[发明专利]基于时序物品相似度的序列推荐方法

说明书

本发明属于序列推荐技术领域，具体公开了一种基于时序物品相似度的序列推荐方法,包括建立神经网络模型，构建基于时间信息的嵌入向量；包括与绝对时间相关的嵌入向量以及相对时间相关的嵌入向量；自注意力机制学习模块，结合相对嵌入向量获得局部特征X；全局偏好学习模块获得全局特征Y；按当前候选物品和最近交互物品的相似度，对局部特征X与全局特征Y进行加权求和得到特征表示zsubgt;l/subgt;，并以此为依据进行序列中的下一物品的推荐。本发明引入更多的经过设计的时间嵌入向量，提高时间信息利用的有效程度，进而提高序列推荐的正确性。

技术领域

本发明属于序列推荐技术领域，具体涉及一种基于时序物品相似度的序列推荐方法。

背景技术

推荐系统是一种解决信息过载问题的强大工具，它能够让用户根据自己的喜好轻松过滤掉海量的物品，为用户推荐喜欢的物品。推荐系统可以分为传统的推荐系统和基于序列的推荐系统。像基于物品的推荐系统和协同过滤推荐系统等，它们属于传统的推荐系统。它们更倾向于将用户的历史行为看作是静止的，这些行为之间是没有相互的关联的，都是同等重要的。序列推荐系统旨在从用户的历史交互行为中捕获用户的动态偏好。因此，序列推荐是更符合真实世界的情况，并且能够考虑到更多的信息，得到更加准确的推荐结果。因此，它也更加流行。

随着时代的进步，序列推荐算法的实现形式也随之进步。传统的序列推荐方法主要运用的是机器学习方法(例如k-means,马尔科夫链和矩阵分解)来捕获各种各样的序列数据。矩阵分解能够利用各种各样的序列，从而捕获用户的长期偏好。在目前的基于深度学习的序列推荐方法中，通过利用卷积神经网络(CNN)，循环神经网络(RNN)等等，能够挖掘更多的特征信息，从而让推荐的效果得到大幅度的提升。这主要是因为基于深度学习的模型能够利用了更长的序列，这更有利于从整个序列中学习语义信息。除此之外，基于深度学习的模型在稀疏的数据上也取得了更好的效果，对于不同长度的输入数据的处理也是更加灵活。

尽管通过使用深度学习方法，序列推荐的推荐效果取得了较大的进步，但是仍然有一些问题待解决，其中之一是用户的意图容易被候选物品所干扰，另一个是忽视了时间戳的重要性，通过利用各种各样的时间戳，不同的模式和信息能够被提取出来。尽管最近J.Li,Y.Wang,和J.McAuley,在Time Interval Aware Self-Attention for SequentialRecommendation,中提出了TiSASRec模型，成功整合了时间信息，但是单独的时间嵌入向量限制了时间信息的有效利用。

发明内容

本发明意在提供一种基于时序物品相似度的序列推荐方法，引入更多的经过设计的时间嵌入向量，提高时间信息利用的有效程度，进而提高序列推荐的正确性。

本发明中的方法包括：

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：