买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南理工大学

摘要：本发明公开了一种融合论坛互动行为与用户阅读偏好的慕课论坛帖推荐方法，包括步骤：1构建用户对帖子的目标评分矩阵、用户互动评分矩阵和用户互动频次矩阵；2分解用户互动评分矩阵，得到用户目标函数和用户行为特征矩阵；3计算用户互动行为次数，提取嵌入特征，基于用户行为特征矩阵和用户嵌入矩阵得到用户矩阵；4通过降噪自编码器提取帖子主题，得到物品目标函数，分解目标评分矩阵，得到评分矩阵目标函数；5优化评分矩阵目标函数、用户目标函数和物品目标函数，为用户提供推荐列表。本发明通过深度学习和基于概率的矩阵分解，将用户与帖子、用户间的细微交互融入到模型中，缓解冷启动问题，结合用户阅读偏好，实现精准推荐。

主权项：1.融合论坛互动行为与用户阅读偏好的慕课论坛帖推荐方法，其特征在于，包括以下步骤：1利用用户在论坛中的浏览记录，构建用户对帖子的目标评分矩阵、用户互动评分矩阵和用户互动频次矩阵；2引入矩阵Ua和Ub，利用用户互动频次矩阵作为约束项，分解用户互动评分矩阵，得到用户目标函数，将Ua和Ub相加，作为用户行为特征矩阵；得到用户目标函数和用户特征矩阵，包括如下步骤：2.1引入矩阵Ua和Ub，假设Ua和Ub的每一行服从如下高斯分布： 式中，i表示矩阵的每一行，为超参数λa的倒数，为超参数λb的倒数；2.2记用户互动评分矩阵为Q，用户互动频次矩阵为C，假设Q中的每个值服从如下式的高斯分布： 式中，Qij为用户互动评分矩阵第i行，第j列的项值，为矩阵Ua第i行的向量，和为矩阵Ub第j列的向量，C-1为用户互动频次矩阵C的逆矩阵，是上式高斯分布的方差；2.3根据基于概率的矩阵分解方法，得到推导公式： 式中，P|表示后验概率，∝表示正比关系；代入Q,Ua,Ub的高斯分布，推导得到用户目标函数；2.4将Ua和Ub相加，得到用户行为特征矩阵；3统计用户的各种互动行为次数包括统计用户的被点赞次数、被浏览量、被回复数、回复数、发帖数和被关注数，与对应的用户ID构建用户嵌入矩阵，拼接用户行为特征矩阵和用户嵌入矩阵，得到用户矩阵U，包括如下步骤：3.1将各种互动行为次数离散化，得到6个离散化特征；3.2将6个离散化特征与用户ID作为模型嵌入层的输入，获得7个嵌入向量；3.3将7个嵌入向量拼接后作为用户的嵌入层向量，所有用户的嵌入层向量构成用户嵌入矩阵Uc；3.4拼接用户行为特征矩阵和用户嵌入矩阵Uc，按照下式构建用户矩阵U： 式中，符号[；]表示拼接操作，Ua+Ub为用户行为特征矩阵，为超参数λu的倒数，为高斯分布的方差；4整合用户的历史帖，引入物品矩阵V，通过降噪自编码器提取帖子的主题，得到物品目标函数，利用用户矩阵U和物品矩阵V分解目标评分矩阵，得到评分矩阵目标函数；得到物品目标函数和评分矩阵目标函数，包括如下步骤：4.1将论坛帖的标题、帖子具体描述和一系列历史回帖合成一条内容帖，对文本进行预处理；4.2将每一条帖子的内容转换为位序编码，输入到嵌入层，或直接通过预训练词向量初始化文本的嵌入层，输出文本的嵌入表示；4.3将文本的嵌入表示输入到降噪自编码器中，通过降噪自编码器还原输入信息，利用降噪自编码器的中间层，提取文本的主题向量降噪自编码器网络的权重服从如下高斯分布： 式中，W为降噪自编码器每层的权重，为超参数λw的倒数，为高斯分布的方差；引入用户偏好ε，通过ε和主题向量构建如下物品矩阵V，使得物品矩阵V包含主题信息和用户偏好信息： ε服从如下高斯分布： 式中，为超参数λv的倒数，为高斯分布的方差；4.4利用降噪自编码器还原输入信息，代入W,V,ε的表达式，得到物品目标函数；4.5通过下式，利用用户矩阵U和物品矩阵V分解目标评分矩阵： 式中，Rij为目标评分矩阵第i行，第j列的项值；Ui表示用户矩阵U的第i行，Vj表示物品矩阵V的第j行，为超参数λr的倒数，为高斯分布的方差；根据基于概率的矩阵分解方法，得到评分矩阵目标函数；5优化评分矩阵目标函数、用户目标函数和物品目标函数，为用户提供推荐列表。

全文数据：

权利要求：

百度查询： 华南理工大学 融合论坛互动行为与用户阅读偏好的慕课论坛帖推荐方法