[发明专利]一种序列推荐方法及计算机可读存储介质

说明书

本发明提供一种序列推荐方法及计算机可读存储介质，方法包括：获取用户的数据，数据划分为训练集和测试集，训练集用于训练序列推荐模型的参数，测试集用于测试序列推荐模型的效果；构建序列推荐模型；序列推荐模型采用长期短期自注意力序列推荐方法；用训练集训练所述序列推荐模型；用测试集测试序列推荐模型的效果；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序列推荐模型，得到用户的综合偏好，通过综合偏好估计用户对候选推荐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。通过用户特征、推荐候选item集特征、用户反馈数据，可以得到用户的综合偏好。

技术领域

本发明涉及序列推荐技术领域，尤其涉及一种序列推荐方法及计算机可读存储介质。

背景技术

随着互联网的普及，互联网应用的用户数量空前增长，诸多互联网公司在庞大的用户数据之上采用智能推荐算法提高产品的可用性和用户体验。然而经典的推荐算法往往存在一些问题，进而导致推荐精度不高或重复推荐：

1)对于用户反馈数据表现出的相互依赖和序列性分析不足；

2)对反馈数据和上下文(context)的动态性应对不足；

3)往往固定表达了用户的长期/一般偏好，而非基于用户反馈数据对长期/一般偏好进行表达。

而在序列推荐的场景中，两个重要的难点：1)学习高阶顺序依赖；目前主要的两种方案：高阶马尔科夫链模型和循环神经网络模型。但是，高阶马尔可夫链模型因参数数量随阶数呈指数增长，其分析的历史状态有限；而单一的循环神经网络模型难以处理具有非严格顺序相关性的用户反馈数据序列。2)学习长期顺序依赖；其主要方案是循环神经网络模型，而单一的循环神经网络模型依赖于相邻项的强相关性。

现有技术中的序列推荐方法无法解决序列推荐场景中的技术难点。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明为了解决现有的问题，提供一种序列推荐方法及计算机可读存储介质。

为了解决上述问题，本发明采用的技术方案如下所述：

一种序列推荐方法，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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：