【技术实现步骤摘要】
本专利技术属于序列推荐，尤其涉及一种基于义原泛化扩散模型的序列推荐方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、序列推荐(sequential recommendation，sr)通常通过对用户的序列行为的编码来推断他们的动态兴趣。在sr技术的演化历程中，早期的序列推荐方法普遍通过马尔科夫链来推理用户的短期偏好。
3、受扩散模型(diffusion model，dm)在图像生成、语义分割和机器翻译等领域出色表现的启发，一些研究人员尝试在序列推荐中加入dm。pdrec(2024年发表于aaaiconference on artificial intelligence期刊上的论文plug-in diffusion model forsequential recommendation)提出了三个插件模块，从而充分利用项目索引上的扩散偏好来提高现有序列建模算法。由于pdrec中的dm是基于项目索引进行预训练的，因此pdrec的时间复杂度将受到条目语料库数量的限制，从而遭遇可扩展性的挑战。其次，基于项目索引的扩散导致pdrec在cdsr任务中需要依赖重叠用户来从头开始重新训练dm。最后，基于项目索引的dm在充分利用项目语义层次中的关联信息方面具有挑战性，有可能导致性能取得次优的结果。
4、现有的基于dm的推荐算法通常在离散的项目索引或项目的连续嵌入上部署dm，来进行推荐中的不确定性注入。因此，项目数量的增加导致其时间和空间复杂性的倍增，使其
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于义原泛化扩散模型的序列推荐方法及系统，从项目-义原依赖矩阵中提取用户的先验义原行为，使得dm可以从项目索引域转移到义原域，降低了dm的空间和时间复杂性，提高了序列推荐速度。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供一种基于义原泛化扩散模型的序列推荐方法，其包括：
4、获取用户的行为序列；
5、基于所述行为序列，从项目-义原依赖矩阵中提取用户的先验义原行为；
6、基于先验义原行为，对每个义原的出现频率进行统计，得到统计序列，并结合时间间隔重加权策略，得到用户对义原的原始兴趣分布；
7、对于所述用户对义原的原始兴趣分布，进行反向转换，得到泛化兴趣分布；
8、基于所述泛化兴趣分布，预测得到推荐项。
9、进一步地，所述推荐项的预测步骤包括：基于所述泛化兴趣分布，通过多个生成器，得到多个兴趣提示表征，将兴趣提示表征纳入自注意力函数中，以预测得到推荐项。
10、进一步地，所述时间间隔重加权策略包括：
11、基于所述统计序列，结合项目层级的时间戳序列，为所有义原生成时间间隔权重；
12、将所述时间间隔权重分配给每个义原，然后合并相同义原的权重，得到用户对义原的原始兴趣分布。
13、进一步地，所述反向转换通过可学习的过渡核反向逐步去除所述用户对义原的原始兴趣分布中的噪声。
14、进一步地，所述反向转换通过最小化加权的均方误差损失接近后验分布。
15、进一步地，所述生成器由具有激活函数的两层全连接网络构建而成。
16、本专利技术的第二个方面提供一种基于义原泛化扩散模型的序列推荐系统，其包括：
17、数据获取模块，其被配置为：获取用户的行为序列；
18、先验义原行为提取模块，其被配置为：基于所述行为序列，从项目-义原依赖矩阵中提取用户的先验义原行为；
19、原始兴趣分布计算模块，其被配置为：基于先验义原行为，对每个义原的出现频率进行统计，得到统计序列，并结合时间间隔重加权策略，得到用户对义原的原始兴趣分布；
20、反向转换模块，其被配置为：对于所述用户对义原的原始兴趣分布，进行反向转换，得到泛化兴趣分布；
21、预测模块，其被配置为：基于所述泛化兴趣分布，预测得到推荐项。
22、本专利技术的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于义原泛化扩散模型的序列推荐方法中的步骤。
23、本专利技术的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于义原泛化扩散模型的序列推荐方法中的步骤。
24、本专利技术的第五个方面提供一种计算机程序产品，其为一种含有计算机程序的计算机程序产品，当处理器执行所述计算机程序时，实现如上述所述的一种基于义原泛化扩散模型的序列推荐方法中的步骤。
25、与现有技术相比，本专利技术的有益效果是：
26、本专利技术从项目-义原依赖矩阵中提取用户的先验义原行为，使得dm可以从项目索引域转移到义原域；义原概念是多域通用的，代表了用户的最小兴趣单元，多领域的每个项目都能被标识为多个义原的组合形式，基于义原层面的扩散即可实现基于语义信息的泛化，从而不需要完全从头开始训练；降低了dm的空间和时间复杂性，从而使基于义原的扩散模型具有实际的可扩展性。
27、本专利技术不引入额外的噪音，而是将用户对义原的原始兴趣分布视为固有的富含噪音的义原分布，直接对其进行反向转换，得到泛化兴趣分布，这不仅能够保留更多的个性化信息来增强dm的精确度，还确保了推理过程不会从完全无序的状态开始，从而使推理过程更加稳健。
28、本专利技术将用户在离散义原上的广义兴趣分布转换为多个连续提示表征，能够缓解语义和行为意图之间的偏差，并引导顺序建模理解个性化行为模式，从而丰富用户表征。
本文档来自技高网...【技术保护点】
1.一种基于义原泛化扩散模型的序列推荐方法，其特征在于，包括：
2.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述推荐项的预测步骤包括：基于所述泛化兴趣分布，通过多个生成器，得到多个兴趣提示表征，将兴趣提示表征纳入自注意力函数中，以预测得到推荐项。
3.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述时间间隔重加权策略包括：
4.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述反向转换通过可学习的过渡核反向逐步去除所述用户对义原的原始兴趣分布中的噪声。
5.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述反向转换通过最小化加权的均方误差损失接近后验分布。
6.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述生成器由具有激活函数的两层全连接网络构建而成。
7.一种基于义原泛化扩散模型的序列推荐系统，其特征在于，包括：
8.一种计算机可读存储介质，其上存储有计算机程序，其
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的一种基于义原泛化扩散模型的序列推荐方法中的步骤。
10.一种计算机程序产品，其为一种含有计算机程序的计算机程序产品，其特征在于，当处理器执行所述计算机程序时，实现如权利要求1-6中任一项所述的一种基于义原泛化扩散模型的序列推荐方法中的步骤。
...【技术特征摘要】
1.一种基于义原泛化扩散模型的序列推荐方法，其特征在于，包括：
2.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述推荐项的预测步骤包括：基于所述泛化兴趣分布，通过多个生成器，得到多个兴趣提示表征，将兴趣提示表征纳入自注意力函数中，以预测得到推荐项。
3.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述时间间隔重加权策略包括：
4.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述反向转换通过可学习的过渡核反向逐步去除所述用户对义原的原始兴趣分布中的噪声。
5.如权利要求1所述的一种基于义原泛化扩散模型的序列推荐方法，其特征在于，所述反向转换通过最小化加权的均方误差损失接近后验分布。
6.如权利要求1所述的一种基于义原泛...
【专利技术属性】
技术研发人员：孟雷，马浩凯，谢若冰，杨一萌，孙兴武，康战辉，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。