基于自注意力的时间评分感知上下文的推荐方法及系统技术方案

本发明专利技术涉及推荐方法技术领域，公开了一种基于自注意力的时间评分感知上下文的推荐方法及系统，包括以下步骤：步骤1：采集特征数据，并形成信息序列；所述信息序列中包括用户历史交互序列；步骤2：自用户历史交互序列中获取评分上下文、时间上下文及物品信息并输入推荐模型；步骤3：推荐模型采用自注意力机制捕捉时间

【技术实现步骤摘要】
基于自注意力的时间评分感知上下文的推荐方法及系统


[0001]本专利技术涉及推荐方法
，具体涉及一种基于自注意力的时间评分感知上下文的推荐方法及系统。

技术介绍

[0002]随着互联网和大数据技术的快速发展，用户数量快速攀升，各大平台为用户们提供了多样化的海量的信息数据，这些海量数据为用户提供了充足的参考选择的同时，也为人们找到自己所需要的物品增加了许多的难度。但是，推荐系统的出现帮人们很好的解决了这个问题。它根据用户浏览的历史记录来给用户推荐不同的物品，使得人们可以快速的找到自己所需要的物品。它可以为用户提供个性化的商品推荐，针对用户需求和兴趣进行个性化计算，引导用户主动的发现自己的兴趣点。如今，推荐系统在电子商务和一些在线平台上取得了较好的应用效果。
[0003]但是，现有的推荐系统性能并不完善，推荐方法仍存在较大优化空间。例如，现有的一种物品推荐方法，应用的是基于马尔科夫链的推荐方法，该方法属于基于上下文的序列推荐方法(即将用户最近的行为与用户最近的意图结合起来,从用户的最近行为中去捕捉用户接下来的意图)的一种，它能够以假设下一个的行为只与前一个的行为有关为条件，进而预测并推荐下一个物品。但是，基于马尔科夫链的方法严重依赖于上一次的行为。在序列很长的情况下，会损失很多序列信息，不能进行准确的推荐，推荐效果较差。而还有的基于协同过滤的推荐方法，由于协同过滤没有考虑序列之间的顺序性，不能捕捉用户的短期爱好和长期爱好，更不能给用户推荐从来没有浏览过的物品，推荐效果也较差。
[0004]故，需要提供一种新的推荐效果更佳、整体性能表现更好的推荐方法及系统。

