[发明专利]一种序列推荐方法及计算机可读存储介质

权利要求书

1.一种序列推荐方法，其特征在于，包括如下步骤：

S1：获取用户的数据，所述数据划分为训练集和测试集，所述训练集用于训练序列推荐模型的参数，所述测试集用于测试所述序列推荐模型的效果；

S2：构建所述序列推荐模型；所述序列推荐模型采用长期短期自注意力序列推荐方法；

S3：用所述训练集训练所述序列推荐模型；用所述测试集测试所述序列推荐模型的效果；

S4：将用户特征、推荐候选item集合特征、用户的反馈数据输入到训练好的所述序列推荐模型，得到用户的综合偏好，通过所述综合偏好估计所述用户对候选推荐item集中的推荐候选item的偏好程度，将偏好程度排名高的item推荐给用户，完成推荐；

所述长期短期自注意力序列推荐方法包括如下步骤：

S21：从用户长期反馈数据提取所述用户的长期/一般偏好；

S22：从用户短期反馈数据提取所述用户的序列性偏好；

S23：联合所述长期/一般偏好、所述序列性偏好、所述用户短期反馈数据参与注意力机制的赋权并非线性表达，提取出所述用户的综合偏好；

所述序列推荐模型包括嵌入表示层、自注意力层、GRU层、注意力层；

所述注意力层用于联合用户短期反馈数据序列参与注意力机制，用户的长期/一般偏好表示u^long、用户的序列性偏好表示u^seq、用户短期反馈数据序列这三项联合为其中为的长度，输入注意力层最终得到了用户u的综合偏好的表示u^comp；注意力层模型的公式化表示如下：

其中，和为注意力层的权重参数，这里″+″表示的每一行都和b_A相加，由上式得到了为的非线性表示；

其中，u^long作为注意力层的上下文向量，使用softmax函数联合计算得到了的注意力权重向量

由上式得到的注意力权重向量对加权求和，最终得到了用户u的综合偏好的表示

2.如权利要求1所述的序列推荐方法，其特征在于，所述嵌入表示层用于对用户特征、推荐候选item集合特征、用户的反馈数据的特征的稀疏表示进行嵌入，转化为稠密的嵌入表示。

3.如权利要求2所述的序列推荐方法，其特征在于，所述自注意力层以候选推荐item集合的嵌入表示用户u的嵌入表示用户长期反馈序列为输入，输出用户长期/一般偏好的表示u^long，公式化表达如下：

其中，表示用户长期反馈序列的item序列长度，d表示嵌入表示层的维度，表示l、u、的联合向量，其中为的长度，l、u作为上下文和联合，动态地表示了长期信息，即相同的用户反馈数据，Query、Key、Value表示注意力机制中的查询、索引、需被注意力机制加权的数据，即Query、Key、Value均表示分别为Query和Key非线性表示层的权重参数，ReLU(·)表示Leaky_ReLU激励函数,Q′和K′分别表示Query和Key的非线性表示，Leaky_ReLU是ReLU的变体；

其中，为Q′和K′的关联矩阵表示，并作为自注意力层的注意力权重矩阵，用以缩放点积；

其中，作为注意力权重矩阵和联合向量相乘得到了加权输出

对X′_u^longu聚合，得到了用户长期/一般偏好的表示