[发明专利]一种基于多模态数据的用户个性化推荐方法

说明书

本发明提供一种基于多模态数据的用户个性化推荐方法，涉及网络推荐技术领域。该方法在获得用户允许收集的历史行为记录以及映像日志后，提取其中涉及到的所有对象，以及每个待推荐对象的特征，映射至同一多维空间中，以此整合多模态数据，再使用强化学习模型作为推荐系统智能体，通过收集到的用户记录训练智能体，并使用经过训练的推荐智能体进行推荐，从而实现对多模态数据的用户个性化推荐。本发明提出的方法中面向的用户历史行为记录、映像日志以及待推荐对象集等都可以包含多个领域的对象(如文本、图片、视频等)，并通过特征提取后整合的方法模糊多模态之间的区别，从而解决一个传统推荐系统只能应用在单一领域进行推荐的问题。

技术领域

本发明涉及网络推荐技术领域，尤其涉及一种基于多模态数据的用户个性化推荐方法。

背景技术

近年来，随着互联网的快速发展，现代社会已成为了一个信息化、数字化的社会，数据充斥着整个世界，信息爆炸已成为常态。然而面对大量的数据，用户对信息的利用率反而降低了，即产生了信息超载(Information over load)问题。对此，推荐系统是有效解决信息超载难题的关键技术之一。事实上，随着互联网、物联网和云计算技术的迅猛发展，个性化推荐系统目前已经成为互联网产品的标配，互联网用户在电商、视频、新闻及音乐等领域中将要面对的互联网信息已和推荐系统息息相关。

推荐系统通过获取用户的历史行为数据，如网页的浏览数据、购买历史或项目评级等，从而向用户进行个性化推荐。推荐问题的解决方案有基于内容过滤的推荐系统、基于协同过滤的推荐系统和混合推荐系统；随着深度学习算法的兴起，使用神经网络的各类推荐算法也被广泛应用于推荐系统的实现，如递归神经网络、卷积神经网络、生成式对抗网络等；此外，也有基于强化学习的推荐技术、基于异构网络的推荐技术等。

目前的推荐系统大多只提供了基于单模态的用户个性化推荐问题解决方案，即只在单一领域(如新闻、视频、音乐等)学习用户的历史数据，因此也只能捕获用户在单一领域的兴趣偏好，并以此进行推荐，大大限制了推荐结果的多样性。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多模态数据的用户个性化推荐方法，根据用户在多种领域(如新闻、视频、音乐等)形成的历史数据，学习用户偏好并形成用户画像，进而能够对多模态数据进行推荐，扩展推荐结果的多样性。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于多模态数据的用户个性化推荐方法，包括以下步骤：

步骤1：获取总对象集I及待推荐对象集L₀，明确需要面向的多模态信息种类。

步骤2：针对面向的每种模态，应用相应的特征提取算法，将总对象集中的每个对象提取特征并映射至数学上的同一多维空间S中。

步骤3：获取并积累用户历史行为记录和映像日志。历史行为记录为用户在映像之前的点击历史记录，即已点击对象列表；映像日志则为对用户显示的对象列表和用户对这些对象的点击行为，1表示点击，0表示未点击。

步骤4：初始化推荐系统，将步骤2得到的多维空间S及步骤3得到用户历史行为记录和映像日志输入推荐系统，并设置推荐系统智能体及强化学习环境参数。

步骤5：执行推荐系统智能体的训练。

步骤6：使用训练好的推荐系统智能体处理待推荐对象集L₀，使用推荐系统模拟用户面向待推荐对象集L₀的交互行为，并生成对应的映像日志D。

步骤7：提取映像日志D中用户进行了交互的对象集，即推荐系统智能体对应该用户预测的个性化交互对象集，作为总推荐列表L。

步骤8：根据不同需求，处理总推荐列表L，生成多模态推荐列表。