一种多兴趣序列推荐方法、系统及设备技术方案

本发明专利技术提供了一种多兴趣序列推荐方法、系统及设备，方法包括：构建基于全局项目关系和时间信息感知的多兴趣序列推荐模型；利用数据集中用户的历史交互序列和对应的时间戳序列，对基所述多兴趣序列推荐模型进行训练，得到训练好的多兴趣序列推荐模型；将待推荐用户的历史交互序列和对应的时间戳序列输入至训练好的多兴趣序列推荐模型中，获得待推荐用户的多个兴趣；计算所述多个兴趣与候选项目的关联并进行排序，得到相关性最高的top

【技术实现步骤摘要】
一种多兴趣序列推荐方法、系统及设备


[0001]本专利技术属于个性化推荐领域，具体涉及一种多兴趣序列推荐方法、系统及设备。

技术介绍

[0002]随着信息技术和互联网的蓬勃发展，手机、电脑等电子设备逐渐普及，互联网渗透到人们生活的方方方面，网络上各式各样的资源海量增加。面对爆发式增长的数据资源，人们从众多的信息中找到自己所关心的内容变得困难。搜索引擎虽然能在一定程度上缓解数据爆发带来的“信息过载”问题，但其依赖于人们是否有较为明确的需求。而推荐系统能够根据人们的交互历史，分析并提取出用户的偏好，并主动地向用户推荐其可能感兴趣的内容，能有效的缓解信息过载问题的同时也能节省用户时间并提升用户体验。
[0003]序列推荐将用户历史交互按照时间顺序排列，并对项目之间的依赖关系进行建模，旨在预测用户在下一时刻可能感兴趣的项目。目前应用于序列推荐的主流方法有RNN，GNN，注意力机制等。
[0004]然而，现有的多兴趣序列推荐方法大多关注用户的多个兴趣是什么，并未对多个兴趣的重要性加以区分。而用户的兴趣往往随着时间衰减，序列推荐中天然的存有时间信息，现有的推荐方法并不符合用户兴趣变化的时间衰减，未对多个兴趣赋予不同的权重符合实际场景需求，推荐准确性。另外，为了获取项目间的依赖关系，现有的方法根据用户交互历史来对项目之间关系进行建模，通常只基于共现次数单个因素，而项目本身存在语义信息(属性等)且项目被交互存在时序上的先后关系，即现有的方法并未从语义和时序两个层面来对项目之间关系进行建模，不能完整地捕获信息，进一步导致推荐方法准确性。即目前存在有多兴趣序列推荐方法准确性不高、用户满意度低的问题。
[0005]因此，如何提高多兴趣序列推荐方法准确性，提升用户满意度，是本领域亟待解决的问题。

