[发明专利]一种基于生成排序的时序推荐算法

说明书

本发明公开了一种基于生成排序的时序推荐算法，属于推荐系统技术领域。具体步骤：1、随机采样数据样本传输给推荐模型，通过推荐模型对其进行评分；2、经过独热编码、嵌入层、生成层及转化层，将数据转化为对应的推荐分数；3、更新推荐模型参数；4、判断推荐模型的准确率是否提高；5、推荐模型训练结束之后，使用推荐模型进行打分，根据打分的结果进行排序，将项目推荐给用户。本发明针对推荐系统训练数据中因为用户和产品数量众多而造成得数据稀疏性和用户偏好随时间变化的问题，使用负采样以及基于高斯分布的生成方法训练模型，使得该时序模型具有泛化能力，并能识别用户喜好的变化，最终提高推荐的准确率。

技术领域

本发明涉及推荐算法领域，具体涉及一种基于生成排序的时序推荐算法。

背景技术

推荐算法在不同类型的网站中大量的应用，比如视频、购物、新闻、学习，并获得了工业界和学术界广泛的关注。推荐系统能够有效利用用户的历史交互信息，帮助用户过滤掉不感兴趣的内容，从海量的网络数据中快速获取有用的信息。推荐系统使用推荐算法产生用户可能感兴趣的内容列表，并且可以将优质的，最新的内容推荐给用户，保持用户在线的活跃度。

传统的推荐算法比如协同过滤，基于内容的过滤推荐算法可以利用用户的历史数据生成对于用户感性的推荐列表，并取得了不错的准确率，但是这些模型没有考虑用户近期偏好的动态变化特征，而传统的时序推荐算法如马尔科夫链(Markov Chain)、基于会话的KNN时序推荐算法虽然能够识别用户偏好的变化，但在训练过程中因为数据的稀疏性准确率往往会下降。本专利提出了一种基于生成排序的时序推荐算法GSR(GenerativeRanking based Sequential Recommendation Model)，利用高斯分布在特征空间中的样本点的周围生成新的特征向量，并用于模型的训练，能够提高了模型的泛化能力，并且该时序推荐模型能够识别最近的用户偏好变化，可以根据用户的选择快速更新推荐列表。最后该模型不仅能够根据用户近期得历史记录快速更新推荐内容，同时具有很高的准确率。

在传统的推荐算法模型训练的过程中，模型将高维的数据投影到低维的特征空间中去，最终输出对应的分数进行排序，但是当训练数据十分稀疏的时候，模型在训练过后不能有良好的泛化能力。并且当用户选择与历史不用类型的产品时，模型不能改变推荐列表，最终导致了推荐的准确率较低。

发明内容

针对上述问题，本发明提供了一种基于生成排序的时序推荐算法，该方法通过在隐空间中生成特征点，以及使用L2参数正则化方法，使得模型在训练过程中获得良好的泛化能力，从而提高了推荐的准确率。

本发明的技术方案是：一种基于生成排序的时序推荐算法，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。

进一步的，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。