[发明专利]一种用户兴趣分析与抽取方法

说明书

本发明公开了一种用户兴趣分析与抽取方法，通过运用用户历史行为日志和两层注意力层来进行用户兴趣的抽取。具体来说在用户历史行为中加入用户对每个物品的具体行为，将用户基本信息，用户历史行为序列，候选物品进行嵌入，得到每个特征的特征向量；把这些特征拼接，用户历史行为序列中的物品和候选物品通过物品注意力层得到物品加权向量，得到的向量再和具体行为通过行为注意力层，得到用户兴趣的表示；最后所有向量进行拼接，馈入后面的MLP网络，输出用户对候选物品的兴趣等级。本发明主要解决的问题是对学习者隐式兴趣的发现。

技术领域

本发明涉及推荐系统和教育领域，特别是涉及一种用户兴趣分析与抽取方法。

背景技术

一个用户在浏览一个学习网站的时候，网站会获得这个用户的显式行为和隐式行为。显式行为就是这个用户明确表示了自己对某个学习资源的喜好程度，而隐式行为只是用户对学习资源进行的操作，而没有直接表达出对这个学习资源的喜好程度。比如一个用户对某篇论文进行了检索、浏览并下载。根据用户的隐式行为获得的用户对学习资源的喜好程度就是用户的隐式兴趣。

在推荐系统中，为了使推荐结果满足用户个性化的需要，需要对用户画像进行建模，从而分析用户行为习惯、兴趣偏好等重要信息。在学习资源推荐系统中，需要对学习者进行建模，根据学习者的基础信息、学习能力、隐式兴趣等数据归纳出学习者模型。一般来说，学习者不会直接表达出对某个学习资源的喜好程度，所以通过学习者的行为信息，也就是历史行为序列来获取学习者对学习资源的隐式兴趣是很有必要的。

许多推荐模型，例如WDL和PNN，都使用深度学习方法来提取项目级特征和特征交互。但是，这些模型不考虑通过历史行为来捕获用户兴趣。随着注意力机制在计算机视觉和自然语言处理中取得巨大成功，研究者们把注意力机制运用到了推荐系统中。深度兴趣网络(DIN)是推荐系统中使用注意力机制的第一项工作，它指示用户兴趣的多样性，并使用注意力机制来激活有关候选物品的历史行为。

但是，DIN模型只考虑了给定的候选物品和用户历史行为序列之间的相关性，却忽略了用户序列中对不同物品的不同行为。比如，在万方这样的文献网站中，用户对某篇文献的行为可能有检索、浏览和下载，不同的行为可能对用户的兴趣有不同的影响。在DIN中，用户的行为只有点击和不点击两种，这限制了对用户具体兴趣的表达。因此，在用户历史行为中加入用户对每个物品的具体行为，并添加一层注意力层来获得行为和物品之间的关系是有必要的。

发明内容

本发明主要解决的技术问题是提供用户兴趣分析与抽取方法，能够解决用户兴趣建模问题。

为解决上述技术问题，本发明采用的一个技术方案是：

一种用户兴趣分析与抽取方法，包括：在用户历史行为中加入用户对每个物品的具体行为，加入一层行为注意力层来计算这些具体行为对用户兴趣的影响，把得到的用户兴趣表示向量馈入MLP网络，来获取用户对候选物品的兴趣等级。

具体的包括以下步骤：

(1)、输入和嵌入

在输入层的部分，输入特征分为三大类，即：用户的基本信息、用户的行为序列和候选商品。其中用户的基本信息是用户本身的特征，用户行为序列是用户对一系列商品的历史行为，这个序列也包括每一个商品的一些基本特征，一般包括商品的ID等等，候选商品是召回的来的商品，模型的任务就是预测用户对于候选商品的行为；

将上述三种序列通过嵌入层使这三种序列分别变为一个向量，继而将在用户行为中的物品及用户行为序列通过行为注意力层后，得到物品和行为的加权向量；

(2)、用户兴趣获取

再将物品和行为的加权向量及候选物品经过物品注意力层，加权求和后得到用户的兴趣表示；

(3)、MLP特征交互学习