[发明专利]基于多维霍克斯过程和注意力机制的下一个物品推荐方法

权利要求书

1.基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于包括如下步骤：

步骤(1).收集用户物品交互序列数据用户物品交互序列为用户与物品的交互行为的有序集合其中用户集合和物品集合分别为U和I；

步骤(2).根据用户u_j的交互序列将用户u_j、历史交互行为{(i₁,t₁),(i₂,t₂),…,(i_m-1,t_m-1)}和目标物品i_m的条件密度函数建模为：

其中：是用户u_j对目标物品i_m的一般兴趣，代表历史交互行为h影响用户u_j对目标物品i_m兴趣的程度，κ(t-t_h)用于表示时间衰减的指数核函数，f(x)＝log(1+exp(x))是softplus函数，用于保证的非负性；

步骤(3).给定所有用户的物品交互序列数据对数形式的目标函数定义为：

其中：是给定用户u_j在时间t之前的物品交互序列用户u_j对物品i感兴趣的概率；

步骤(4).对上述目标函数O进行最大化求解，以求得所有用户和物品的特征向量；

步骤(5).根据用户交互记录中物品的特征向量以及用户的兴趣向量，计算出用户对于数据库中每个物品的兴趣值；

步骤(6).根据用户的兴趣值对数据库中的所有物品从高到底排序，并提取兴趣值最高的若干个物品推荐给用户。

2.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(2)所述核函数κ(t-t_h)定义为：

κ(t-t_h)＝exp(-δ_u(t-t_h))

其中：δ_u是与用户相关的参数，用来表示对于不同用户，历史交互行为h对目标物品i_m的影响是不同的。

3.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(2)所述用户u_j对目标物品i_m的一般兴趣用余弦相似度函数定义为：

其中：是物品i_m的特征向量表示，是用户u_j的兴趣向量表示。

4.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(2)所述历史交互行为h影响用户u_j对目标物品i_m兴趣的程度定义为：

其中：是历史交互行为h的特征向量表示，是用户u_j的兴趣向量表示，是用户和历史交互行为感知的注意力机制权重。

5.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(3)所述是给定用户u_j在时间t之前的物品交互序列用户u_j对物品i感兴趣的概率定义为：

6.根据权利要求5所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：给定用户u_j的历史交互记录，用户u_j对物品i的兴趣定义为：

其中：f(x)＝log(1+exp(x))是softplus函数，用于保证概率值的非负性，μ_i,u表示代表用户的长期兴趣，代表用户的短期兴趣。

7.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(6)所述排序的计算公式定义为：

其中：u_i表示目标用户；i∈I和i′∈I是数据库中的物品。