专利示意图

一、技术领域

协同过滤技术领域

二、专利介绍

1.专利信息

专利类型：发明

专利权人：清华大学深圳国际研究生院

申请号：202310889943.3

发明人：李秀、孟昶 、朱祥辉、金孟群

2.专利说明书摘要

一种基于不同粒度用户多兴趣提取的多行为建模推荐方法，其中，将每个物品对应各个行为的特征表示拼接到一起输入粗粒度兴趣提取模块，对物品的特征表示进行学习，使用知识感知关系来提取多种行为的共有和特殊行为兴趣；由细粒度行为关联模块将用户与物品的交互行为分配给不同的兴趣，并通过兴趣感知的行为关联来捕捉行为之间的相互关系。通过从粗到细的过程来建模兴趣的多兴趣学习机制，能够更好地建模多个行为之间的复杂依赖关系。所提出的多兴趣学习框架已经通过实验证实具有性能上优越性，同时具有良好的可解释性。本发明能够提高推荐系统的HR和NDCG指标，预测用户喜好和倾向的准确性高。

3.创新点

（1）本发明第一次尝试将多兴趣学习引入到多行为推荐中，提出了一种新的粗到细的知识增强多兴趣学习框架（CKML）的多行为推荐，对不同行为的共享和特定行为的用户兴趣进行学习；

（2）本发明提出了一种用一个从粗到细的过程来建模兴趣的多兴趣学习机制，从而更好地建模多个行为之间的复杂依赖关系；

（3）本发明提出的多兴趣学习框架已经通过实验证实具有性能上优越性，同时具有不错的可解释性。

4.痛点问题

（1）探索利用多兴趣学习在多行为推荐中更好地捕捉协同信号，实现更好的可解释性和性能；

（2）解决现有多兴趣方法中存在的次优的相关性建模问题，以更好地建模行为之间的相关性；

（3）解决兴趣学习的难点问题，以更灵活的方式使用从知识感知信息获得的语义信息，使兴趣的初始中心尽可能远，并充分利用协作信号在聚类过程中的信息。

5.技术优势

（1）本发明第一次在多行为推荐中运用多兴趣推荐技术，充分建模了多行为中包含的多种用户兴趣以及它们之间的关联，从而实现更加完备的用户兴趣建模；

（2）本发明设计了简单的方案，利用端到端的图卷积神经网络生成多兴趣聚类中心，从而解决了用户兴趣初始化难题；

（3）本发明通过简单的方案取得了显著的性能提升，适合商业落地，可以为推荐系统提供更大创收；

（4）本发明对多种场景均具有较强的适应性，可以应用于多种平台推荐系统的召回和粗排等场景。

三、产业化信息

1.应用场景

（1）商业环境的推荐系统当中，如浏览商品、收藏商品、购物商品等等，为用户提供有需求或潜在感兴趣的商品，促进其购买，提高用户粘性，进而提高公司收益；

（2）提供娱乐的推荐系统当中，为用户提供更贴近其兴趣的笔记或视频，增加其在系统当中的浏览时间，延长使用习惯，进而提高广告投放量和机会，提高收益；

（3）学术论文的推荐系统中，为用户提供其领域所需要的论文，帮助用户了解领域内实时学术动态，提高用户的工作效率。

2.商业价值

此项技术拥有巨大的商业前景，对于互联网行业有以下市场价值：

（1）在商业环境推荐系统当中，淘宝、京东、得物、美团，推荐系统为这些企业提供营收的比例为70%。本技术可以用于这些公司产品APP当中，提高用户兴趣和粘性；

（2）在提供娱乐的推荐系统当中，如抖音、快手、B站、小红书，基本完全依靠用户兴趣来做推荐的系统，更是需要精准推荐来留住用户。本技术能提高用户粘性可以增加广告投放量，同时也可以促进用户在APP上的消费；

（3）在学术论文的推荐系统中，如百度学术、谷歌学术、aminer等等，以搜索为主要技术，但是论文相关推荐仍然能为学者提供重要思路。

3.发展规划

（1）该技术未来可应用至淘宝、京东、得物、美团，用户兴趣需求精准把控，快速提高用户使用APP效率，提升商业消费量，促进企业高速发展；

（2）该技术未来可应用至抖音、快手、B站、小红书，提高用户粘性可以增加广告投放量；

（3）该技术未来可应用至度学术、谷歌学术、aminer等等，为国内外学者提高论文推荐的准确率。

4.合作方式

面议

注:所有成果未经授权，请勿转载

联系方式：ttc@sz.tsinghua.edu.cn