【技术实现步骤摘要】
本专利技术涉及信息处理，具体涉及一种序列推荐的方法、系统及介质。
技术介绍
1、在信息爆炸的时代，个人每天都面临着大量数据的冲击。从这丰富的信息中识别出有意义和相关的信息已成为一项关键挑战，推荐系统的发展应运而生。
2、推荐系统利用用户历史行为记录和项目属性，帮助用户高效地发现与其兴趣相符的内容。其中，序列推荐受到了显著关注，它专注于根据用户的历史交互序列来建模用户偏好，以更精确地预测未来行为。序列推荐旨在通过对用户的历史交互行为的顺序进行建模，并向用户推荐下一个潜在的感兴趣项目，来解决许多在线场景中的信息过载问题。传统的序列推荐方法通常将每个用户的行为视为独立的，通过建模个体历史交互序列来捕捉用户偏好。这样的方法忽视了用户之间潜在的复杂交互，导致推荐性能不佳。一些最先进的方法通过将行为模式相似的用户分组在一起，可以有效地捕捉他们的共同偏好，从而提高推荐系统的准确性。其背后的直觉是，相似的用户具有高度一致的偏好和决策模式。
3、现有研究通常只在物品层面上捕捉用户的群体兴趣，依赖于单一的用户行为序列，并未考虑其他侧信息对推荐性能的影响。然而，用户行为数据通常包含多种类型的侧信息，如商品品牌和类别，有效利用这些信息能够在特征层面上更细致地捕捉用户的群体兴趣。例如图3所示，虽然用户的行为序列可以在物品层面上将他们归类为电子产品爱好者，但在特征层面上却揭示了他们对特定品牌(如品牌a)的偏好。这一忽视使得现有方法无法完全捕捉到诸如用户品牌偏好等特征层面的细节，限制了对其真实兴趣的全面理解。
4、在推荐系
5、基于此，本专利技术设计了一种序列推荐的方法、系统及介质以解决上述问题。
技术实现思路
1、针对现有技术所存在的上述缺点，本专利技术提供了一种序列推荐的方法、系统及介质。通过对项目级和特征级的用户历史交互信息进行编码，得到项目级和特征级用户嵌入，然后从项目级和特征级对用户根据其潜在的兴趣对他们进行分组，得到项目级和特征级的用户潜在群组兴趣嵌入，最后将四种不同来源的嵌入经过多源信息嵌入模块进行仔细的处理，得到用户的最终精确兴趣表示，来计算推荐得分，从而提升推荐准确性。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、一种序列推荐的方法，包括以下步骤：
4、s1：获取用户对应的历史行为序列，分别为项目级历史行为序列su和特征级历史行为序列
5、s2：将两个不同层级的序列数据su和进行嵌入，获取项目级别的第一用户嵌入ei和特征级别的第二用户嵌入ef；
6、s3：使用两个独立参数的注意力机制编码器来建模用户项目级和特征级的偏好，得到项目级别的用户第一偏好模式表示hi和特征级别的用户第二偏好模式表示hf；
7、s4：将项目级别的用户第一偏好模式表示hi和特征级别的用户第二偏好模式表示hf分别输入到可学习群组丛聚模块中，学习用户之间的潜在兴趣群体，将每个用户分配到不同的兴趣群体中，以获得用户项目级别的第一群体兴趣嵌入和用户特征级别的第二群体兴趣嵌入
8、s5：将获取到的用户第一偏好模式表示hi、用户第二偏好模式表示hf，以及对应的用户的第一群体兴趣嵌入第二群体兴趣嵌入输入到多源嵌入融合模块，对这四个不同来源的信息进行仔细的聚合，得到最终的用户兴趣表示hfinal，最后利用得到的最终的用户兴趣表示来计算推荐结果
9、更进一步的，步骤s1中，项目级历史行为序列su是指由项目编号所组成的序列，特征级历史行为序列是指由项目所对应的特征，项目所对应的特征包括品牌、种类和价格。
10、更进一步的，步骤s3所述的注意力机制编码器的具体步骤如下：
11、s31：使用投影矩阵对用户嵌入执行线性变换，然后将其输入到缩放点积注意力中，如下所示：
12、h＝sdpa(eiwq,eiwk,eiwv)
13、其中wq，wk，wv是投影矩阵，ei是用户嵌入，sdpa表示缩放点积注意力函数，描述如下：
14、
15、其中，q表示query查询，k表示key键，v表示value值，d表示嵌入维度；
16、s32：在自注意力机制中使用多头注意力机制，公式如下：
