CN119089398B 基于语义识别的内容推 荐方法及系统 （杭州惠民征信有限公司）

本发明公开了基于语义识别的内容推荐方并通过多层图卷积网络进行节点和边的表示学Transformer模型的自注意力机制和多头注意力适应学习算法动态调整和优化推荐内容的生成2通过自然语言处理技术解析用户通过文本、语音或视频输入的需基于用户语义表示数据和记录了用户在平台上的交互历史的用将时间序列特征数据与调整后的用户兴趣图谱表示数据进行融合，生成时间利用时间序列用户兴趣图谱表示数据，通过Transformer模型的自注意力机制和多头收集用户的多模态信息，并将其与个性化推荐实时展示优化后的多模态推荐内容数据给用户，收集述通过自适应学习算法动态调整和优化推荐内容的生根据用户反馈特征数据，利用自适应学习算法对推荐内容的生成策将更新后的多模态推荐内容数据应用到实时推荐生成模块，动态调整3v在第k层的特征向量；(v)为节点v的邻居节点集合；cvu为归和分别代表图中的节点i和j的特征向量；a为注意力节点特征向量；‖表示拼接操作，将经过权重矩阵变换后的节点特征向量拼接起来；LeakyReLU是激活函数，用来增强模型的非线性特性。5.根据权利要求1所述的方法，其特征在于，所述通过将时间序列用户兴趣图谱表示数据转换为Transformer模应用自注意力机制计算每个节点的重要性，对编码用户兴趣数据w'为查询向量的权重矩阵；wf为键向量的权重矩阵；w"为值向量的权重矩49.一种用于实施权利要求1_8任一所述基于语义识别的内容推荐方法的系统，其特征用户兴趣图谱构建模块，基于用户语义表示数据多模态信息收集和融合模块，收集用户的多模态信息实时展示和反馈收集模块，实时展示优化后的多模态推荐内容5[0005]现有的基于图协同过滤和知识图注意力网络的推荐方法在数据稀疏性和冷启动络和Transformer模型进行节点和边的表示学习和推荐内容生成，通过引入多模态信息融[0013]利用时间序列用户兴趣图谱表示数据，通过Transformer模型的自注意力机制和6自适应学习算法动态调整和优化推荐内容的生成策略，确保推荐内容的持续精准和个性7[0043]优选的，所述结合对比学习模块优化用户兴趣表示和推荐内容之间的匹配度包[0054]利用多模态融合算法对标准化多模态特征数据和个性化8[0063]将更新后的多模态推荐内容数据应用到实时推荐生成模[0064]以及一种用于实施所述基于语义识别的内容推荐方法的9框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、[0092]如图3所示，基于用户语义表示数据和用户历史行为数据，动态构建用户兴趣图处理用户兴趣图谱这种非欧几里得空间数据。GCN的每一层都会对节点及其邻居节点的信[0095]为了捕捉用户兴趣的时间序列变化，系统引入时间序列用户兴趣图谱表示数能在某一段时间内对某个主题特别感兴趣，而在另一段时间对其他主题表现出更多关注。v在第k层的特征向量；N(v)为节点v的邻居节点集合；cmcij为边(i,j)的权重；和分别代表图中的节点i和j的特征向量；a为捕捉用户兴趣随时间变化的动态模式。这一过程确保了系统不仅能够理解用户当前的兴[0121]举例来说，如果用户A在过去几个月内对科技和人工智能相关内容表现出高度兴[0123]系统利用时间序列用户兴趣图谱表示数据，通过Transformer模型的自注意力机与其兴趣表示之间的关系，而负样本对则是用户不感兴趣的内容与其兴趣表示之间的关[0138]时间序列用户兴趣图谱表示数据被转换为Transformer模型的输入格式。[0140]通过Transformer模型的自注意力机制和多头注意力机制，系统能够从时间序列[0141]结合对比学习模块，系统能够进一步优化用户兴趣表示和推荐内容之间的匹配[0144]优选的，所述结合对比学习模块优化用户兴趣表示和推荐内容之间的匹配度包[0161]利用多模态融合算法对标准化多模态特征数据和个性化自适应学习算法动态调整和优化推荐内容的生成策略，确保推荐内容的持续精准和个性系统了解用户的兴趣偏好和行为模式提供了[0189]将更新后的多模态推荐内容数据应用到实时推荐生成模[0192]将更新后的多模态推荐内容数据应用到实时推荐生成模应用到实时推荐生成模块，系统能够确保每一次推荐都能即时反映用户的最新兴趣和需的兴趣变化，动态调整推荐策略。优化后的推荐内容数据将反映用户E对科技创新的高兴配度，生成个性化推荐内容数据。该模块首先将时间序列用户兴趣图谱表示数据转换为趣数据进行加权处理。多头注意力机制进一步捕捉用户兴趣图谱中不同层次和维度的信[0205]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一