[发明专利]一种基于生成排序的时序推荐算法

权利要求书

1.一种基于生成排序的时序推荐算法，其特征在于，具体包括以下步骤：

步骤(1.1)、从数据集中随机采样数据样本(u,i,a)及(u,i′,a)，将其传输给推荐模型，推荐模型对每一个数据样本进行评分；

步骤(1.2)、推荐模型获取数据集的数据样本后，经过独热编码、嵌入层、生成层及转化层，最终将数据样本转化为对应的推荐分数；

步骤(1.3)、训练推荐模型，根据推荐模型输出的推荐分数计算损失值，使用梯度下降的方法更新推荐模型参数；

步骤(1.4)、在每次更新推荐模型参数后，判断推荐模型的准确率是否提高，如否，则停止训练，返回至步骤(1.1)对推荐模型开始重新进行训练；如是，则对推荐模型进行继续训练直至训练结束；

步骤(1.5)、推荐模型训练结束之后，从数据库中读取所有用户-项目数据，使用推荐模型进行打分，根据打分的结果进行排序，将对于每个用户分数最高的10个项目推荐给用户。

2.根据权利要求1所述的一种基于生成排序的时序推荐算法，其特征在于，在步骤(1.1)中，

所述的u表示用户，i,i′表示产品，(u,i,a)表示用户选择的产品作为正向样本，(u,i′,a)表示用户未选择的产品作为负向样本，a代表额外信息。

3.根据权利要求1所述的一种基于生成排序的时序推荐算法，其特征在于，在步骤(1.2)中，

(1.2.1)、所述独热编码的具体操作过程如下：

以和分别表示数据集中的用户集合和产品集合，分别对用户集合和产品集合进行独热编码，并将用户集合和产品集合对应的独热码进行连接构成特征向量

(1.2.2)、所述嵌入层的具体操作过程如下：

将特征向量与嵌入层中的权重W进行矩阵乘法，将其转化为特征空间中的特征向量其具体公式如下：

(1.2.3)、所述生成层的具体操作过程如下：

式中，表示特征空间中的特征向量，W₁和W₂表示转化参数，且两者的行数和列数都相同，和分别表示高斯分布的方差和均值，表示由高斯分布生成的数据

(1.2.3)、所述转化层的操作步骤过程具体如下：

将特征向量及由高斯分布生成的数据所组合成的特征矩阵M转化为对应的分数值，为之后的排序操作做准备，其具体公式如下：

式中，表示用户-产品特征向量，分别表示特征矩阵M中不同维度i,j的特征向量，w₀表示偏差值，w_i表示针对每个特征向量的权重值，且表示向量和之间内积计算。

4.根据权利要求1所述的一种基于生成排序的时序推荐算法，其特征在于，在所述步骤(1.3)中，更新推荐模型参数的具体操作方法如下：

在训练过程中，从数据集中获取正向样本(u,i,a)及负向样本(u,i′,a)；使得正向样本(u,i,a)的分数大于负向样本(u,i′,a)，其具体公式如下：

式中，Θ表示推荐模型中的参数，表示最优参数，i表示正样本对应的产品，i′表示负样本对应的产品，表示正样本特征向量，表示负样本特征向量，Ω(Θ)表示L2参数正则化方法，其中参数c_ui表示当前样本在训练过程中的重要性，对应的公式为：

c_ui＝1+αlog(1+r_ui/∈)

式中，α和∈表示人为调整的参数，需在训练推荐模型的过程中不断调整；r_ui表示每个特征向量的时间权重，样本的时间点越接近现在，权重值越大。

5.根据权利要求1所述的一种基于生成排序的时序推荐算法，其特征在于，在所述步骤(1.5)中，对使用推荐模型生成推荐列表并发送给用户的具体操作过程如下：

(1.5.1)、从数据库中读取所有的用户和项目数据，且使用已经训练好的模型对每个数据进行打分；

(1.5.2)、根据模型得出的分数结果，对每个用户会选择的项目进行排序，选取分数最高的10个项目推送给用户。