【技术实现步骤摘要】
用于流媒体推荐的自我注意网络信息处理方法
本专利技术涉及信号处理
，尤其涉及一种用于流媒体推荐的自我注意网络信息处理方法。
技术介绍
鉴于人们生活中的大量信息，如何从广泛的数据中获取有效信息已成为一个迫切的问题。推荐系统可以为不同用户提供个性化推荐，使得每个用户可以从推荐系统筛选的有限的，多样化的信息中获得他们想要的信息，尤其是在流媒体场景中。传统的推荐系统通常利用信息用户日志来建模用户偏好并推荐用户可能感兴趣的项目。换句话说，每个用户必须具有足够的交互记录，并且用户身份必须在每个交互事件中可见。然而，在许多在线系统中，例如电子商务网站和大多数新闻和媒体网站，推荐系统可以仅依赖当前会话信息来提供准确的推荐，因为新用户和未记录用户的身份是未知的，这使得他们的历史记录不可用。流媒体推荐是一种在线系统，因此除了捕获用户的长期和漂移兴趣之外，它还不可避免地面临如何从大规模和高速的流数据中识别和建模新用户或项目的问题。基于会话的推荐系统是流媒体推荐的重要组成部分，它已就如何为新用户提供准确的推荐做了大量研究。
【技术保护点】
1.一种用于流媒体推荐的自我注意网络信息处理方法，其特征在于，包括如下步骤：/nS10，将用户的顺序事务
【技术特征摘要】
1.一种用于流媒体推荐的自我注意网络信息处理方法，其特征在于，包括如下步骤：
S10，将用户的顺序事务转换为固定长度序列采用完全连接的层来将项目ID和相对位置嵌入到两个连续的低维空间中；采用表示所有项目嵌入组成的矩阵，采用表示相应位置嵌入组成的矩阵；根据会话中的项目ID信息和相对位置信息从M和P中检索输入嵌入矩阵和相应的位置嵌入矩阵；将位置嵌入矩阵注入到输入嵌入矩阵中得到最终输入嵌入矩阵；其中，n表示顺序事务中事务数，l表示固定长度，d是潜在嵌入空间的维数；
S20，对最终输入嵌入矩阵进行规范化得到将线性投影到三个矩阵上得到Q，K，V，并应用神经网络第一层的softmax激活函数来获取权重，利用Dropout函数处理以获得第一个自我注意中表示会话中项目间的交互的输出H1；
S30，用第i组参数矩阵将线性投影到三个矩阵上得到Qi，Ki，Vi，并应用神经网络第i个自我注意中激活函数来获取权重，利用Dropout函数处理以获得第i个表示会话中项目间的交互的输出Hi，将各个表示会话中项目间的交互的输出进行自我注意拼接，得到表征会话中最终项目间的交互S；
S40，对最终输入嵌入矩阵E与会话中最终项目间的交互S求和后进行层规范化处理得到经过前馈网络处理得到表征用户偏好的矩阵F，在多头自我注意的基础上运用非线性的激活函数获得各层表征用户偏好的矩阵；
S50，计算候选项目vi∈V的分数ri，根据ri确定用户...
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。