[发明专利]一种基于用户序列点击行为的兴趣推荐方法及系统

说明书

本发明公开了一种基于用户序列点击行为的兴趣推荐方法及系统，首先获取用户的历史交互项目数据，组成用户的历史交互项目序列；构建兴趣推荐模型；利用兴趣推荐模型对用户的历史交互项目序列进行会话划分；提取划分后得到的每个会话内兴趣，对每个会话内的兴趣进行加权处理，得到用户的会话兴趣序列；将不同会话之间的兴趣进行交互，得到不同会话之间动态的交互模型；将用户的会话兴趣序列输入到不同会话之间动态的交互模型，预测得到待推荐的目标项目序列。

技术领域

本发明涉及项目推荐技术领域，具体涉及一种基于用户序列点击行为的兴趣推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着互联网行业的高速发展，我们已经进入了一个信息爆炸的时代。花样繁多的各类项目、飞速增加的新闻信息、铺天盖地的广告信息等使得个人的接受能力严重“超载”。互联网中数量庞大的信息无论是给信息的提供者还是信息的使用者都带来了巨大的挑战：信息的提供者如何将自己存储的海量信息有针对的展示给信息使用者；信息的使用者如何在众多的信息中筛选出自己需要的信息。针对这一系列的问题，推荐系统应运而生。

所谓推荐系统，简言之就是根据用户的偏好为其推荐其最有可能感兴趣的内容。一般推荐方法主要以协同过滤模型为代表。最常见的协同过滤方法主要有邻域方法和矩阵分解模型。其中邻域方法通过测量项目与相似性矩阵之间的距离来进行推荐，基于邻域的算法分为两大类，一类是基于用户的协同过滤算法，另一类是基于物品的协同过滤算法。而矩阵分解通过用户和项目嵌入之间的内积来估计用户对项目的偏好。虽然上述两种方法在推荐方面取得了显著的成效，但是这些方法仅仅将用户交互过的项目简单的作为项目的集合，通过分析集合来进行推荐。简言之，它们只是通过挖掘用户和项目之间的静态相关性来进行推荐。它们只关注了用户的长期静态偏好，而忽略了隐藏用户顺序行为中偏好的转移，并无法对顺序数据中的复杂关系进行建模，所以并不适合用于序列推荐。序列推荐不是简单的将用户交互过的项目作为项目的集合，而是将项目作为项目的顺序来进行推荐，它不仅考虑用户的长期的静态的一般偏好，而且将用户的短期的动态的顺序模式也考虑在内。

为了解决上诉一般推荐系统所存在的问题，基于用户交互行为的序列推荐系统近年来受到了学术界和工业界的广泛关注。序列推荐系统的目的是在给定用户过去交互过的项目的前提下，预测用户在未来可能交互的连续项目。人们在上网时，大量的用户交互(比如，用户的点击，评论，收藏等行为)会被记录下来，这些丰富的用户交互行为对了解用户的兴趣爱好提供了机会。人们通过分析用户的顺序行为，挖掘交互行为中隐含的用户偏好，来对用户进行有效的推荐。

近几年来，作为机器学习的一个分支，深度学习已经成为不可忽视的力量，开始在机器翻译、图像识别，语音识别等领域大放光彩。同时，深度学习模型，例如RNN、GRU、LSTM等，也开始逐步在序列推荐领域得以使用。同时，由于注意力机制在例如机器翻译等任务中表现出的对顺序数据建模的强大潜力，一些研究也开始试图使用注意力机制来提高序列推荐的性能和可解释性。发明人在研发过程中发现，一般的序列推荐系统是将用户交互过的项目作为一个整体作为输入，首先它们没有考虑到序列的内在结构，即序列是由会话组成的，用户在同一会话内和不同会话间的兴趣有所不同：用户行为在每个会话中是相似的，在不通会话间是不同的。其次，它们只考虑了项目之间的序列模式，而忽略了项目之间的序列转换关系。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于用户序列点击行为的兴趣推荐方法及系统，首先根据用户在某一时间段内的偏好是相似的来将用户的交互序列进行划分为不同的会话，然后结合每个会话内的用户兴趣和不同会话间的兴趣交互实现序列推荐，有效弥补现存序列推荐方法忽略用户序列行为的内在结构和忽略项目之间转换关系等问题。

本发明一方面提供的一种基于用户序列点击行为的兴趣推荐方法的技术方案是：

一种基于用户序列点击行为的兴趣推荐方法，该方法包括以下步骤：