[发明专利]基于时序物品相似度的序列推荐方法

权利要求书

1.基于时序物品相似度的序列推荐方法，其特征在于，包括以下步骤：

步骤一、根据以下描述建立神经网络模型：

1.1)以长度为L的用户历史序列中，用户点击各物品的时间信息t_i组成的时间序列T＝{t₁；t₂；...；t_L}作为输入，构建基于时间信息的嵌入向量；

1.2)包含与绝对时间相关的嵌入向量E^Day和E^Pos中的至少一个，如果仅仅构建一个嵌入向量，则以该向量作为绝对嵌入向量E^Abs；如果构建两个嵌入向量，则以E^Day和E^Pos结合生成绝对嵌入向量E^Abs；

所述嵌入向量E^Day，通过以下方式获得：

1.2.1)定义可以学习的嵌入向量M^D∈R^|D|×d，其中|D|是以天作为测量单元的时间间隔，其值为用户序列中最早点击的物品的点击时间到最晚点击的物品的点击时间之间的时间间隔加上一天，有：

M^D＝{day⁰，dat¹，...，dayⁱ，...，day^|D|-2，day^|D|-1}，

其中，dayⁱ表示距离最早点击物品的点击时间为i天的天数时间嵌入向量，维度为d；

1.2.2)从时间序列中提取以天作为测量单元的时间信息映射到M^D∈R^|D|×d中，得到

所述嵌入向量E^Pos∈R^|L|×d，为基于历史序列中每个物品的索引信息的嵌入向量；

1.3)包含与相对时间相关的嵌入向量E^Exp、E^Log、E^Sin中的至少一个，如果仅仅构建一个嵌入向量，则以该向量作为相对嵌入向量E^Rel；如果构建两个嵌入向量，则以该两个嵌入向量结合生成相对嵌入向量E^Rel；如果构建三个嵌入向量，则先以任意两个嵌入向量进行结合，得到的结果再与第三个嵌入向量结合，得到最后的相对嵌入向量E^Rel；

所述嵌入向量E^Exp、E^Log及E^Sin的构建方式如下：

1.3.1)定义时间差矩阵其中的每个元素被定义为其中τ是一个可供调节的时间差；

1.3.2)在嵌入向量E^Sin中，时间差d_ab被转化为向量转换的方法如下：

其中是向量的第c个值，d表示嵌入向量的维度，freq是一个设置的超参数；

1.3.3)在嵌入向量E^Exp中，时间差d_ab被转化为转换的方法如下：

其中是向量的第c个值，d表示嵌入向量的维度，freq是一个设置的超参数；

1.3.4)在嵌入向量E^Log中，时间差da_b被转化为转换的方法如下：

其中是向量的第c个值，d表示嵌入向量的维度，freq是一个设置的超参数；

1.4)以用户历史序列中的物品生成物品嵌入向量将E与E^Abs相加得到的结果X⁽⁰⁾输入自注意力机制学习模块，结合相对嵌入向量E^Rel获得当前历史序列的局部特征X；

1.5)以各用户历史序列共同输入全局偏好学习模块，获得所有历史序列的全局特征Y；

1.6)依据当前候选物品和最近交互物品的相似度计算结果，对局部特征X与全局特征Y进行加权求和，得到用于预测的特征表示z_l，并以此为依据进行序列中的下一物品的推荐；

步骤二、对建立的神经网络模型实施训练；

步骤三、利用训练好的神经网络模型进行物品序列推荐。