[发明专利]基于会话的并行推荐方法及系统

权利要求书

1.一种基于会话的并行推荐方法，其特征在于，包括：

接收用户在当前会话中的已点击项目序列；

将所述已点击项目序列的嵌入向量输入切片神经网络中，通过切片神经网络将所述嵌入向量分割成多个长度相等的子序列来实现并行化，并将切片神经网络最后输出的隐藏状态作为用户序列行为特征；

结合用户序列行为特征、各个已点击项目的点击频率和各个已点击项目的嵌入向量，利用注意力机制来计算用户对在各个时间戳点击的项目的注意力权重，并基于注意力权重和已点击项目序列的嵌入向量计算用户的长期兴趣；

将用户最后一次点击的项目的嵌入向量作为用户的短期兴趣；

结合用户的长期兴趣和短期兴趣，利用多层感知机制来获取用户的主要意图；

计算项目字典里每个项目的嵌入向量与用户的主要意图之间的相似度，对所有相似度进行归一化后获得用户对于项目字典里每个项目的下一次点击概率；对点击概率列表进行排序，并根据点击概率列表向用户推荐项目；

所述通过切片神经网络将所述嵌入向量分割成多个长度相等的子序列来实现并行化，包括：

对于已点击项目序列的嵌入向量X_T＝[x₁,x₂,…,x_T]，令每次切割的切片数量为n，共切割k次，则首先X_T被切割成n个长度相等的子序列：X_T＝[N₁,N₂,…,N_n]，其中第i(1≤i≤n)个子序列T表示时间戳；再如此切割k-1次，直到得到第0层的最小子序列，则最小子序列的长度数量为n^k个；从第1层开始，每一层的子序列都由下一层每n个子序列通过带有GRU的标准循环神经网络后的最后一个输出的隐藏状态构成的序列组成；

所述结合用户序列行为特征、各个已点击项目的点击频率和各个已点击项目的嵌入向量，利用注意力机制来计算用户对在各个时间戳点击的项目的注意力权重，包括：

所述注意力机制为单层神经网络模型，在注意力机制中通过以下计算获得注意力权重：

其中α_iT表示第i时刻的注意力权重，是sigmoid函数，h是用户序列行为特征；W_α0∈R^1×d是权重向量，W_α1,W_α2∈R^d×d是权重矩阵，b_α,W_α3∈R^d是偏置向量，d是已点击项目的嵌入向量维度，T表示时间戳，f_i表示第i时刻已点击项目在当前会话中的点击频率，x_i表示第i时刻已点击项目序列的嵌入向量。

2.根据权利要求1所述的基于会话的并行推荐方法，其特征在于，所述基于注意力权重和已点击项目序列计算用户的长期兴趣，表示为：

其中，x_i∈X_T，X_T＝[x₁,x₂,…,x_T]表示已点击项目序列的嵌入向量。

3.根据权利要求1所述的基于会话的并行推荐方法，其特征在于，所述结合用户的长期兴趣和短期兴趣，利用多层感知机制来获取用户的主要意图，包括：

所述多层感知机制由单层神经网络构成，在多层感知机制中通过以下计算获得用户的主要意图：

其中，是sigmoid函数，W_I1,W_I2∈R^d×d是权重矩阵，b_I∈R^d是偏置向量，I_l表示用户的长期兴趣，I_s表示用户的短期兴趣。

4.根据权利要求3所述的基于会话的并行推荐方法，其特征在于，所述计算项目字典里每个项目的嵌入向量与用户的主要意图之间的相似度，表示为：

c_i＝e_i·I

其中，e_i∈E，E表示项目字典，e_i表示目字典里每个项目的嵌入向量。