[发明专利]基于注意力机制的项目级和特征级深度协同过滤推荐算法

说明书

本发明公开了一种基于注意力机制的项目级和特征级深度协同过滤推荐算法，包括如下步骤：S1统计用户的历史项目评分；S2根据用户的历史项目评分计算用户对目标项目的特征级内容表示；S3根据用户的历史项目评分以及S2的技术结果计算用户对目标项目的项目级预测评分。本发明通过结合项目级和特征级上的注意力机制对提高推荐精度有一定的效果，并相比现有技术而言在对用户历史偏好的分析更具有可解释性。通过还为将考虑在其它协同过滤模型中扩展DACF，如最近提出的神经协同过滤和离散协同过滤；为将来的研究将探索更高阶的特征级注意力机制，进一步夯实了推荐系统的研究的理论基础。

技术领域

本发明涉及信息技术领域，具体涉及一种基于注意力机制的项目级和特征级深度协同过滤推荐算法。

背景技术

随着互联网时代的到来，信息量成爆炸式增长，带来了“信息过载”问题，而个性化推荐是解决信息过载问题最有效的方法之一，与一般的搜索引擎不同，推荐系统通过学习用户偏好以及用户和项目之间的关系，为用户可能感兴趣的项目(例如，电影，产品，旅行和休闲活动)进行推荐，并且已经被亚马逊，谷歌，Netflix和其他网站采用。分析用户的反馈信息和项目描述信息，挖掘两者的隐性特征，是用户进行个性化推荐的重要组成部分。个性化推荐系统的关键在于根据用户过去的交互(例如，评分和点击等)对项目的偏好建模，称为协同过滤；协同过滤分析用户之间的关系和项目之间的相互依赖关系，以识别新的用户项目关联。

在对用户对项目的喜好进行分析时，首先对数据进行预处理，使用项目的标识作为输入的特征向量，将其转换为具有独热编码(One-Hot Encoding)的二值化稀疏向量。利用项目q的t个重要特征形成n维向量(q_j1，q_j2,…,q_jt),其中q_jt代表第j个项目的第t个特征的特征值,如电影的特征中，类型有五种分别是(喜剧片，爱情片，武打片，纪录片，动画片)，而输入的影片类型为武打片，于是将其特征值转化为(00100)的形式，按照此预处理的方法得到电影的特征向量。

而近年来，深度学习掀起了大数据和人工智能的热潮，由于其强大表征的能力，在图像处理、语音识别、自然语言处理等领域取得了巨大成就，同时为推荐系统的研究带来了新的机遇。深度学习通过学习一种深层次非线性的网络结构，表征与用户交互的历史项目相关的海量数据，具有十分强大的从样本中学习数据本质特征的能力，能够获取用户和项目的深层次特征表示.而且可以将不同数据映射到同一个隐藏空间，从而获得数据的统一表征。在此基础上融合传统推荐方法，采用基于项目的CF的机器学习视图，通过优化推荐感知目标函数从数据中学习项目相似性。虽然可以实现更好的准确性，但是直接学习整个项目的相似性矩阵使它更加复杂，从而不能处理数百万甚至数十亿的项目。

大多数协同过滤系统依赖于显式的用户兴趣作为输入，例如，提供明确反馈的产品星级评定等，而在研究中我们更加注重隐性反馈，由于隐性反馈具有更容易收集，数据稀疏性低，而且用户兴趣的表达更客观等优点。有研究发现，在交互式环境中的某些方面，隐性反馈更优于显性反馈。现有的隐性反馈协同过滤方法通常关注如何将缺失的用户评分转换为偏好建模。然而，很少有方法深入探究用户偏好的隐含性。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于注意力机制的项目级和特征级深度协同过滤推荐算法，包括如下步骤：

本发明的技术方案如下：

基于注意力机制的项目级和特征级深度协同过滤推荐算法，包括如下步骤：

S1统计用户的历史项目评分；

S2根据用户的历史项目评分计算用户对目标项目的特征级内容表示；

S3根据用户的历史项目评分以及S2的技术结果计算用户对目标项目的项目级预测评分。

进一步地，所述S2包括