技术实现思路

[0006]本专利技术的目的是针对现有技术的缺陷，提供一种多兴趣序列推荐方法、系统及设备。本专利技术多兴趣序列推荐方法，采用基于全局项目关系和时间信息感知的多兴趣序列推荐方法，通过全局项目关系的建立、时间信息的处理以及时间感知注意力机制的设计，考虑了用户兴趣的变化，并利用多头图注意力网络和图卷积捕获项目语义和时序下的依赖，更为完整地捕获信息，从而从根源上解决了现有的多兴趣序列推荐准确性低、用户满意度低的问题。
[0007]为了实现以上目的，本专利技术采用以下技术方案：
[0008]本专利技术提出一种多兴趣序列推荐方法，其特征在于，包括步骤：
[0009]S1、构建基于全局项目关系和时间信息感知的多兴趣序列推荐模型；
[0010]S2、利用数据集中用户的历史交互序列和对应的时间戳序列，对所述基于全局项目关系和时间信息感知的多兴趣序列推荐模型进行训练，得到训练好的基于全局项目关系
和时间信息感知的多兴趣序列推荐模型；步骤S2具体包括如下：
[0011]步骤(1)从数据集中获取用户的历史交互序列和对应的时间戳序列；
[0012]步骤(2)根据所述时间戳序列，计算每个项目与最后一个项目的时间间隔并进行截取操作，得到时间间隔序列；
[0013]步骤(3)将所述历史交互序列和所述时间间隔序列分别输入至嵌入层，得到用户交互嵌入表示X和时间间隔嵌入表示I；
[0014]步骤(4)对所述用户交互嵌入表示进行自注意力计算，得到在当前序列下的项目表示Z；
[0015]步骤(5)基于所述用户交互嵌入表示，构建全局项目共现图；
[0016]步骤(6)基于所述全局项目共现图，对于图中的任意节点i使用多头图注意力网络捕获与其邻居项目节点间语义条件下的关联，得到包含语义相关性的项目表示
[0017]步骤(7)根据设定的时间阈值对所述全局项目共现图进行筛选，并将项目被交互时间间隔进行处理，得到被交互时间间隔小于所述时间阈值的时间间隔嵌入矩阵；再利用图卷积操作聚合时序相关的邻居信息，得到包含时序相关性的项目表示
[0018]步骤(8)将所述包含语义相关性的项目表示和所述包含时序相关性的项目表示进行融合，构建全局项目关系图，并得到全局依赖嵌入表示
[0019]步骤(9)利用门控融合单元聚合所述在当前序列下的项目表示Z以及所述全局依赖嵌入表示得到用户表示C；
[0020]步骤(10)将所述时间间隔嵌入表示I作为注意力机制的query，所述用户表示C作为注意力机制的key和value，提取用户的K个兴趣；
[0021]步骤(11)对于目标项目，使用argmax操作从K个兴趣中筛选出与之最相关的兴趣，并基于该兴趣计算用户交互目标项目的可能性，并使用softmax采样来最小化损失函数对模型进行训练。
[0022]S3、获取待推荐用户的历史交互序列和对应的时间戳序列，并将所述待推荐用户的历史交互序列和对应的时间戳序列输入至所述训练好的基于全局项目关系和时间信息感知的多兴趣序列推荐模型中，获得所述待推荐用户的多个兴趣；
[0023]S4、计算所述多个兴趣与候选项目的关联并进行排序，得到相关性最高的top
‑
N个项目，生成目标项目推荐列表，并将所述目标项目推荐列表推荐给用户。
[0024]进一步地，步骤(5)基于所述用户交互嵌入表示，构建全局项目共现图，具体为：
[0025]将用户的交互历史中距离不超过δ的两个项目作为共现项目对，即对任意项目x
i
∈X，其邻居项目集表示为其中，δ为一个超参数，用于限制共现项目对的建模范围；
[0026]基于所有用户的用户的历史交互构建全局项目共现图G＝(V
′
，ε)，其中其中V表示项目集合。
[0027]进一步地，步骤(6)基于所述全局项目共现图，对于图中的任意节点i使用多头图注意力网络捕获与其邻居项目节点间语义条件下的关联，得到包含语义相关性的项目表示具体为：
[0028]h
i
＝W
head
e
i
[0029][0030][0031]其中，表示项目v
i
的嵌入表示，||表示拼接操作，head表示多头注意力的头，H表示多头注意力的头的个数，为可学习的转换矩阵，h
i
表示e
i
经过第head个头转换得到的项目表示；v
i
，v
j
为全局项目共现图的节点，表示v
i
的邻居项目节点集，π(v
i
，v
j
)表示不同邻居语义下的重要性权重，||表示拼接操作，σ和LeakyReLU均为激活函数；
[0032]进一步地，步骤(7)具体为：根据设定的时间阈值T
th
对所述全局项目共现图进行筛选，并将项目被交互时间间隔进行截取操作，得到被交互时间间隔小于所述时间阈值T
th
的时间间隔嵌入矩阵再利用图卷积操作聚合时序相关的邻居信息，得到包含时序相关性的项目表示
[0033]R＝softmax(MW2)...

