[发明专利]一种结合序列校正的序列推荐方法及系统

说明书

本发明提出了一种结合序列校正的序列推荐方法及系统，涉及序列推荐技术领域,具体方案包括：使用编码器对给定用户交互序列进行独热编码和位置嵌入，得到编码后矩阵；利用训练好的校正器，预测编码后矩阵中每个物品的校正操作，并依据校正操作进行校正，得到校正后序列；基于校正后序列，使用训练好的推荐器，对未来要推荐的物品进行预测；本发明先用校正器对用户交互序列进行删除和插入校正，从而完善交互序列；再将校正后序列作为推荐器的输入来预测未来的交互；为了训练校正器，提出两个自监督任务：删除校正和插入校正，先随机地往给定的交互序列里插入物品或删除物品，而后要求校正器还原修改后的序列，从而避免了大量的人工标注工作。

技术领域

本发明属于序列推荐技术领域，尤其涉及一种结合序列校正的序列推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

序列推荐是根据用户在一段时间内的历史交互行为来挖掘用户长期或短期的偏好，以此预测未来时刻用户可能感兴趣的物品并进行推荐的系统模式；由于用户兴趣是随时间动态变化的，同时用户前后时间的交互往往存在很强的关联性，因此重在建模用户兴趣变化以及物品的时序关系的序列推荐系统，在学术界和工业界都得到了重点关注；序列推荐系统被广泛应用于淘宝、京东、哔哩哔哩、网易云音乐、美团、头条、抖音等各类在线零售和服务平台，不仅帮助用户快速获得自己感兴趣的物品，同时也极大地增长了这些平台的收益，是当下驱动互联网发展的强劲引擎之一。

目前绝大多数的序列推荐方法都假设给定的用户交互序列是没有缺陷的，能准确地反映用户的兴趣变化和物品的迁移关系；然而现实情况是，一方面，用户在与物品的交互过程中往往会出现“误点击”了某个物品的情况，使得用户交互序列可能混杂了一些与用户偏好无关的噪声物品；另一方面，用户只能跟平台即时曝光给用户的物品进行交互，对于未曝光的物品用户无法与之交互，这使得用户交互序列可能缺失了一些未曝光的而与用户偏好相关的物品。

由于有误点击物品和缺失物品这两种缺陷的存在，一些用户交互序列不能准确地反映用户的偏好变化，进而可能导致错误的推荐结果；绝大多数的序列推荐方法忽视了这些有缺陷的样例；少数序列推荐方法考虑了噪声交互问题，可以保证模型在有噪声的序列上依然有比较稳健的表现；但现有的序列推荐方法都不能直接修改给定的序列，并且都没有考虑缺失物品这一问题，导致序列推荐效果不佳。

发明内容

为克服上述现有技术的不足，本发明提供了一种结合序列校正的序列推荐方法及系统，先用一个校正器对输入的用户交互序列进行校正，包括删除可能的误点击物品和插入可能由于未曝光而缺失的物品，从而完善给定的用户交互序列，再把校正后的序列作为一个推荐器的输入来预测未来的交互；为了训练校正器，提出了两个自监督任务，包括删除校正和插入校正，先随机地往给定的交互序列里插入物品或删除物品，而后要求校正器还原修改后的序列，从而避免了大量的人工标注工作。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

本发明第一方面提供了一种结合序列校正的序列推荐方法；

一种结合序列校正的序列推荐方法，包括：

使用编码器对给定用户交互序列进行独热编码和位置嵌入，得到编码后矩阵；

利用训练好的校正器，预测编码后矩阵中每个物品的校正操作，并依据校正操作进行校正，得到校正后序列；

基于校正后序列，使用训练好的推荐器，对未来要推荐的物品进行预测。

进一步的，所述预测编码后矩阵中每个物品的校正操作，是输入到校正器里计算每种校正操作的概率分布，取概率最大的校正操作，作为最终的校正操作。

进一步的，所述校正操作，包括保留操作、插入操作、删除操作；

所述删除操作，用于误点击物品；