[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

说明书

本发明公开了一种基于循环卷积神经网络的序列推荐方法，包括以下步骤：获得用户历史互动项目序列后，在预先训练获得的循环卷积神经网络的循环层，对每个项目做转换处理，获得隐藏状态向量，在循环卷积神经网络的卷积层，对基于隐藏状态向量确定的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，在全连接层，根据水平卷积结果、垂直卷积结果和隐藏状态向量，获得用户与项目集合中每个项目的互动概率预测结果，根据该预测结果，确定推荐给用户的项目。应用本发明实施例所提供的技术方案，增强了推荐性能，实现了更加高效的序列推荐。本发明还公开了一种基于循环卷积神经网络的序列推荐装置，具有相应技术效果。

技术领域

本发明涉及推荐技术领域，特别是涉及一种基于循环卷积神经网络的序列推荐方法及装置。

背景技术

随着移动互联网技术不断发展，网络中的信息量以指数规律迅速扩展和增加，网络上的信息过载和信息迷航问题日益严重。为了给用户提供满意的信息和服务，推荐系统应运而生，成为众多研究学者关注的研究领域。推荐系统通过预测用户对信息资源的喜好程度来进行信息过滤。为了构建有效的推荐系统，一个关键的因素是如何准确的表征和理解用户动态变化以及不断发展的兴趣和品味，因此序列推荐系统被提出来实现这一目标。序列推荐是基于用户过去的活动序列来为用户推荐未来可能与之互动项目的一种推荐方法。

传统的推荐方法，比如标准的矩阵分解技术，都不能很好的解决序列推荐的任务，因为它们都是建模静态的用户-项目交互行为。因此，基于马尔科夫链的序列方法提出来建模相邻两个项目之间的局部序列模式，然而它们却不能建模用户-项目之间更高阶的关系。而近年来，深度学习在图像处理、自然语言处理等领域取得了突破性的进展，为序列推荐系统的研究也带来了新的机遇。例如循环神经网络(Recurrent Neural Network，RNN)已经成为了一个很流行的序列神经模型。为了更好地建模用户的长期依赖性，RNN的两个变体，长短期记忆网络(Long-Short Term Memory，LSTM)和门控循环单元(Gated Recurrent Unit，GRU)也被广泛的运用。此外，基于会话的RNN，层次化的个性RNN和基于注意力的RNN都对建模序列数据产生很大的帮助。

然而，RNN模型是基于一个假设，即时间依赖性是单调变化的。这意味着当前项目或者其隐藏状态比其之前的项目或隐藏状态更加重要，RNN的这种单调时间依赖性削弱了用户短期兴趣的建模。尽管后来基于注意力的RNN模型对缓解这一问题做了一些努力，但它并没有考虑到建模短期序列模式时的特征交互，使得推荐性能不佳。

发明内容

本发明的目的是提供一种基于循环卷积神经网络的序列推荐方法及装置，以提升推荐性能。

为解决上述技术问题，本发明提供如下技术方案：

一种基于循环卷积神经网络的序列推荐方法，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。

在本发明的一种具体实施方式中，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：