【技术保护点】

【技术特征摘要】
1.一种多兴趣序列推荐方法，其特征在于，包括步骤：S1、构建基于全局项目关系和时间信息感知的多兴趣序列推荐模型；S2、利用数据集中用户的历史交互序列和对应的时间戳序列，对所述基于全局项目关系和时间信息感知的多兴趣序列推荐模型进行训练，得到训练好的基于全局项目关系和时间信息感知的多兴趣序列推荐模型；步骤S2具体包括如下：步骤(1)从数据集中获取用户的历史交互序列和对应的时间戳序列；步骤(2)根据所述时间戳序列，计算每个项目与最后一个项目的时间间隔并进行截取操作，得到时间间隔序列；步骤(3)将所述历史交互序列和所述时间间隔序列分别输入至嵌入层，得到用户交互嵌入表示X和时间间隔嵌入表示I；步骤(4)对所述用户交互嵌入表示进行自注意力计算，得到在当前序列下的项目表示Z；步骤(5)基于所述用户交互嵌入表示，构建全局项目共现图；步骤(6)基于所述全局项目共现图，对于图中的任意节点i使用多头图注意力网络捕获与其邻居项目节点间语义条件下的关联，得到包含语义相关性的项目表示步骤(7)根据设定的时间阈值对所述全局项目共现图进行筛选，并将项目被交互时间间隔进行处理，得到被交互时间间隔小于所述时间阈值的时间间隔嵌入矩阵；再利用图卷积操作聚合时序相关的邻居信息，得到包含时序相关性的项目表示步骤(8)将所述包含语义相关性的项目表示和所述包含时序相关性的项目表示进行融合，构建全局项目关系图，并得到全局依赖嵌入表示步骤(9)利用门控融合单元聚合所述在当前序列下的项目表示Z以及所述全局依赖嵌入表示得到用户表示C；步骤(10)将所述时间间隔嵌入表示I作为注意力机制的query，所述用户表示C作为注意力机制的key和value，提取用户的K个兴趣；步骤(11)对于目标项目，使用argmax操作从K个兴趣中筛选出与之最相关的兴趣，并基于该兴趣计算用户交互目标项目的可能性，并使用softmax采样来最小化损失函数对模型进行训练；S3、获取待推荐用户的历史交互序列和对应的时间戳序列，并将所述待推荐用户的历史交互序列和对应的时间戳序列输入至所述训练好的基于全局项目关系和时间信息感知的多兴趣序列推荐模型中，获得所述待推荐用户的多个兴趣；S4、计算所述多个兴趣与候选项目的关联并进行排序，得到相关性最高的top
‑
N个项目，生成目标项目推荐列表，并将所述目标项目推荐列表推荐给用户。2.根据权利要求1所述的方法，其特征在于，步骤(5)基于所述用户交互嵌入表示，构建全局项目共现图，具体为：将用户的交互历史中距离不超过δ的两个项目作为共现项目对，即对任意项目x
i
∈X，其邻居项目集表示为其中，δ为一个超参数，用于限制共现项目对的建模范围；
基于所有用户的用户的历史交互构建全局项目共现图G＝(V
′
，ε)，其中其中V表示项目集合。3.根据权利要求1所述的方法，其特征在于，步骤(6)基于所述全局项目共现图，对于图中的任意节点i使用多头图注意力网络捕获与其邻居项目节点间语义条件下的关联，得到包含语义相关性的项目表示具体为：h
i
＝W
head
e
ii
其中，表示项目v
i
的嵌入表示，||表示拼接操作，head表示多头注意力的头，H表示多头注意力的头的个数，为可学习的转换矩阵，h
i
表示e
i
经过第head个头转换得到的项目表示；v
i
，v
j
为全局项目共现图的节点，表示v
...

【专利技术属性】
技术研发人员：孙天昊，马嘉懿，张小东，陈延科，吴全旺，
申请(专利权)人：重庆大学，
类型：发明
国别省市：