[发明专利]一种人格特质引导的新用户行为反馈预测方法

说明书

本发明实施例公开了一种人格特质引导的新用户行为反馈预测方法，首先，将人格特质与用户行为反馈联合编码来增强人格特质的表现力；然后，通过建立人格邻居集成的框架，充分利用老用户的丰富人格特质和行为反馈；最后，在新用户人格特质的引导下，完成对新用户行为反馈的预测。采用本发明，充分利用了老用户的人格特质与其丰富的行为反馈信息，且用人格特质作为桥梁有助于构建稳定的映射机制，提高新用户行为预测的准确率，此外，可以灵活地包容三种主流的技术，从而可以在不同的新用户行为预测场景使用不同的技术。

技术领域

本发明涉及用户数据挖掘领域，尤其涉及一种人格特质引导的新用户行为反馈预测方法。

背景技术

与本发明最相近似的实现方案包括：1.人格特质的研究与技术、2.新用户行为反馈预测的现有方案、3.集成学习与编码器技术，以下分别介绍。

1.人格特质的研究与技术

心理学对人格(Personality)的定义是：个体在先天生物遗传素质的基础上，通过与后天社会环境的相互作用而形成起来的相对稳定的和独特的心理行为模式。特别地，人格特质(Personality Traits)可以被用来解释不同个体在行为和偏好上的差异，即人格是行为与偏好差异的稳定原因。因此，人格计算(Personality Computing)，被广泛应用于各个与人类行为建模相关的研究领域中。例如，通过在计算机游戏中的人类行为来预测其人格，将用户喜爱的图片映射并转换成他们的人格评分，通过提取人格特性为求职面试提供建议等。这些研究倾向于通过用户行为或环境来提取或预测他们的人格。与这些技术相比，我们的方法是通过人格特质引导其他因素来预测用户的行为反馈。

人格的五因子模型(the Five－Factor Mode l，FFM)在人格计算中被广泛采用[2]，[3]因为它具有易用性和良好的解释性等特点。五因子模型又称为“大五模型”(TheBig Five Model)，包括开放性(Openness，O)、尽责性(Conscientiousness，C)、外倾性(extraversion，E)、随和性(Agreeableness，A)、神经质或情绪稳定性(Neuroticism，N)，每种因子都被表达为一个在一定范围内(例如0－5)连续的分数。FFM在推荐系统中被广泛使用，大五人格特质(Big Five Personality Traits)在推荐研究中被当作一种特殊的用户档案来辅助推荐。例如现有技术调研了用户人格与行为之间的区别与联系，他们得出的结论是基于人格的协同过滤模型(Personality－Based Collaborative Filtering)可以改进基于评分的协同过滤方法(Rating－Based Collaborative Filtering)的性能。进一步地，研究人员分析出不同个体之间的人格相似性度量，既可以用来为普通推荐任务服务，又可以专门用于解决新用户问题。例如，从人格信息中进行评分抽取来预测型用户的行为反馈。因此，这些方案充分论证了个体人格与行为反馈之间的强关联性，而且，也论证了将人格特征用来引导行为反馈预测的可行性。

2.新用户行为反馈预测的现有方案

对于新用户，许多文献已进行了规范的定义：在推荐系统中只产生了少量行为反馈、或没有任何行为反馈的用户。行为反馈的例子包括点击、购买、评分、顶、踩等。新用户行为反馈预测的关键点在于如何通过已有的有限的信息预测其未来的行为反馈。由于新用户只有少量或没有任何行为反馈，我们需要通过其他途径去搜集额外的新用户信息，搜集的途径包括进行用户问卷调查或访谈，利用用户档案与物品属性，或进行评分抽取等。

基于额外信息，矩阵填充(Matrix Completion)或矩阵近似(MatrixApproximation)在完成新用户行为反馈预测时效果良好。这些单模型方法已经被证明在解决新用户行为反馈预测时是有效的。与这些单模型相比，集成模型可以充分集中单个模型的优势；而且，随着深度学习的发展，一些技术例如自动编码器与分解模型的结合能更好地捕捉邻居之间的关联；以下详细介绍这两类技术。

3.集成学习与编码器技术