基于注意力机制的项目级和特征级深度协同过滤推荐算法制造技术

本发明专利技术公开了一种基于注意力机制的项目级和特征级深度协同过滤推荐算法，包括如下步骤：S1统计用户的历史项目评分；S2根据用户的历史项目评分计算用户对目标项目的特征级内容表示；S3根据用户的历史项目评分以及S2的技术结果计算用户对目标项目的项目级预测评分。本发明专利技术通过结合项目级和特征级上的注意力机制对提高推荐精度有一定的效果，并相比现有技术而言在对用户历史偏好的分析更具有可解释性。通过还为将考虑在其它协同过滤模型中扩展DACF，如最近提出的神经协同过滤和离散协同过滤；为将来的研究将探索更高阶的特征级注意力机制，进一步夯实了推荐系统的研究的理论基础。

Project-level and feature-level deep collaborative filtering recommendation algorithm based on attention mechanism

The invention discloses a project-level and feature-level deep collaborative filtering recommendation algorithm based on attention mechanism, which includes the following steps: S1 counts user's historical item score; S2 calculates user's feature-level content representation of target item according to user's historical item score; S3 calculates user's project-level of target item according to user's historical item score and S2's technical result. Predictive score. The invention has a certain effect on improving recommendation accuracy by combining attention mechanism at project level and feature level, and is more explanatory in the analysis of users'historical preferences than the existing technology. By extending DACF to other collaborative filtering models, such as the recently proposed neuro-collaborative filtering and discrete collaborative filtering, we will explore a higher-order feature-level attention mechanism for future research and further consolidate the theoretical basis of recommendation system research.

【技术实现步骤摘要】
基于注意力机制的项目级和特征级深度协同过滤推荐算法
本专利技术涉及信息
，具体涉及一种基于注意力机制的项目级和特征级深度协同过滤推荐算法。
技术介绍
随着互联网时代的到来，信息量成爆炸式增长，带来了“信息过载”问题，而个性化推荐是解决信息过载问题最有效的方法之一，与一般的搜索引擎不同，推荐系统通过学习用户偏好以及用户和项目之间的关系，为用户可能感兴趣的项目(例如，电影，产品，旅行和休闲活动)进行推荐，并且已经被亚马逊，谷歌，Netflix和其他网站采用。分析用户的反馈信息和项目描述信息，挖掘两者的隐性特征，是用户进行个性化推荐的重要组成部分。个性化推荐系统的关键在于根据用户过去的交互(例如，评分和点击等)对项目的偏好建模，称为协同过滤；协同过滤分析用户之间的关系和项目之间的相互依赖关系，以识别新的用户项目关联。在对用户对项目的喜好进行分析时，首先对数据进行预处理，使用项目的标识作为输入的特征向量，将其转换为具有独热编码(One-HotEncoding)的二值化稀疏向量。利用项目q的t个重要特征形成n维向量(qj1，qj2,…,qjt),其中qjt代表第j个项目的第t个特征的特征本文档来自技高网...

【技术保护点】
1.基于注意力机制的项目级和特征级深度协同过滤推荐算法，其特征在于，包括如下步骤：S1统计用户的历史项目评分；S2根据用户的历史项目评分计算用户对目标项目的特征级内容表示；S3根据用户的历史项目评分以及S2的技术结果计算用户对目标项目的项目级预测评分。

【技术特征摘要】
1.基于注意力机制的项目级和特征级深度协同过滤推荐算法，其特征在于，包括如下步骤：S1统计用户的历史项目评分；S2根据用户的历史项目评分计算用户对目标项目的特征级内容表示；S3根据用户的历史项目评分以及S2的技术结果计算用户对目标项目的项目级预测评分。2.根据权利要求1所述的注意力机制的项目级和特征级深度协同过滤推荐算法，其特征在于：所述S2包括利用历史项目集q第j个项目的t个重要特征形成n维向量(qj1,qj2,…,qjt),其中qjt代表历史项目集q的第j个项目的第t个特征的特征值，其中pit代表目标项目集p的第i个项目的第t个特征的特征值；使用两层的MLP模型来学习特征级的注意力权重：θjt＝ω2′ReLU(ω1′(pit⊙qjt)+b1′)+b2′(11)其中权重ω1’，偏置向量b1’是输入层到隐藏层的参数，ω2’，b2’隐藏层到输出层的参数，而ReLU为激活函数；特征级注意力权重的一般形式为：使用β作为平滑指数：项目的内容特征加权为：指定至少一个目标函数来进行优化。3.根据权利要求2所述的注意力机制的项目级和特征级深度协同过滤推荐算法，其特征在于：所述S3包括根据公式(6)计算，其中为用户u对项目i的预测评分，ruj表示用户u对历史项目j的评分，sij表示目标项目i和历史项目j的相...

【专利技术属性】
技术研发人员：王永贵，尚庚，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁,21