[发明专利]一种基于广义神经注意力的物品推荐方法

说明书

本发明提供一种基于广义神经注意力的物品推荐方法，涉及信息处理技术领域。本发明将广义矩阵因子分解模型GMF和神经注意相似度模型NAIS相结合建立广义神经注意力推荐模型GNAS，在模型中使用GMF与多层感知机MLP(MLP,Multilayer Perceptron)集成的注意力机制对模型进行优化，对模型进行优化后，通过优化的广义神经注意力推荐模型预测用户对目标物品的喜好程度，为用户生成个性化推荐列表。本发明挖掘用户潜在的兴趣爱好，提高推荐系统的可解释性和多样性；其次采用GMF模型和MLP模型相结合的注意力机制估算每个历史物品在预测目标物品的喜爱程度时所占的权重，使用较小的时间代价大大提高了推荐准确率，为用户推荐更加符合其兴趣的物品。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于广义神经注意力的物品推荐方法。

背景技术

如今，我们正经历从信息时代(Information Technology，IT)到数据时代(DataTechnology，DT)的变迁，数据时代比较明显的标志就是：信息过载。如何从海量的信息中快捷的帮助特定用户找到感兴趣的信息呢？现在有两种相关的解决技术：搜索引擎与推荐系统。搜索引擎需要用户准确地描述出自己的需求，而推荐系统则通过分析、挖掘用户行为，发现用户的个性化需求与兴趣特点，将用户可能感兴趣的信息或物品推荐给用户。一个优秀的推荐系统能够很好的串联起用户、商家以及平台方，并让三方都收益，所以它不仅在学术界得到了大量的关注和研究，也在各个应用场景中得到了广泛的应用，已逐渐成为大部分领域的标配。

电子商务网站是个性化推荐系统的一大应用领域。在电影和视频网站中，个性化推荐系统也是一种重要的应用。它能够帮助用户在浩瀚的视频库中找到令他们感兴趣的视频。在社交网络方面可以利用用户的社交网络信息对用户进行个性化的物品推荐以及给用户推荐好友等。个性化广告的推荐也成当下持续关注的热点。另外还有个性化音乐推荐，新闻阅读推荐以及地理位置方面的应用等。总之，推荐系统已经随处可见，不仅具有极高的商业价值，也为我们的学习和生活带来极大的便利。

个性化推荐的最大的优点在于，它能收集用户特征资料并根据用户特征，如兴趣偏好，为用户主动做出个性化的推荐。而且，系统给出的推荐是可以实时更新的，当系统中的商品库或用户特征库发生改变时，给出的推荐序列会自动改变。这就大大提高了电子商务活动的简便性和有效性，同时也提高了企业的服务水平。如果推荐系统的推荐质量很高，那么用户会对该推荐系统产生依赖。因此，个性化推荐系统不仅能够为用户提供个性化的推荐服务，而且能与用户建立长期稳定的关系，从而有效保留客户，提高客户的忠诚度和网站点击率，防止客户流失。在日趋激烈的竞争环境下，个性化推荐系统能有效的保留客户，提高电子商务系统的服务能力，在为用户的生活代来极大便利的同时也会为公司带来巨大的经济效益。

推荐系统中最重要的模块是推荐算法，而在推荐算法中应用最广泛的是协同过滤算法(Collaborative Filtering CF)。CF主要分为两类，基于用户的协同过滤算法(User-based CF)和基于物品的协同过滤算法(Item-based CF)。Item-based CF的核心思想是给用户推荐那些和他们之前喜欢的物品相似的物品，所以该算法主要分为两步：(1)计算物品之间的相似度；(2)根据物品相似度和用户的历史行为给用户生成推荐列表。