[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

说明书

本发明公开了一种基于时间信息和序列上下文的下一个游戏推荐方法。本发明在原始的LSTM单元的cell中添加间隔时间和持续时间的信息，使得同时结合间隔时间和持续时间信息，对cell中的信息进行过滤和控制，同时使用GloVe模型对序列上下文进行更加精确的建模。不同于传统的方法，本发明利用间隔时间和持续时间信息更加合理的反映了序列的记忆特点：间隔时间过长的信息更应该被遗忘，持续时间很长的信息应该被记忆。

技术领域

本发明属于推荐系统领域，涉及一种基于时间信息和序列上下文的下一个游戏推荐方法。

背景技术

在实际应用中，用户总是在不同的时间进行一系列动作(听一系列音乐或玩不同的游戏)。因此，下一个篮子推荐最近受到了很多关注，它可以根据从用户的一系列动作中挖掘的模式来预测用户的下一个项目/活动。一般来说，下一个篮子推荐有两种方法：一种是协同过滤(CF)的方法，它捕获用户的一般兴趣但不考虑用户行为的顺序；另一种方法将用户的顺序行为与序列建模技术相结合，例如马尔可夫链(MC)。然而，这种类型的模型仅捕获序列中的相邻关系，并且不能很好地模拟复杂序列。另一种有效的序列建模方法——递归神经网络(RNN)可以处理复杂的序列，并已广泛应用于许多应用，如情感分析和机器翻译。然而，传统的RNN在复杂序列上不能很好地工作，并且在长序列训练时会出现梯度消失的问题。幸运的是，长期短期记忆(LSTM)网络作为RNN模型的改进，已经很好地解决了这个问题。具体而言，LSTM通过添加输入门、输出门和忘记门来捕获数据的长期和短期记忆。与RNN相比，LSTM能够捕获复杂的关系并实现更好的性能。

然而，面对游戏领域产生的长序列多维度(比如间隔时间和持续时间)的数据，RNN和LSTM都不能在建模中有效结合长短期记忆和时间信息，这导致RNN和LSTM在面对长序列预测的问题时效果甚微。

发明内容

本发明针对现有技术的不足，提出了一种基于时间信息和序列上下文的下一个游戏推荐方法。该模型在序列的下一项推荐方面，综合考虑的间隔时间，持续时间和序列上下文信息。同时，在效果提升的基础上，进一步的使用耦合模型中的输入门和忘记门来达到提升训练效率的效果。

本发明方法的具体步骤是：

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，用户持续时间文件。

步骤(2)使用词嵌入工具(本方法中使用GloVe)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。

以下对上述公式中出现的符号进行解释：

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W_td：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。