时间序列用户与内容互动行为的学习预测方法技术

本发明专利技术涉及一种时间序列用户与内容互动行为的学习预测方法，利用用户行为数据库和内容属性数据库，将同一个用户不同时刻与不同商品或者内容的互动行为构成的时间序列看作一个独立的样本，从而构筑用户行为序列样本集；使用时间序列统计方法处理上述的用户行为序列样本集，并使用可以引入非线性的激活函数的深度学习模型对上述的用户行为序列样本集进行学习；使用学习过的深度学习模型来预测未来的用户与商品或者内容的互动行为的联合概率分布。本发明专利技术可以学到用户行为模式中非线性的变化，从而提高概率预测精度。

Learning prediction method of interaction behavior between time series users and content

【技术实现步骤摘要】
时间序列用户与内容互动行为的学习预测方法
本专利申请属于推荐系统
，更具体地说，是涉及一种时间序列用户与内容互动行为的学习预测方法。
技术介绍
现有的推荐排序模型将不同时间的用户行为、商品的属性看作相互独立的样本。在构建样本时，单个时刻的用户对单个商品的操作(点击、转发、购买)构成了一个样本点。这种独立性是不可靠的，因为不同时刻的同一个用户行为上显然是不独立的，用户的兴趣也可能随着时间的推移而发生变化。现有技术有在该方向上做一些改善，比如使用衰减系数来描述用户的兴趣变化，但这种方式只能描述线性的变化，无法学习非线性的转变。
技术实现思路
本专利技术需要解决的技术问题是提供一种时间序列用户与内容互动行为的学习预测方法，可以学到用户行为模式中非线性的变化，从而提高概率预测精度。为了解决上述问题，本专利技术所采用的技术方案是：一种时间序列用户与内容互动行为的学习预测方法，过程为：S1、利用用户行为数据库和内容属性数据库，将同一个用户不同时刻与不同商品或者内容的互动行为看作是一个时间序列，并作为一个独立的样本存在，从而构筑用户行为序列样本集；S2、使用时间序列统计方法处理上述的用户行为序列样本集，并使用可以引入非线性的激活函数的深度学习模型对上述的用户行为序列样本集进行学习；S3、使用学习过的深度学习模型来预测未来的用户与商品或者内容互动行为的联合概率分布。本专利技术技术方案的进一步改进在于：具体过程为：设t时刻用户uit与内容pt的互动行为视为事件Eit，事件Eit的发生概率记为Pr(Eit|uit，pt)，将t时刻用户uit在历史上的所有互动行为进行记录得到一个时间序列Su，i，t＝{(E0，ui0，p0)，...，(Et-1，uit-1，pt-1)，(Et，uit，pt)}，Su，i，t为深度学习模型中的一个独立样本，t时刻所有用户的时间序列构成了深度学习模型的用户行为序列样本集；然后通过时间序列统计方法对该用户行为序列样本集进行处理，并使用RNN(递归神经网络)模型来学习用户行为序列样本集的模式，最后使用学习过的RNN(递归神经网络)模型来进行预测。本专利技术技术方案的进一步改进在于：RNN模型还包括基于RNN的变体，基于RNN的变体为LSTM、GRU、Attention机制的一种或多种。本专利技术技术方案的进一步改进在于：互动行为包括点击、转发、购买的一种或多种。本专利技术技术方案的进一步改进在于：时间序列统计方法包括移动平均法、加权移动平均法和指数平均法的一种或多种。由于采用了上述技术方案，本专利技术取得的有益效果是：1、本专利技术通过将同一个用户的不同时刻的行为构成的时间序列看成一个独立的样本，可以消除之前由于样本间独立性假设被打破对模型学习效果的影响；2、使用RNN(递归神经网络)作为深度学习模型，通过引入非线性的激活函数可以学到用户行为模式中非线性的变化。附图说明图1为本专利技术的流程示意图。具体实施方式下面结合实施例对本专利技术做进一步详细说明。如图1所示，本专利技术公开了一种时间序列用户与内容互动行为的学习预测方法，过程为：S1、利用用户行为数据库和内容属性数据库，将同一个用户不同时刻与不同商品或者内容的互动行为(点击、转发、购买的一种或多种)看作是一个时间序列，并作为一个独立的样本存在，从而构筑用户行为序列样本集；S2、使用时间序列统计方法处理上述的用户行为序列样本集，并使用可以引入非线性的激活函数的深度学习模型对上述的用户行为序列样本集进行学习；S3、使用学习过的深度学习模型来预测未来的用户与商品或者内容互动行为的联合概率分布。具体过程为：设t时刻用户uit与内容pt的互动行为视为事件Eit，事件Eit的发生概率记为Pr(Eit|uit，pt)，将t时刻用户uit在历史上的所有互动行为进行记录得到一个时间序列Su，i，t＝{(E0，ui0，p0)，...，(Et-1，uit-1，pt-1)，(Et，uit，pt)}，Su，i，t为深度学习模型中的一个独立样本，t时刻所有用户的时间序列构成了深度学习模型的用户行为序列样本集；然后通过时间序列统计方法对该用户行为序列样本集进行处理，并使用RNN(递归神经网络)模型来学习用户行为序列样本集的模式，最后使用学习过的RNN(递归神经网络)模型来进行预测。其中的Su，i，t是指的用户ui在t时刻所能得到的t时刻以前的行为序列所组成的时间序列。ui0，uit-1，uit是指的同一个用户ui在不同时刻的用户画像。RNN模型还包括基于RNN的变体，基于RNN的变体为LSTM、GRU、Attention机制的一种或多种。互动行为包括点击、转发、购买的一种或多种。时间序列统计方法包括移动平均法、加权移动平均法和指数平均法的一种或多种。通过本专利技术可以学到用户行为模式中非线性的变化，提高预测精度，提升使用效果。本文档来自技高网...

【技术保护点】
1.一种时间序列用户与内容互动行为的学习预测方法，其特征在于过程为：/nS1、利用用户行为数据库和内容属性数据库，将同一个用户不同时刻与不同商品或者内容的互动行为看作是一个时间序列，并作为一个独立的样本存在，从而构筑用户行为序列样本集；/nS2、使用时间序列统计方法处理上述的用户行为序列样本集，并使用可以引入非线性的激活函数的深度学习模型对上述的用户行为序列样本集进行学习；/nS3、使用学习过的深度学习模型来预测未来的用户与商品或者内容的互动行为的联合概率分布。/n

【技术特征摘要】
1.一种时间序列用户与内容互动行为的学习预测方法，其特征在于过程为：
S1、利用用户行为数据库和内容属性数据库，将同一个用户不同时刻与不同商品或者内容的互动行为看作是一个时间序列，并作为一个独立的样本存在，从而构筑用户行为序列样本集；
S2、使用时间序列统计方法处理上述的用户行为序列样本集，并使用可以引入非线性的激活函数的深度学习模型对上述的用户行为序列样本集进行学习；
S3、使用学习过的深度学习模型来预测未来的用户与商品或者内容的互动行为的联合概率分布。


2.根据权利要求1所述的时间序列用户与内容互动行为的学习预测方法，其特征在于具体过程为：
设t时刻用户uit与内容pt的互动行为视为事件Eit，事件Eit的发生概率记为Pr(Eit|uit，pt)，将t时刻用户uit在历史上的所有互动行为进行记录得到一个时间序列Su，i，t＝{(E0，ui0，p0)，...，(Et-1...

【专利技术属性】
技术研发人员：周鹏程，张发恩，何君柯，吴腾虎，
申请(专利权)人：创新奇智成都科技有限公司，
类型：发明
国别省市：四川;51