[发明专利]基于用户记忆网络和树形结构的深度模型的个性化推荐系统

权利要求书

1.一种基于用户记忆网络和树形结构的深度模型的个性化推荐系统，其特征在于：用户记忆模块、商品本体模块以及预测模块。

其中，所述的用户记忆模块是由基于语境化的长短记忆网络框架所构成的。

所述的短期记忆用来捕捉用户近期购买商品的记录，并通过这些记录，得到一个用户的短期记忆映射；

所述的长期记忆会根据用户的长期购买习惯，依据该用户的大量购买记录总结出用户感兴趣的商品的特征，并记录下来，并通过这些记录得到一个用户的长期记忆映射。

所述的商品本体模块通过每个商品之间的关联信息以及用户的历史购买记录，得到商品的映射信息；

所述的预测模块将会结合用户记忆模块和商品本体模块的输出的短期记忆映射、长期记忆映射以及商品映射进行最终的推荐预测。

2.根据权利要求1所述的基于用户记忆网络和树形结构的深度模型的个性化推荐系统，其特征在于所述的短期记忆会将用户u近期商品的购买记录的映射至一个矩阵M^u当中并保存起来；对于每一个用户u而言，定义(以购买的顺序排列)为用户u所购买的商品的集合，其中表示用户u购买的第i件商品，这时，我们令p_u∈R^D以及分别为用户u的映射以及商品的映射，那么用户的短期记忆的映射其中，是矩阵M^u的第k列向量，矩阵M^u一共有K列，M^u∈R^D×K；z_ik是一个权重，用来推到出短期记忆映射的，z_ik的计算公式为：其中β是限制参数，w_ik是用户的商品购买记录矩阵M^u和当前商品的影响因子，具体计算公式为：最后得到了短期记忆映射。

3.根据权利要求1所述的基于用户记忆网络和树形结构的深度模型的个性化推荐系统，其特征在于所述的长期记忆会将用户的兴趣特征映射至一个矩阵M^u当中，与此同时，构建一个全局潜在特征表来储存特征映射。这时，我们令p_u∈R^D以及分别为用户u的映射以及商品的映射。设一共有K个潜在的特征，这是全局潜在特征表就可以被表示为：F＝{f₁，f₂，...，f_K}，f_K∈R^D。那么用户的长期记忆的映射就可以被表示为：其中，是用户u对于特征k的偏好映射；z_ik是一个权重，用来推到出短期记忆映射的，z_ik的计算公式为：其中β是限制参数，w_ik是用户购买的商品和全局潜在特征表中每个特征的关联程度，具体计算公式为：w_ik＝q_i^T·f_K，最后得到了长期记忆映射。

4.根据权利要求1所述的基于用户记忆网络和树形结构的深度模型的个性化推荐系统，其特征在于所述的商品本体模块是由提供的商品本体信息以及用户的历史购买记录，将大规模的推荐问题转变成了一系列的小的分类问题，具体来说是通过树状结构的构建，基于树的训练、采样、TopK检索以及节点兴趣度的计算，直观意义上的对用户的兴趣的层次结构进行分析，自顶向下构造，由粗到细的构造兴趣层次树，并在此基础上应用深度学习网络进行用户兴趣的推荐建模，运用层次检索方法实现全量候选上的用户TopK的商品映射。

5.根据权利要求4所述的基于用户记忆网络和树形结构的深度模型的个性化推荐系统，其特征在于所述的树状结构中的节点上兴趣度概率的计算公式是：n_c∈{n在j+1层的子节点}，即用户对第j层父亲节点兴趣的偏好概率正比于用户对第j+1层孩子节点兴趣的偏好概率最大值，其中a^(j)是第j层节点兴趣概率的归一化因子。根据最大堆树的定义，如果已知这棵树上的每层节点概率之间的序(同层内)，我们可以快速找到全局TopK，即从根节点出发找当前层的TopK，然后在上层TopK节点对应的下层孩子节点集合中继续找TopK，递归向下直至叶子。