CN116340641B 基于显式和隐式兴趣特征的智能新闻推 荐方法和系统 （齐鲁工业大学(山东省科学院)）

基于显式和隐式兴趣特征的智能新闻推荐本发明公开了一种基于显式和隐式兴趣特为现有的新闻推荐方法无法识别显式和隐式兴于显式和隐式兴趣特征的新闻推荐模型构建单2构建基于显式和隐式兴趣特征的新闻推荐模型，以新构建点击率预测器模块，首先利用门控网络选择即点击率，将所有候选新闻依据点击率大小由高到低进行排序，将Top_K条新闻推荐给用基于显式和隐式兴趣特征的智能新闻推荐方法，其特征在于，所述首先，针对数据集中每一个单词构建单词映射表，并将表中表示；在词嵌入层将每一个新闻标题T＝[w1,w2,...,wN]转换成向量表示，记为x＝[x1,所述基于显式和隐式兴趣特征的新闻推荐模型的构建过程具构建显式兴趣编码器：为了生成用户的显式兴趣特征，显示兴趣编码器利用3qk和Wv皆为可学习的参数，ri表示第i个新闻特征向量，qi表示第i个新闻的之后，再使用加性注意力机制和按位相乘运算计算key向量与query向量的交互信息，然后，通过点积运算和线性层处理key向量和value2kN]；pp构建隐式兴趣编码器，隐式兴趣编码器旨在从用户浏览记录中推测用户的隐式兴趣，4为了从历史新闻序列的关键词向量中推测隐式兴趣，首先从新闻推荐数据集中使用然后通过一个可学习的映射矩阵M过滤可能的关键词，再通过计算可能的关键词在全局关ppppp构建门控网络：其被设计用来选择重要的特pgbp为显式兴趣特g构建基于候选新闻的注意力网络，其被设计用来将候选5Q构建预测模块，其将由新闻编码器生成的候选新闻的新闻特征向量n和最终的用户特j=UT-n;新闻给用户。预处理新闻数据集：预处理新闻数据集中的每一条新闻文本，去构建训练正例：使用用户浏览记录中的历史新闻序列和交互行为序列中标签为1的新构建训练负例：使用用户浏览记录中的历史新闻序列和交互行为序列中标签为0的新其中，i.,是在同一点击序列中的第j个负样优化训练模型：选择使用Adam优化函数作为本模型的6训练数据集构建单元，首先在线上新闻网站获得用原始数据获取单元，负责下载网络上已经公开的新闻原始数据预处理单元，负责预处理新闻数据集中的每一条新闻文本基于显式和隐式兴趣特征的新闻推荐模型构建单元，用于新闻编码模块构建单元，负责在训练数据集中训练基于Glove词向量模型的新闻特征TF_IDF算法模块构建单元，负责利用TF_IDF算法抽取用户浏览记录中的新闻关键词，隐式兴趣编码模块构建单元，负责利用多层感知图神经网络模块构建单元，负责利用图神经网络传播和聚合初始隐式兴趣特征向量，隐式兴趣解码模块构建单元，负责利用多层点击率预测器模块构建单元，首先利用门控网络78[0003]本发明的技术任务是提供一种基于显式和隐式兴趣特征的智能新闻推荐方法和9[0017]i=q(x)[0018]h=f(uk+u)[0024]构建显式兴趣编码器：为了生成用户的显式兴趣特征，显示兴趣编码器利用[0025]首先，Fastformer将输入的新闻特征向量通过三种参数不共享的线性层转换成]pp关键词向量矩阵H中的分布概率可以得到可能的关键词向量矩阵，即初始隐式兴趣特征向ppppppggg[0069]构建预测模块：其将由新闻编码器生成的候选新闻的新闻特征向量n和最终的用[0070]j-u'-n;[0076]构建训练正例：使用用户浏览记录中的历史新闻序列和交互行为序列中标签为1[0077]构建训练负例：使用用户浏览记录中的历史新闻序列和交互行为序列中标签为0[0079]所述的新闻推荐模型构建完成后通过训练数据集进行新闻推荐模型的训练与优[0093]新闻编码模块构建单元，负责在训练数据集中训练基于Glove词向量模型的新闻[0098]隐式兴趣解码模块构建单元，负责利用多层感知机解码更新的隐式兴趣特征向上述的基于显式和隐式兴趣特征的智能新闻[0109](二)本发明首先通过TF_IDF方法对用户浏览记录中的新闻内容进行关键词特征候选新闻的注意力融合用户特征向量和候选新闻的新闻特征向量，从而提升推荐的准确[0120]参照说明书附图和具体实施例对本发明的基于显式和隐式兴趣特征的智能新闻题向量中提取新闻标题的主要特征，并生成新闻特征向量；显式兴趣编码器负责利用IDF算法模块负责从用户浏览记录中抽取新闻内容的关键词，然后利用词嵌入层生成关键[0135]举例：对步骤S101中展示的新闻实例，构建的正例数据形式化为：(N29038,N15201,N8018,N32012,N30859,N26552,N25930)。其中最后一个编号为被用户点击的新闻[0137]举例：对步骤S101中展示的新闻实例，构建的负例数据形式化为：(N29038,N15201,N8018,N32012,N30859,N26552,N17825)。其中最后一个编号为未被用户点击的新[0143]i=q(x)h=f(u+u)h=f(u+u)[0147]self.f1＝nn.Linear(in_features＝config.word_embedding_dim,out_[0155]self.f2＝nn.Linear(in_features＝config.hidden_dim,out_features=[0159]首先，Fastformer将输入的新闻特征向量通过三种参数不共享的线性层转换成]pp[0179]h＝self.fastformer(history_embedding.view(batch_size,_1,self.news_model.transform()为稀疏矩阵转换的方法。关键词向量矩阵H中的分布概率可以得到可能的关键词向量矩阵，即初始隐式兴趣特征向pp[0200]temp＝torch.matmul(c.reshape(_1,self.word_embedding_dim),[0201]t＝torch.matmul(temp,self.pretrained_concept_embedding.transpose(0,[0202]personalized_concept_vector＝torch.matmul(concept_weight,ppppggggg[0242]其中，torch.bmm为点积运算，user_vector为[0251]loss＝torch.stack([x[0]fo中，libFM出自文献《Factorizationmachineswithlibfm》，DKN出自文献《DKN:Deep[0269]新闻编码模块构建单元，负责在训练数据集中训