[发明专利]一种用户兴趣偏好捕获方法

权利要求书

1.一种用户兴趣偏好捕获方法，其特征在于：所述方法使用融合用户经验直觉与逻辑推理的双认知过程构建兴趣偏好捕获系统，通过该兴趣偏好捕获系统并行学习用户的历史交互序列数据，挖掘其历史交互行为的动态变化与顺序联系，捕获下一时刻用户的兴趣偏好；该方法包括以下步骤：

S1、数据输入：使用按时间顺序构造的每个用户MN次历史交互组成的序列X作为输入，并且对于少于MN次交互的用户，在其序列的开头用零填充；

S2、数据处理：从历史交互序列数据中的第二个项开始，计算用户历史交互序列中当前项与其前后项之间的相似度，通过比较两者之间的大小划分同质序列，并将划分后的每一个序列嵌入为低维张量；

S3、潜在兴趣偏好捕获：利用双线性乘积模块学习用户的二阶兴趣偏好，同时利用多头注意力机制分别与卷积神经网络模块和全局池化模块结合学习用户的局部与全局兴趣偏好，再拼接重组上述双线性乘积模块、卷积神经网络模块和全局池化模块的输出的特征张量进而获得下一时刻用户的潜在兴趣偏好；具体如下：

S31、在潜在兴趣偏好捕获阶段，将同质序列嵌入矩阵E_M输入到双线性乘积模块中学习用户的二阶兴趣偏好特征矩阵F_dl＝[e_i·W_ij⊙e_j]，其中W_ij为所有字段嵌入向量相互作用间共享的参数矩阵，e_i与e_j分别为嵌入操作后的每一个项的向量表示；

S32、在潜在兴趣偏好捕获阶段，将同质序列嵌入矩阵E_M输入到多头注意力模块中早期融合兴趣特征输出加权矩阵F_a＝concat(H₁,H₂,…,H_k)W^O，其中W^O为附加的权重矩阵，H_i为每个注意头输出的兴趣偏好子空间；

S33、将早期融合兴趣特征输出加权矩阵F_a经过两层全连接层后输出高度拟合矩阵F_aff；

S34、确定卷积神经网络阶段卷积层中的卷积核大小C^l与池化层中的滑动窗口大小P^l；

S35、重置第一层卷积层的输入，执行卷积与池化操作直至循环结束；

S36、将最后一层池化层的输出作为局部兴趣偏好特征矩阵F_mp；

S37、利用与输入特征矩阵相同大小的滑动窗口求得全局兴趣偏好特征矩阵F_gp；

S38、将步骤S31、步骤S36与步骤S37输出的特征矩阵进行拼接，输出下一阶段用户潜在兴趣偏好I_c＝concat(F_dl,F_mp,F_gp)；

S4、动态兴趣偏好捕获：利用卷积神经网络提取各个同质序列包含的兴趣点，通过层间抽样构建用户的兴趣偏好进化图，将图映射为兴趣序列并输入到双掩蔽门控循环单元中学习下一时刻用户的动态兴趣偏好；具体如下：

S41、利用卷积神经网络的卷积层与池化层提取每个同质序列嵌入矩阵E_k所包含的兴趣节点集合并作为第k层的节点，其中a_k为第k层兴趣节点的总数；

S42、利用最佳采样器采样下层节点并构建动态兴趣偏好进化图G，最佳采样器定义为：

其中，为给定k层节点采样k'层节点的概率，是基于节点特征计算的自相关函数；

S43、利用映射函数map_gs将G＝(V,E)映射为具有可变长度的兴趣偏好序列集合S＝map_gs(G,S_k)＝{S₁,…,S_M}；

S44、利用双掩蔽门控循环单元学习序列中节点之间的互连方式，从而捕获下一序列中的节点如何链接到之前的节点；

S45、通过转移函数更新所有兴趣偏好序列得到下一阶段用户的动态兴趣偏好

S5、兴趣偏好融合：将步骤S3与步骤S4捕获到的用户潜在兴趣偏好与动态兴趣偏好融合，输出下一时刻用户的兴趣偏好，完成整个兴趣偏好特征捕获过程。