[发明专利]一种基于层次注意力机制的群组推荐方法

权利要求书

1.一种基于层次注意力机制的群组推荐方法，其特征在于，包括：

S1：对用户、项目进行嵌入编码，分别得到用户嵌入向量和项目嵌入向量；

S2：基于用户嵌入向量和项目嵌入向量，采用层次注意力机制进行成员偏好融合，并通过群组的历史交互信息计算群组的主题偏好，根据成员偏好融合的结果和群组主题偏好得到群组偏好，其中，采用层次注意力机制进行成员偏好融合包括：采用两层注意力神经网络，分别捕捉成员之间相互影响以及成员在群组决策中的影响，并基于两种影响进行成员偏好融合；

S3：基于群组偏好，利用神经协同过滤框架计算群组对项目的预测得分，进行群组推荐；

其中，S2具体包括：

S2.1：采用层次注意力机制，进行成员偏好融合，S2.1包括：

S2.1.1：计算成员偏好表示，其中，成员偏好包括成员自身的偏好以及群组中其它成员对用户偏好的影响，成员偏好表示的计算具体表示如下：

其中，分别表示成员和的历史偏好，表示成员对于成员的影响权重，表示成员之间的影响；

S2.1.2：根据成员偏好表示进行成员偏好融合，成员偏好融合表示如下：

表示用户在群组的偏好，权重系数表示成员对于小组选择项目的影响程度；

S2.2：使用注意力机制计算群组主题偏好，计算公式为：

表示项目对于计算群组主题偏好影响的权重大小，表示项目的嵌入向量；

S2.3：将步骤S2.1和步骤S2.2得到的结果相加得到群组偏好表示，公式如下：

h_l表示指向群组的成员，t表示成员编号。

2.如权利要求1所述的群组推荐方法，其特征在于，S1具体包括：

将用户的独热编码、项目的独热编码作为输入，经过嵌入层后得到用户和项目的嵌入向量，其中，嵌入层用于将高维度的向量转换为低维度的嵌入向量，具体公式为：

其中，成员的独热编码和项目的独热编码输入到嵌入层之后，得到对应的嵌入向量为和，表示用户嵌入权重矩阵，表示项目嵌入权重矩阵，d、n、m分别表示嵌入向量的维度、用户总数和项目总数。

3.如权利要求1所述的群组推荐方法，其特征在于，S2.1.1具体包括：

将和作为神经网络的输入，学习得到权重系数：

，表示神经网络中将成员偏好嵌入向量转换为隐藏层的权重矩阵，b是隐藏层的偏置向量，使用ReLU函数作为隐藏层的激活函数，再利用权重向量h得到，表示成员的嵌入向量和成员的嵌入向量的相似度，最后使用softmax函数进行归一化处理得到权重系数，其中，表示成员的嵌入向量和成员的嵌入向量的相似度。

4.如权利要求1所述的群组推荐方法，其特征在于，S2.1.2具体包括：

将和输入到神经网络中学习得到权重系数，表示成员对于小组选择项目的影响程度，

其中，和分别表示神经网络中将项目嵌入向量和用户嵌入向量转换为隐藏层的权重矩阵，b是隐藏层的偏置向量，使用ReLU函数作为隐藏层的激活函数，再利用权重向量h得到，表示成员的偏好表示向量和项目的嵌入向量的相似度，最后使用softmax函数进行归一化处理得到权重系数，其中，表示成员的偏好表示向量和项目的嵌入向量的相似度。

5.如权利要求1所述的群组推荐方法，其特征在于，S2.2具体包括：

通过注意力机制学习不同的历史交互项对于群组主题偏好表示影响的权重：

其中，，表示神经网络中将项目嵌入向量转换为隐藏层的权重矩阵，b表示偏置向量，隐藏层的激活函数使用ReLU函数，再利用权重向量h得到，最后使用softmax函数进行归一化处理得到，其中，表示项目的嵌入向量和项目的嵌入向量的相似度，表示项目的嵌入向量和项目的嵌入向量的相似度。

6.如权利要求1所述的群组推荐方法，其特征在于，S3具体包括：

S3.1：将群组嵌入向量以及项目向量输入到池化层中，群组和项目的交互采用元素积的形式建模，得到元素积，并将元素积与群组嵌入向量、项目的嵌入拼接，组成向量：

S3.2经过全连接层后得到，再经过预测层得到，表示预测群组对项目的偏好得分：

其中，,表示全连接层的权重矩阵和偏置向量，表示预测层的权重矩阵，表示函数得到的向量；

S3.3：根据不同项目的预测得分进行排序，选择前k个项目进行群组推荐，k为大于等于1的整数。