[发明专利]一种基于循环卷积神经网络的序列推荐方法及装置

权利要求书

1.一种基于循环卷积神经网络的序列推荐方法，其特征在于，包括：

获得用户历史互动项目序列；

在预先训练获得的循环卷积神经网络的循环层，对所述历史互动项目序列中的每个项目做转换处理，获得所述历史互动项目序列中每个项目对应的隐藏状态向量；

在所述循环卷积神经网络的卷积层，基于所述循环层获得的隐藏状态向量，确定窗口矩阵，对所述窗口矩阵分别进行水平卷积操作和垂直卷积操作，获得水平卷积结果和垂直卷积结果；

在所述循环卷积神经网络的全连接层，根据所述水平卷积结果、所述垂直卷积结果和所述隐藏状态向量，获得所述用户与项目集合中每个项目的互动概率预测结果；

根据所述互动概率预测结果，确定推荐给所述用户的项目。

2.根据权利要求1所述的方法，其特征在于，所述对所述历史互动项目序列中的每个项目做转换处理，获得所述历史互动项目序列中每个项目对应的隐藏状态向量，包括：

将所述历史互动项目序列中的每个项目转换成一个隐含空间内的嵌入向量，通过LSTM的循环结构，获得所述历史互动项目序列中每个项目对应的隐藏状态向量。

3.根据权利要求1所述的方法，其特征在于，通过以下步骤对所述窗口矩阵进行水平卷积操作，获得所述水平卷积结果：

根据所述窗口矩阵，确定多个水平窗口矩阵；

将每个所述水平窗口矩阵分别与每个相同大小的水平卷积过滤器互动，生成多个水平卷积值，获得所述水平卷积结果。

4.根据权利要求3所述的方法，其特征在于，通过以下公式将所述水平窗口矩阵与一个所述水平卷积过滤器互动：

其中，·表示向量的内积运算，j是水平窗口矩阵E^(u,t)每个行向量的位置，b∈R是一个偏置向量，f是一个ReLU激活函数，水平卷积过滤器F∈R^1×w，高度为1，宽度为w，对于用户u的历史互动项目序列I^u中的每个时间步t，均有一个水平窗口矩阵E^(u，t)∈R^1×d。

5.根据权利要求1所述的方法，其特征在于，通过以下步骤对所述窗口矩阵进行垂直卷积操作，获得所述垂直卷积结果：

根据所述窗口矩阵，确定多个垂直窗口矩阵；

将垂直卷积过滤器分别在每个所述垂直窗口矩阵的每列上以一个固定的方式滑动d次，生成多个垂直卷积值，获得所述垂直卷积结果。

6.根据权利要求5所述的方法，其特征在于，所述根据所述窗口矩阵，确定多个垂直窗口矩阵，包括：

通过以下公式确定所述垂直窗口矩阵：

其中，对于用户u的历史互动项目序列I^u中的每个时间步t，均有一个垂直窗口矩阵表示个连续项目的隐藏状态向量，每个逗号表示行向量的拼接，的整个宽度等于d。

7.根据权利要求1至6之中任一项所述的方法，其特征在于，所述根据所述水平卷积结果、所述垂直卷积结果和所述隐藏状态向量，获得所述用户与项目集合中每个项目的互动概率预测结果，包括：

通过以下公式确定所述用户与项目集合中每个项目的互动概率预测结果：

其中，W'∈R^|I|×(2d+n)和b'∈R^|I|分别是输出层的权重矩阵和偏见向量，h_t倾向于捕捉用户的长期偏好，o_t用于学习项目具体的特征，用来捕捉用户的短期序列模式，是用户u在时刻t+1和项目i的互动概率值。