基于元路径的上下文感知用户建模方法、序列推荐方法技术

本发明专利技术属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法，旨在为了解决现有用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；现有的推荐系统推荐的准确性不高，推荐的内容不具有多样性的问题。本发明专利技术将基于用户访问的项目序列获取局部兴趣表示，通过对异构网络建模得到上下文感知的全局兴趣表示，结合局部兴趣表示和全局兴趣表示得到用户的综合兴趣表示。基于用户综合兴趣表示和待预测项目，通过推荐模型得到推荐结果。本发明专利技术的用户建模方法能够更全面地捕捉用户兴趣，有利于提高推荐系统的准确率；基于元路径的上下文感知序列推荐方法，推荐准确率高，推荐内容更具多样性。

【技术实现步骤摘要】
基于元路径的上下文感知用户建模方法、序列推荐方法
本专利技术属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法。
技术介绍
在社交媒体网络上，用户贡献了大量的行为数据用于用户建模和个性化服务，例如电商平台的个性化推荐、信息平台的新闻推荐等等。推荐系统在将用户需求与各种在线平台的丰富项目相匹配方面发挥着越来越重要的作用。在构建一个有效的推荐系统过程中，一个关键因素是建模用户兴趣的能力，以准确地刻画和理解用户动态的、不断变化的口味和兴趣。传统的推荐算法，比如基于内容的推荐方法和协同过滤推荐方法，通常认为用户是一个静态实体，用户的兴趣是固定的。矩阵分解技术建模静态的用户-项目交互，忽略了用户兴趣的迁移和演变。序列推荐技术近年来在建模用户动态兴趣方面获得极大的关注。事实上，用户的序列行为包含很丰富的信息，例如，它可以揭示用户兴趣演变并帮助识别哪些项目与当前的用户兴趣不相关。然而，现有的序列推荐算法通常使用历史行为的简单序列关系来建模用户偏好，其仅考虑关于用户行为的局部信息。这会使推荐系统产生一系列问题，比如推荐系统本文档来自技高网...

【技术保护点】
1.一种基于元路径的上下文感知用户建模方法，其特征在于，该方法包括：/n步骤S110，分别获取用户所访问的历史项目序列中各项目的多模态表示作为项目的项目表示；/n步骤S120，基于用户所访问的历史项目序列中各项目的项目表示，通过特征层自注意力网络模型获取用户的局部兴趣表示；所述特征层自注意力网络模型基于自注意力机制构建，用于获取各项目的第一权重分数，通过对各项目的项目表示进行加权，获取用户的局部兴趣表示；/n步骤S130，基于用户所访问的项目网络中各元路径的实例集合，通过基于上下文的元路径算法获取各元路径的元路径上下文表示；/n步骤S140，基于所述历史项目序列中各项目的项目表示和所述项目网络...

【技术特征摘要】
1.一种基于元路径的上下文感知用户建模方法，其特征在于，该方法包括：
步骤S110，分别获取用户所访问的历史项目序列中各项目的多模态表示作为项目的项目表示；
步骤S120，基于用户所访问的历史项目序列中各项目的项目表示，通过特征层自注意力网络模型获取用户的局部兴趣表示；所述特征层自注意力网络模型基于自注意力机制构建，用于获取各项目的第一权重分数，通过对各项目的项目表示进行加权，获取用户的局部兴趣表示；
步骤S130，基于用户所访问的项目网络中各元路径的实例集合，通过基于上下文的元路径算法获取各元路径的元路径上下文表示；
步骤S140，基于所述历史项目序列中各项目的项目表示和所述项目网络中各元路径的元路径上下文表示，通过协同注意力网络模型获取用户的全局兴趣表示；所述协同注意力网络模型基于协同注意力机制构建，用于对各元路径上下文表示进行加权获取元路径加权表示和对各项目的项目表示进行加权获取项目加权表示，并通过所述元路径加权表示和所述项目加权表示的聚合获取用户的全局兴趣表示；
步骤S150，基于所述全局兴趣表示和所述局部兴趣表示，通过聚合获取用户的综合兴趣表示。


2.根据权利要求1所述的基于元路径的上下文感知用户建模方法，其特征在于，所述第一权重分数由项目中各模态的权重分数构成。


3.根据权利要求1-2中任一权利要求所述的基于元路径的上下文感知用户建模方法，其特征在于，所述特征层自注意力网络模型包括前向自注意力网络模型和后向自注意力网络模型；
所述前向自注意力网络模型基于自注意力机制构建，基于前向位置编码矩阵获取各项目的关联分数；
所述后向自注意力网络模型基于自注意力机制构建，基于后向位置编码矩阵获取各项目的关联分数。


4.根据权利要求3所述的基于元路径的上下文感知用户建模方法，其特征在于，所述前向位置编码矩阵，其获取方法为：



其中，di,j＝exp(|i,j|)，i,j为项目在行为序列中的位置编号；如果i,j相邻，则|i,j|＝1，否则|i,j|的值随i,j位置间隔大小相应递增，每间隔增加一位，|i,j|值加1。


5.根据权利要求3所述的基于元路径的上下文感知用户建模方法，其特征在于，所述前向位置编码矩阵，其获取方法为：



其中，di,j＝exp(|i,j|)，i,j为项目在行为序列中的位置编号；如果i,j相邻，则|i,j|＝1，否则|i,j|的值随i,j位置间隔大小相应递增，每间隔增加一位，|i,j|值加1。


6.根据权利要求1所述的基于元路径的上下文感知用户建模方法，其特征在于，所述多模态表示基于项目标识号码、项目标签、项目文本特征、项目图像特征、用户与每个项目的交互类型中的一种或多种获取。


7.一种基于元路径的上下文感知序列推荐方法，其特征在于，该方法包括：
步骤S210，基于用户所访问的历史项目序列，通过权力要求1-7中任一项所述的基于元路径的上下文感知用户建模方法获取所述用户的综合兴趣表示；
步骤S220，分别获取待预测项目序列中各项目的多模态表示作为各项目的项目表示；所述待预测项目为从项目库中随机选取的预先设定数量的项目；
步骤S230，基于所述用户的综合兴趣表示和所述待预测项目序列中各项目的项目表示，获取所述用户与所述待预测项目序列中各项目的交互概率；
步骤S240，基于所述用户与所述待预测项目序列中各项目的交互概率，通过推荐模型获取推荐结果并输出，所述推荐模型通过最小化目标...

【专利技术属性】
技术研发人员：徐常胜，黄晓雯，方全，钱胜胜，桑基韬，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11