[发明专利]基于时间信息和序列上下文的下一个游戏推荐方法

权利要求书

1.基于时间信息和序列上下文的下一个游戏推荐方法，其特征在于包括如下步骤：

步骤(1)构建模型的输入；

处理用户序列数据，分别从用户序列信息数据中抽取出用户游戏文件、用户间隔时间文件和用户持续时间文件；

步骤(2)使用词嵌入工具处理用户游戏文件，生成游戏的低维稠密向量表示；

步骤(3)构建间隔时间门和持续时间门；

其中表示所有用户的第k个游戏低维稠密向量构成的矩阵；Δt_k：表示所有用户的第k个游戏到第k+1个游戏之间的间隔时间构成的向量；d_k：表示所有用户的第k个游戏的持续时间构成的向量；I_k和D_k：分别表示第k个游戏所对应的间隔时间门和第k个游戏所对应的持续时间门；和分别表示x_k在间隔时间门和持续时间门中的权重矩阵；和分别表示Δt_k和d_k的权重矩阵；和分别表示间隔时间门和持续时间门偏置；和表示sigmoid函数；和表示双曲正切函数；

步骤(4)构建主要模型；

其中c_k：表示传统的LSTM的cell，里面存储着之前的序列信息；和分别表示在c_k结合了间隔时间和持续时间信息的新cell；h_k：模型在第k个神经单元的输出；i_k和o_k：分别表示模型中的输入门和输出门；W_i，W_c和W_o：表示模型的输入门，cell单元，输出门的中x的权重矩阵；U_i，U_c和U_o：表示模型的输入门，cell单元，输出门中h_k的权重矩阵；P_i和P_o：表示模型的输入门，输出门中c_k的权重矩阵；b_i，b_c和b_o：表示模型的输入门，cell单元和输出门的偏置；σ_i和σ_o：表示sigmoid函数；σ_c和σ_h：表示双曲正切函数；操作：表示向量的元素逐位相乘；

步骤(5)设置模型参数，进行训练，并保存模型；

步骤(6)使用保存的模型对新用户的用户序列数据生成推荐。

2.根据权利要求1所述的基于时间信息和序列上下文的下一个游戏推荐方法，其特征在于：步骤(5)中的模型具体训练步骤如下：

将预先训练好的embedding向量读入到模型的embedding层中，执行以下步骤：

7-1.将用户游戏信息文件，用户间隔时间信息文件和用户持续时间信息文件同时读入，如果有序列的长度超出了预设的最大长度Mlen，将其截断；

7-2.验证模型的每一个游戏是否和间隔时间，持续时间相对应；

7-3.将数据按照事先定义好的batch_size大小，分批输入到模型中；

7-4.在模型开始训练时，将c₀和h₀初始化为零矩阵；所有的权重向量按照正态分布进行随机初始化；

7-5.用户的游戏数据在输入的时候，将其转化为one-hot向量x_k；

7-6.用户游戏数据在经过embedding层时，被转化成低维稠密向量

7-7.用户的间隔时间数据和持续时间数据分别按照batch_size的大小输入到间隔时间门I_k和持续时间门D_k；

7-8.开始计算每一个模型输出的值；并通过和游戏序列中真实的下一个游戏进行比较，计算损失函数，按照随机梯度下降法对模型的权重参数进行学习和调整。