17、mi＝mh(ei)＝concat(h1,h2,...,hlf)wo
18、hi＝sdpa(eiwiq,eiwik,eiwiv)
19、其中wo,wiq,wik,wiv都是可学习的参数，lf表示项目编码器中的注意力头数量；
20、s33：项目级别的自注意力块的最终输出表示如下：
21、mi＝layernorm(mi+ei)，
22、oi＝relu((miw1+b1)w2+b2),
23、oi＝layernorm(oi+mi),
24、其中，权重w*和偏置b*是可学习的模型参数，oi是经过单个自注意力块得到的输出；
25、将整个自注意力块定义如下：
26、oi＝sab(ei)
27、s34：为了捕捉更复杂的特征转换模式，在自注意力机制编码器中堆叠了多个自注意力块，第q个自注意力块的定义如下：
28、
29、其中，
30、s35：然后把通过一个全连接层来得到最终的输出：
31、
32、其中，wi是全连接层的权重，bi是全连接层的偏置，hi就是最后得到的用户偏好嵌入。
33、更进一步的，步骤s4所述的可学习群组丛聚模块包括以下步骤：
34、s41：群体相关性的计算；
35、s42：群体嵌入的构建；
36、s43：计算用户群体嵌入表示。
37、更进一步的，步骤s4所述的可学习群组丛聚模块的具体步骤如下：
38、s41：群体相关性的计算；
39、首先，初始化一个兴趣池化矩阵wp；然后，使用以下公式来计算用户对各种群体的兴趣程度：
40、cp＝mlp(wphi)
41、其中，cp表示用户对每个群体的兴趣分数，wp表示初始兴趣池化矩阵；
42、s42：群体嵌入的构建；
43、首先，初始化一个群体嵌入go来表示初始的兴趣群体；然后，获得最终的群体嵌入表示：
44、g＝mlp(ga(gowq,hiwk,hi,wv))
45、其中wq，wk，wv是需要学习的参数，g是最终获得的群体嵌入表示，而ga(·)表示群体注意力函数，定义如下：
46、
本文档来自技高网...
【技术保护点】
1.一种序列推荐的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的序列推荐的方法，其特征在于，步骤S1中，项目级历史行为序列Su是指由项目编号所组成的序列，特征级历史行为序列是指由项目所对应的特征，项目所对应的特征包括品牌、种类和价格。
3.根据权利要求2所述的序列推荐的方法，其特征在于，步骤S3所述的注意力机制编码器的具体步骤如下：
4.根据权利要求3所述的序列推荐的方法，其特征在于，步骤S4所述的可学习群组丛聚模块包括以下步骤：
5.根据权利要求4所述的序列推荐的方法，其特征在于，步骤S4所述的可学习群组丛聚模块的具体步骤如下：
6.根据权利要求5所述的序列推荐的方法，其特征在于，步骤S5所述的多源嵌入融合模块包括以下步骤：
7.根据权利要求6所述的序列推荐的方法，其特征在于，最终输出HMFB的公式如下：
8.根据权利要求7所述的序列推荐的方法，其特征在于，步骤S5中所述的计算方法如下：
9.一种根据权利要求1所述的序列推荐的系统，其特征在于，包括：
10.一
...【技术特征摘要】
1.一种序列推荐的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的序列推荐的方法，其特征在于，步骤s1中，项目级历史行为序列su是指由项目编号所组成的序列，特征级历史行为序列是指由项目所对应的特征，项目所对应的特征包括品牌、种类和价格。
3.根据权利要求2所述的序列推荐的方法，其特征在于，步骤s3所述的注意力机制编码器的具体步骤如下：
4.根据权利要求3所述的序列推荐的方法，其特征在于，步骤s4所述的可学习群组丛聚模块包括以下步骤：
5.根据权利要求4所述的序列推荐的方法，其特征在于，步骤s4所述的可学习群...
【专利技术属性】
技术研发人员：范永全，姜威，李显勇，杜亚军，王小敏，陈晓亮，许凯威，汪大林，李佳，
申请(专利权)人：西华大学，
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。