[发明专利]基于元路径的上下文感知用户建模方法、序列推荐方法

权利要求书

1.一种基于元路径的上下文感知用户建模方法，其特征在于，该方法包括：

步骤S110，分别获取用户所访问的历史项目序列中各项目的多模态表示作为项目的项目表示；

步骤S120，基于用户所访问的历史项目序列中各项目的项目表示，通过特征层自注意力网络模型获取用户的局部兴趣表示；所述特征层自注意力网络模型基于自注意力机制构建，用于获取各项目的第一权重分数，通过对各项目的项目表示进行加权，获取用户的局部兴趣表示；

采用建模元素的位置关系来保存时序关系，所述特征层自注意力网络模型包括前向自注意力网络模型和后向自注意力网络模型；

所述前向自注意力网络模型基于自注意力机制构建，基于前向位置编码矩阵获取各项目的关联分数；

所述前向位置编码矩阵，其获取方法为：

其中，d_i，j＝exp(|i，j|)，i，j为项目在行为序列中的位置编号；如果i，j相邻，则|i，j|＝1，否则|i，j|的值随i，j位置间隔大小相应递增，每间隔增加一位，|i，j|值加1；

所述后向自注意力网络模型基于自注意力机制构建，基于后向位置编码矩阵获取各项目的关联分数；

所述后向位置编码矩阵，其获取方法为：

其中，d_i，j＝exp(|i，j|)，i，j为项目在行为序列中的位置编号；如果i，j相邻，则|i，j|＝1，否则|i，j|的值随i，j位置间隔大小相应递增，每间隔增加一位，|i，j|值加1；

区别于计算序列中单个元素的分数，模型计算每个特征维度上的分数值，元素h_i和元素h_j之间的关联分数为：

f(h_i，h_j)＝W^Tσ(W₁h_i+W₂h_j)+repmat(M_ij，d_h)

其中，repmat(m，n)是将值m复制扩展成n维向量的函数，M_ij为或W^T、W₁和W₂是学习参数，σ是非线性激活函数；

关联分数f(h_i，h_j)是与元素h_i等长的向量；

元素hi和元素hj之间的特征维度上的权重分数为：

k表示k个特征维度，i，j为项目编号；

元素h_j的输出定义为：

其中，a_ij为元素h_i和元素h_j之间的特征维度上的权重分数，⊙表示按位点乘；

将用户行为序列的低维、稠密的向量表示作为输入，每个向量均为d_h维的向量，为通过前后向自注意力网络之后得到前后向加权表示：和再经过一个全连接层将其映射到n维向量中，得到用户的局部兴趣表示lp^u输出；其中u表示用户；

步骤S130，基于用户所访问的项目网络中各元路径的实例集合，通过基于上下文的元路径算法获取各元路径的元路径上下文表示；具体为：

元路径上下文定义为路径实例的集合：

其中，N为元路径P中包含的路径实例数量；

元路径上下文可以组织成各类上下文的集合：

C＝[c₁，c₂，...，c_m]

m是元路径的数量；

输入用户所访问异构信息网络中所有路径实例，通过全局上下文学习网络对用户所访问的异构信息网络中的每种元路径学习得到元路径上下文，将元路径上下文组成的上下文集合作为结果输出；

步骤S140，基于所述历史项目序列中各项目的项目表示和所述项目网络中各元路径的元路径上下文表示，通过协同注意力网络模型获取用户的全局兴趣表示；所述协同注意力网络模型基于协同注意力机制构建，用于对各元路径上下文表示进行加权获取元路径加权表示和对各项目的项目表示进行加权获取项目加权表示，并通过所述元路径加权表示和所述项目加权表示的聚合获取用户的全局兴趣表示；具体为：

协同注意力网络首先计算所有可能的历史行为和上下文对之间的关系矩阵S，包含任意对之间的关联分数；

给定上下文表示C和用户历史项目h，关系矩阵S表示为：

S＝σ(W_cC+b_c)×σ(W_hh+b_h)

其中，W_c和W_h都是参数矩阵，b_c和b_h是偏置向量，σ是非线性激活函数，关系矩阵S中的元素s_ij是第i个元路径与第j个历史项目之间的关联分数；

经Softmax函数得到历史行为相对于元路径上下文的关联分数c_w为：

用历史行为相对于元路径对元路径上下文做加权操作，得到更新后的元路径上下文，可以表示出异构网络中的元路径各自与历史行为间相关程度；

将关系矩阵S按列做平均池化，经Softmax函数得到元路径上下文相对于历史行为的关联分数：

用该关联分数对用户历史行为中的项目表示做加权操作，得到更新后历史行为，可以表示出历史行为序列中的项目各自与元路径上下文的相关程度；

将协同注意力层学习到的关联分数加权至元路径上下文和历史行为中，可以得到新的表示；通过第一聚合层将更新后的元路径上下文和历史行为两种表示聚合成全局表示：

其中，δ为非线性激活函数，为参数矩阵，b_ag为偏置项；

步骤S150，基于所述全局兴趣表示和所述局部兴趣表示，通过聚合获取用户的综合兴趣表示；

用户的局部兴趣表示lpu和全局兴趣表示gp_u聚合得到用户综合兴趣表示的方法为：

p_u＝δ(W_p[lp^u，gp^u]+b_p)

其中，δ为非线性激活函数，W_p为参数矩阵，b_p为偏置项。