一种基于心理学和深度学习的无标签社交网络推荐方法

本发明属于人工智能领域，涉及一种基于心理学和深度学习的无标签社交网络推荐方法，其框架主要由自适应局部递归网络(adaptive local recurrent networks,alrn)组成。在基于心理学理论模型的基础上，alrn主要由以下三部分构成：递进式特征增强组合网络(progressive feature enhancement combination network,pfecn)、动态平衡控制器(dynamic equilibrium controller,dec)、局部递归式网络训练结构。模型通过将问卷量表摄入的数据输入pfecn中形成初始化网络参数，再通过即时交互数据在dec中进行参数更新，最后通过局部递归式的结构训练网络模型。该模型可以为社交网络提供推荐算法。

背景技术：

1、在当前的互联网时代，社交网络已成为人们构建和维护人际关系的重要平台，影响着人们的沟通方式、情感联系乃至亲密关系的形成。在这一背景下，社交网络推荐系统的研究与优化显得尤为重要，它不仅代表了技术层面的创新，更关乎于满足用户的情感需求和提升社交互动的质量。随着对情感纽带的需求日益增长，推荐系统的研究应更加注重理解用户的个性化需求，通过精准推荐促进用户之间的深层次连接。然而，社交网络推荐系统在实践中面临多重挑战。首先是推荐准确度不足的问题，这直接影响用户对社交平台的满意度和忠诚度。用户反复接触到与自己兴趣不符的内容，不仅降低了使用体验，还可能减少对新内容的探索意愿。其次，冷启动问题对于新用户或新加入的项目而言，缺乏足够的行为数据使得算法难以提供有效推荐。此外，数据稀疏性问题由于用户与内容之间的交互相对有限，导致推荐系统难以发挥最佳效果。

2、面对这些挑战，研究和优化社交网络推荐算法显得尤为迫切。推荐系统不仅需要从技术上突破，更要深入理解用户的个性化需求，以实现更精准、个性化的推荐。这不仅是技术创新的体现，更是社交交往模式进步和人类情感交流深化的重要标志。本发明旨在通过结合心理学理论和先进的深度学习技术，提出一种全新的社交网络推荐算法，以解决现有推荐系统中存在的问题，促进用户之间的深层次连接，提升社交网络平台的用户体验和满意度。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于心理学和深度学习的无标签社交网络推荐方法。提出一种基于人格特质和自适应局部递归网络(alrn)的无标签社交网络推荐算法，旨在克服现有社交网络推荐系统中存在的几项核心技术挑战和不足，具体包括：

2、(1)提高推荐准确度：针对当前推荐系统中普遍存在的推荐内容与用户期望之间的偏差问题，本发明旨在通过深入分析用户的人格特质和行为模式，提高推荐内容的个性化匹配度，从而显著提升推荐准确度，满足用户的个性化需求。

3、(2)解决冷启动问题：针对新用户或新加入项目的推荐难题，本发明通过利用用户的基础心理特征数据，即使在缺乏足够行为数据的情况下，也能有效进行初步的个性化推荐，从而优化新用户的体验，加快用户对平台内容的探索速度。

4、(3)应对数据稀疏性问题：鉴于用户与内容之间的交互相对有限，本发明的算法设计采用自适应局部递归网络来提高对现有数据的利用率，通过深层次挖掘用户行为和偏好，弥补数据稀疏性带来的挑战。

5、(4)提升用户满意度和平台黏性：通过更准确的推荐算法，本发明旨在增强用户对社交网络平台的满意度和忠诚度，促进用户之间的深层次互动和连接，进而提高社交网络平台的整体活跃度和用户黏性。

6、为达到上述目的，本发明提供如下技术方案：

7、一种基于心理学和深度学习的无标签社交网络推荐方法，该方法包括以下步骤：

8、s1：构建自适应局部递归网络(adaptive local recurrent networks,alrn)框架，包括心理量表、递进式特征增强组合网络pfecn、动态平衡控制器dec和局部递归式网络训练结构；

9、s2：获取心理量表数据，进行数据预处理，将处理完成的数据输入递进式特征增强组合网络pfecn中，获取初始亲密度为推荐算法提供推荐指标，并依据此指标进行推荐动作；

10、s3：获取推荐动作完成后的社交网络实时数据，将数据输入动态平衡控制器dec中更新亲密度；

11、s4：根据更新后的亲密度与心理量表数据进行训练递进式特征增强组合网络pfecn；进行初始化参数，将用户自身的问卷量表输入网络进行计算，得到初始化网络参数；将其他用户的问卷量表输入网络不断训练，以优化网络参数以及持续输出推荐结果。

12、进一步，所述心理量表中，所有受访者都会回答相同的问题集；通过设定评分系统或选择题，将受访者的回答转换为数值数据；

13、所述递进式特征增强组合网络pfecn包括输入层、隐藏层和输出层；

14、其中，输入层由收集到的心理量表以及提取的量化数据组成；

15、隐藏层包括池化层和递进式特征增强层，目的在于形成社交网络用户的特征网络参数，用于表征用户对每一项心理测量维度的权重；其中池化层是通过一定的算法对数据进行预处理并减少数据量；递进式特征增强层是通过递进个数的方式横向排列神经元，使其中的每一个神经元都与上一层按从少到多的方式连接神经元；

16、输出层包含一个参数i，相当于一个全连接层；通过连接上一层的所有神经元来汇总参数，输出参数i；

17、所述动态平衡控制器dec是一种自适应控制器，对于接收到若干条信息的情况下，维护一个不断变化但相对稳定的函数值i，即亲密度intimacy，用于后续的神经网络计算；

18、所述局部递归式网络训练结构，是一种仅调用网络框架中的局部流程进行递归算法的训练结构，指推荐算法按照亲密度指标进行动作后，产生新的即时交互数据，并且通过dec调节后，再次调用亲密度进行赋值以及社交网络的训练操作。

19、进一步，所述动态平衡控制器dec中，每一个参数已累积的总和越大，其对i的影响权重越小，其函数设计为：

20、(1)参数定义

21、定义离散参数：l、f、c、t、n...k

22、目标函数值：i；

23、(2)累积总和计算

24、对每个参数，维护一个累积总和：suml、sumf、sumc、sumt、sumn、sumk

25、每收到一条新信息，更新每个参数的累积总和；

26、(3)权重计算及标准化

27、对每个参数，其权重由其累积总和的倒数确定，即其中ε＝e-9，保持权重的相对性和避免除零错误；

28、为确保所有权重加起来等于某个固定值，对计算出的权重进行标准化处理：

29、

30、函数值i基于加权的参数值计算得出：

31、i＝∑i∈{l、f、c、t、n...k}wi。

32、进一步，所述递进式特征增强组合网络pfecn输出亲密度参数in-1，进行推荐动作后获得新的即时交互数据dn，根据即时交互数据通过dec输出，更新得到亲密度in，作为pfecn新的训练标签，结合心理量表，有监督地训练pfecn模型，形成递归结构的闭环：

33、dn＝frecomend(in-1)

34、in＝fdec(dn)。

35、本发明的有益效果在于：本发明通过结合心理学理论和先进的深度学习技术，解决传统推荐系统在准确度、新用户适应性、数据利用率等方面的不足，为用户提供更加个性化、高效和满意的推荐服务，促进社交网络平台的健康发展和用户社交体验的提升。

36、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。