[发明专利]基于自注意力机制的序列推荐方法、装置及设备

权利要求书

1.一种基于自注意力机制的推荐方法，其特征在于，包括：

获取目标用户的历史行为序列，并将所述历史行为序列划分为长期行为序列和短期行为序列；

将所述长期行为序列和所述短期行为序列输入至推荐模型进行推荐学习，获得目标推荐对象；其中，所述推荐模型为整合用户长短期偏好的多层自注意力网络序列推荐模型；

将所述目标推荐对象推送给所述目标用户。

2.根据权利要求1所述的基于自注意力机制的序列推荐方法，其特征在于，所述将所述长期行为序列和所述短期行为序列输入至推荐模型进行推荐学习，获得目标推荐对象，包括：

将所述长期行为序列和所述短期行为序列输入所述推荐模型中；所述推荐模型包括嵌入层、自注意力网络层和预测层；

所述嵌入层将所述长期行为序列和所述短期行为序列的长度分别固定为指定数值，并在固定长度后转换为隐含空间内的长期行为嵌入矩阵向量和短期行为嵌入矩阵向量；

所述自注意力网络层，对所述长期行为嵌入矩阵向量和所述短期行为嵌入矩阵向量分别进行表征学习，获得长期自我参与表征和短期自我参与表征；

所述预测层对所述长期自我参与表征和所述短期自我参与表征进行融合，得到所述目标用户的喜好表示，并结合所述喜好表示和候选推荐对象集合，获得所述目标推荐对象。

3.根据权利要求2所述的基于自注意力机制的序列推荐方法，其特征在于，所述嵌入层将所述长期行为序列和所述短期行为序列的长度分别固定为指定数值，包括：

所述嵌入层将所述长期行为序列的长度固定为第一指定数值；

所述嵌入层将所述短期行为序列的长度固定为第二指定数值；

其中，所述第一指定数值大于所述二指定数值。

4.根据权利要求2所述的基于自注意力机制的序列推荐方法，其特征在于，所述自注意力网络层，对所述长期行为嵌入矩阵向量和所述短期行为嵌入矩阵向量分别进行表征学习，获得长期自我参与表征和短期自我参与表征，包括：

利用多头注意分别对所述长期行为嵌入矩阵向量和所述短期行为嵌入矩阵向量进行特征提取，获得长期多头注意特征结果和短期多头注意特征结果；

利用残差连接和前馈网络对所述长期多头注意特征结果进行连接，获得长期连接结果；

利用所述残差连接和所述前馈网络对所述短期多头注意特征结果进行连接，获得短期连接结果；

利用多层SAN对所述长期连接结果和长期连接结果分别进行自我参与表征计算，获得所述长期自我参与表征和所述短期自我参与表征。

5.根据权利要求4所述的基于自注意力机制的序列推荐方法，其特征在于，将所述长期行为序列和所述短期行为序列输入至推荐模型进行推荐学习，获得目标推荐对象，包括：

利用Dropout技术对所述嵌入层、所述多层注意和所述前馈网络的神经网络单元进行剪枝。

6.根据权利要求2至5任一项所述的基于自注意力机制的序列推荐方法，其特征在于，所述预测层对所述长期自我参与表征和所述短期自我参与表征进行融合，得到所述目标用户的喜好表示，并结合所述喜好表示和候选推荐对象集合，获得所述目标推荐对象，包括：

结合隐向量模型和所述长期自我参与表征，计算待选推荐对象集合中每一个待选推荐对象的第一预测分数；

结合所述隐向量模型和所述短期自我参与表征，计算待选推荐对象集合中每一个待选推荐对象的第二预测分数；

融合所述第一预测分数和所述第二预测分数，并利用融合结果确定出所述目标推荐对象。

7.根据权利要求1所述的基于自注意力机制的序列推荐方法，其特征在于，获取目标用户的历史行为序列，包括：

获取所述目标用户的访问日志，利用所述访问日志记录的访问对象和访问时间，确定所述历史行为序列。