[发明专利]基于用户兴趣编辑的商品序列推荐方法及系统

权利要求书

1.一种基于用户兴趣编辑的商品序列推荐方法，其特征在于，包括：

获取与用户产生交互行为的商品历史序列；

将所述商品历史序列输入预训练的序列预测模型，输出推荐的商品；

其中，所述序列预测模型包括序列编码器、兴趣分辨器以及序列解码器，其训练过程采用兴趣编辑策略，使所述序列预测模型学习不同商品历史序列之间的公有性和特有性，获得重新组合后的序列表示，利用重新组合的序列对所述序列预测模型进行训练；

在所述序列编码器中，对于每个商品序列均拼接若干特殊标记，其中，每个标记表示用户特殊的兴趣，并且通过所述序列编码器将标记后的商品序列编码成隐状态表示；

在所述兴趣分辨器中，计算每一个特殊标记对于序列中的所有商品的注意力分布，同时，引入了兴趣覆盖机制，避免不同的特殊标记都关注相同的商品；

所述兴趣覆盖机制，具体是维护个覆盖向量，向量记录的是在特殊标记之前的所有标记对序列中所有商品的注意力分布之和，这代表了这些商品从注意力机制中得到的覆盖程度，其计算如下：

其中，是由对所有商品产生的注意力分布向量表示并且，是零向量这代表着在第一个时间步下，没有商品被覆盖到；

在所述序列解码器中，使用已经得到的用户多兴趣表示来做推荐；

所述兴趣编辑策略包括兴趣分离和兴趣交换两种操作，通过兴趣分辨器获得不同序列的多兴趣表示，然后通过兴趣分离操作迫使所述序列预测模型学习序列间的公有性和特有性，所述兴趣交换操作交换各自的公有性表示部分以此对之前的每一条序列生成重新组合之后的序列表示；

所述兴趣分离操作具体为：对于每一对序列和,通过计算相似度矩阵来表示它们的相关程度；基于该相似度矩阵，计算注意力矩阵和，根据所述注意力矩阵获得每条序列具有公有性和特有性的表示部分；

其中，和代表每条序列的公有性兴趣表示，和代表序列各自的特有性兴趣表示，和代表注意力矩阵，和代表多兴趣表示矩阵，代表元素相乘操作。

2.如权利要求1所述的一种基于用户兴趣编辑的商品序列推荐方法，其特征在于，所述序列预测模型训练采用的目标函数为推荐损失函数和覆盖损失函数的组合，其中，所述推荐损失函数采用负对数似然估计，所述覆盖损失函数用于惩罚不同兴趣关注相同商品的情况；

首要目标是对输入序列的每一个位置去预测下一项商品，使用负对数似然作为推荐损失函数，其计算如下：

其中，是基于深度学习的编码器-解码器框架Multi-preference Transformer的所有参数；除此之外，还定义一个覆盖损失来惩罚不同兴趣关注相同商品的情况：

最后，将覆盖损失函数乘上超参，加上推荐损失函数作为整体的损失函数来指导整个学习过程：

其中，控制着覆盖损失函数的比例。