技术实现思路

[0005]本专利技术意在提供一种基于自注意力的时间评分感知上下文的推荐方法及系统，能够结合用户动态的爱好变化，精准地预测用户下一次选择的物品，进而实现准确推荐。
[0006]为达到上述目的，本专利技术提供以下方案：
[0007]方案一：
[0008]基于自注意力的时间评分感知上下文的推荐方法，包括以下步骤：
[0009]步骤1：采集特征数据，并形成信息序列；所述信息序列中包括用户历史交互序列；
[0010]步骤2：自用户历史交互序列中获取评分上下文、时间上下文及物品信息并输入推荐模型；
[0011]步骤3：推荐模型采用自注意力机制捕捉时间
‑
评分影响；所述时间
‑
评分影响为时间上下文及评分上下文对用户爱好的影响；
[0012]步骤4：推荐模型依据时间
‑
评分影响预测获得数个推荐的物品，并按照预设排名策略对推荐的物品进行排名；
[0013]步骤5：按照排名向用户推荐物品。
[0014]本方案的工作原理及优点在于：利用用户历史交互序列获知评分上下文、时间上下文及物品信息等与用户爱好和用户意图存在关联的内容，并利用推荐模型自上述内容中捕捉时间
‑
评分影响，即捕捉用户爱好，并基于用户爱好与用户的历史交互行为，对用户下一次选择的物品进行预测，预测依据可靠且充分，能够准确地完成推荐预测。
[0015]最重要的是，本方案特别关注了用户历史交互序列中的评分相关信息和时间相关信息，并提取了评分上下文和时间上下文，利用自注意力机制学习时间上下文、评分上下文和用户爱好之间的关系，以捕捉得到时间
‑
评分影响，时间
‑
评分影响反映时间、评分与用户爱好的关系，即捕捉得到了在不同的时间段物品的评分对用户下一行为的影响。本方案这样设置，关键在于，本方案突破性地发现了常规的推荐方案中所忽略的重要一点——评分对预测物品的影响。
[0016]常规的推荐方案，往往关注的是用户行为本身，关注的是用户的选择动作、选择对象和选择频率，侧重于行为表象，而忽略了用户对物品的不同反馈及反馈的动态变化。具体地，在不同的时间段内，用户对物品的评分可能会影响用户对下一个物品的选择。现有的推荐方案均未考虑到这一点，而实际上，在不同的时间段，针对同一个物品的评分拥有不同的重要程度。因为对物品评分的主体——用户，其行为是动态改变的，而处于不同时间段的同一用户对同一物品的爱好程度也是动态改变的，反馈为具体的行为表现，即处于不同时间段的同一用户对同一物品给出的评分可能是不一致的，评分的改变表示了用户对该物品随着时间变化有不同的爱好程度。而该动态的爱好程度变化，与用户的下一行为，与用户其下一次选择的物品存在重要关联。
[0017]本方案则对这一重要关联进行了捕捉，在进行物品预测时，将评分上下文、时间上下文、物品信息与用户爱好进行关联考量，准确捕捉时间
‑
评分影响，准确确认了时间及评分对用户爱好的影响，进而依据于时间
‑
评分影响进行物品推荐，推荐结合了用户动态的爱好变化，使得本方案能够精准地预测用户下一次选择的物品，进而实现准确推荐。
[0018]进一步，在步骤1中，所述用户历史交互序列包括用户的物品序列、与用户的物品序列中的物品对应的时间序列和与用户的物品序列中的物品对应的评分序列。
[0019]用户历史交互序列中囊括了充分的用户行为信息，包括物品序列、时间序列和评分序列，能够为推荐模型提供充分的推荐分析依据，保证推荐模型能够有效运作。
[0020]进一步，在步骤2中，获取时间上下文时，采用门控循环单元捕捉时间序列对用户行为的影响并形成时间上下文。
[0021]门控循环单元，即GRU(gated recurrent unit)，为一种常用的门控循环神经网络，常用于解决长期记忆和反向传播中的梯度等问题，能够较好地捕捉时序数据中间隔较大的依赖关系。
[0022]本方案这样设置，采用门控循环单元处理时间序列，能够较好地将时间序列中所隐藏的时间序列对用户行为的影响捕捉出来，进而确定时间因素对用户爱好的影响，有助于后续准确预测物品。
[0023]进一步，所述门控循环单元捕捉时间序列对用户行为的影响时，依据时间序列、物品序列和用户信息进行捕捉；其中，用户信息输入至门控循环单元的隐藏层中，时间序列和物品序列融入门控循环单元的主体网络结构中。
[0024]本方案中特别地将用户信息也输入到门循环单元中，因为本方案中发现了在多种
多样的用户行为中，针对不同的用户，即使他们表现出的时间序列、物品序列是一致的，但是其各自的更深层次的动作逻辑、选择逻辑也是存在区别的。而常规方案中却没有发现该问题，以致于常规方案在处理时间上下文时往往仅关注时间序列、物品序列本身，而不关注其表象下的动作逻辑，导致后续得出的推荐内容与不同用户的对应性较差，推荐准确度较差。而本方案这样设置，能够将物品序列和时间序列相同的用户行为再做区分，在捕捉时间序列对用户行为的影响时，捕捉得到的影响的针对性更强，后续得出的推荐内容也更具对应性，更为准确。
[0025]进一步，所述推荐模型为SATSA模型；所述推荐模型包括依次设置的自注意力层、残差连接层和标准化层。
[0026本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自注意力的时间评分感知上下文的推荐方法，其特征在于，包括以下步骤：步骤1：采集特征数据，并形成信息序列；所述信息序列中包括用户历史交互序列；步骤2：自用户历史交互序列中获取评分上下文、时间上下文及物品信息并输入推荐模型；步骤3：推荐模型采用自注意力机制捕捉时间
‑
评分影响；所述时间
‑
评分影响为时间上下文及评分上下文对用户爱好的影响；步骤4：推荐模型依据时间
‑
评分影响预测获得数个推荐的物品，并按照预设排名策略对推荐的物品进行排名；步骤5：按照排名向用户推荐物品。2.根据权利要求1所述的基于自注意力的时间评分感知上下文的推荐方法，其特征在于，在步骤1中，所述用户历史交互序列包括用户的物品序列、与用户的物品序列中的物品对应的时间序列和与用户的物品序列中的物品对应的评分序列。3.根据权利要求2所述的基于自注意力的时间评分感知上下文的推荐方法，其特征在于，在步骤2中，获取时间上下文时，采用门控循环单元捕捉时间序列对用户行为的影响并形成时间上下文。4.根据权利要求3所述的基于自注意力的时间评分感知上下文的推荐方法，其特征在于，所述门控循环单元捕捉时间序列对用户行为的影响时，依据时间序列、物品序列和用户信息进行捕捉；其中，用户信息输入至门控循环单元的隐藏层中，时间序列和物品序列融入门控循环单元的主体网络结构中。5.根据权利要求1所述的基于自注意力的时间评分感知上下文的推荐方法，其特征在于，所述推荐模型为SATSA模型；所述推荐模型包括依次设置的自注意力层、残差连接层和标准化层。6.根据权利要求5所述的基于自注意力的时间评分感...

【专利技术属性】
技术研发人员：董玉民，查永富，
申请(专利权)人：重庆师范大学，
类型：发明
国别省市：