[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

说明书

本发明属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法，旨在为了解决现有用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；现有的推荐系统推荐的准确性不高，推荐的内容不具有多样性的问题。本发明将基于用户访问的项目序列获取局部兴趣表示，通过对异构网络建模得到上下文感知的全局兴趣表示，结合局部兴趣表示和全局兴趣表示得到用户的综合兴趣表示。基于用户综合兴趣表示和待预测项目，通过推荐模型得到推荐结果。本发明的用户建模方法能够更全面地捕捉用户兴趣，有利于提高推荐系统的准确率；基于元路径的上下文感知序列推荐方法，推荐准确率高，推荐内容更具多样性。

技术领域

本发明属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法。

背景技术

在社交媒体网络上，用户贡献了大量的行为数据用于用户建模和个性化服务，例如电商平台的个性化推荐、信息平台的新闻推荐等等。推荐系统在将用户需求与各种在线平台的丰富项目相匹配方面发挥着越来越重要的作用。在构建一个有效的推荐系统过程中，一个关键因素是建模用户兴趣的能力，以准确地刻画和理解用户动态的、不断变化的口味和兴趣。

传统的推荐算法，比如基于内容的推荐方法和协同过滤推荐方法，通常认为用户是一个静态实体，用户的兴趣是固定的。矩阵分解技术建模静态的用户-项目交互，忽略了用户兴趣的迁移和演变。序列推荐技术近年来在建模用户动态兴趣方面获得极大的关注。事实上，用户的序列行为包含很丰富的信息，例如，它可以揭示用户兴趣演变并帮助识别哪些项目与当前的用户兴趣不相关。然而，现有的序列推荐算法通常使用历史行为的简单序列关系来建模用户偏好，其仅考虑关于用户行为的局部信息。这会使推荐系统产生一系列问题，比如推荐系统可能会陷入一个狭窄的推荐区域，使得推荐的内容“越推越窄”，限制了用户探索其他更多商品的可能性。

现有序列推荐系统中的用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；基于现有建模方法的序列推荐系统，推荐的准确性不高，推荐的内容不具有多样性。

发明内容

为了解决现有技术中的上述问题，即为了解决现有的用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；现有的推荐系统推荐的准确性不高，推荐的内容不具有多样性，本发明第一方面提出了一种基于元路径的上下文感知用户建模方法，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；

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；

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；

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。

在一些优选的实施方式中，所述第一权重分数由项目中各模态的权重分数构成。

在一些优选的实施方式中，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；