐饮推荐系统
目录系统在个性化和推荐系统中的应用
推荐系统详解——个性化推荐与非个性化推荐
基于情境感知的个性化音乐推荐系统的设计与实现.docx
达观智能推荐：打造高效个性化内容推荐系统
个性化推荐系统的应用

随便看看