[发明专利]一种基于层次注意力网络的动态新闻推荐的方法

摘要

本发明提出一种基于层次注意力网络的动态新闻推荐的方法，采用的模块包括层次注意力网络，卷积层和全连接层；在所述层次注意力网络中包括句子水平的注意力网络和新闻水平的注意力网络。用户的新闻序列和候选新闻，经过所述句子水平的注意力网络，得到所述新闻序列中句子的注意力权重，然后计算句子内容向量的加权和得到新闻的内容向量，所述新闻序列的嵌入表示与所述内容向量连接得到所述新闻的整体表示，所述整体表示经过所述新闻水平的注意力网络，获得所述新闻序列中新闻的注意力权重，得到新闻的最终表示；在卷积层中，按序堆叠历史新闻的最终表示得到矩阵，输入卷积层学习用户序列阅读模式，得到序列偏好向量；在全连接层中，将所述序列偏好向量、候选新闻整体表示和用户嵌入表示进行连接，得到用户点击候选新闻的概率。

主权项

1.一种基于层次注意力网络的动态新闻推荐的方法，其特征在于，所述方法采用的模块包括层次注意力网络，卷积层和全连接层；在所述层次注意力网络中包括句子水平的注意力网络和新闻水平的注意力网络。用户的新闻序列和候选新闻经过所述句子水平的注意力网络，得到所述新闻序列中句子s_jk的注意力权重β_jk，所述k是句子的序数，j是新闻的序数，所述s_jk是新闻c_j的第k个句子，然后计算句子内容向量加权和得到新闻c_j的内容向量v(c_j)，所述新闻c_j的嵌入表示e(c_j)与所述内容向量连接得到所述新闻c_j的整体表示[v(c_j)||e(c_j)]，所述整体表示经过所述新闻水平的注意力网络，使用时间衰减因子，获得所述新闻c_j的注意力权重α_j，通过[v(c_j)||e(c_j)]和α_j，得到所述新闻c_j的最终表示x_j；在卷积层中，按序堆叠历史新闻的最终表示得到矩阵，输入卷积层学习用户序列阅读模式，得到序列偏好向量p_i；在全连接层中，将所述序列偏好向量p_i、候选新闻整体表示[v(c^*)||e(c^*)]和用户嵌入表示u_i进行连接，得到用户点击候选新闻c^*的概率所述i为用户的序数。