一种基于多兴趣短期优先模型的会话推荐方法技术

本发明专利技术公开了一种基于多兴趣短期优先模型的会话推荐方法，抽取当前会话中多兴趣空间下的用户短期兴趣和用户长期兴趣，并预测用户下一个交互的物品。本发明专利技术的向前传播部分主要由三个部分组成。第一部分是根据用户会话序列，得到用户多兴趣表征。第二部分是抽取不同兴趣空间下，最后一个点击的物品。第三部分是根据用户多兴趣表征和不同兴趣空间下最后一个点击物品，推荐用户下一个点击的物品。本方法的关键之处在于会话中不同兴趣空间下的短期兴趣如何确定。期兴趣如何确定。期兴趣如何确定。

【技术实现步骤摘要】
一种基于多兴趣短期优先模型的会话推荐方法


[0001]本专利技术属于互联网服务
，尤其是涉及一种基于多兴趣短期优先模型的会话推荐方法。

技术介绍

[0002]随着在线服务的发展和流行，在线平台记录着大量的用户行为数据。从海量数据中找出用户最感兴趣的物品并推荐给用户，可以极大地提升用户的满意度和公司的收益。此时，推荐系统显得非常重要。推荐系统可以从海量物品中挖掘出用户最喜欢的物品。
[0003]会话(session)指一段时间内用户交互的物品序列，一般通过用户行为之间的时间间隔进行划分。比如，超过三十分钟的间隔就认为是当前会话结束，下一个会话开始。会话推荐方法(session
‑
based recommendation)是指基于当前会话中的物品序列，推荐用户下一个感兴趣的物品，会话推荐方法可以有效地捕捉用户动态变化的兴趣。用户在一个会话中会有特定的一些目的，而传统的会话推荐方法认为用户在一个会话内只有一个目的或者兴趣。这样的假设和实际情况不符，用户往往在一个时间段内会有多个兴趣，比如，在某店铺中同时浏览了羽绒服和裤子。此时，用一个向量来表示用户的兴趣就不够准确。所以，本方法从用户会话中的物品序列中抽取出用户多兴趣表征，本方法是一种基于多兴趣的会话推荐方法。
[0004]Liu等人在2018年提出短期注意优先模型(STAMP)。在该篇论文中，作者认为用户短期/当前兴趣和用户长期兴趣同样重要。这里，当前兴趣采用用户最后点击的物品(last
‑
click)表征来表示。而用户的长期兴趣即当前会话表征，该方法采用基于最后点击物品的注意力机制(short
‑
term attention)来从会话中抽取用户长期兴趣。最后，作者结合用户的短期兴趣和用户的长期兴趣来进行物品推荐。实验证明，最后点击的物品(last
‑
click)对推荐准确度的提升效果明显。但是该方法没有考虑到用户在一个会话中会存在多个兴趣，直接用最后一个点击的物品来表示用户的短期兴趣，使得用户的短期兴趣和长期兴趣主要表示一种兴趣，和事实场景不符，极大地降低了推荐的准确度。在单兴趣推荐场景中，用户最后点击物品(last
‑
click)可以直接用序列最后一个物品表示，那么在多兴趣场景中，会话中不同兴趣的最后点击物品应该如何得到，这是本方法的重点和创新点。

技术实现思路

[0005]本方法的问题定义为基于当前会话中的物品序列，预测用户在当前会话中下一个感兴趣的物品。用户的当前会话可以表示为S
T
＝{x1,x2,
…
,x
τ
,
…
,x
t
}，其中，x
τ
代表用户交互的第τ个物品。此时，推荐下一个感兴趣物品的概率为P(x
t11
∣S
T
)。且S
T
的向量表征为{x1,x2,
…
,x
τ
,
…
,x
t
}，其中d是物品向量表征的长度。另外，会话序列中的物品具有时间先后性，物品的时间属性特征为st＝{1，2，
…
，τ，
…
,t}。
[0006]用户在一个会话中会有特定的一些目的，而传统的会话推荐方法认为用户在一个会话内只有一个目的或者兴趣。这样的假设和实际情况不符，用户往往在一个时间段内会
有多个兴趣，比如，在某店铺中同时浏览了羽绒服和裤子。此时，用一个向量来表示用户的兴趣就不够准确。所以，本方法从用户会话中的物品序列中抽取出用户多兴趣表征。Liu等人在2018年提出短期注意优先模型(STAMP)。在该篇论文中，作者认为用户短期/当前兴趣和用户长期兴趣同样重要。这里，当前兴趣采用用户最后点击的物品(last
‑
click)表征来表示。而用户的长期兴趣即当前会话表征，该方法采用基于最后点击物品的注意力机制(short
‑
term attention)来从会话中抽取用户长期兴趣。最后，作者结合用户的短期兴趣和用户的长期兴趣来进行物品推荐。实验证明，最后点击的物品(last
‑
click)对推荐准确度的提升效果明显。但是该方法没有考虑到用户在一个会话中会存在多个兴趣，直接用最后一个点击的物品来表示用户的短期兴趣，使得用户的短期兴趣和长期兴趣主要表示一种兴趣，和事实场景不符，极大地降低了推荐的准确度。在单兴趣推荐场景中，用户最后点击物品(last
‑
click)可以直接用序列最后一个物品表示，那么在多兴趣场景中，会话中不同兴趣的最后点击物品应该如何得到。为此，本专利技术采用以下技术方案：
[0007]一种基于多兴趣短期优先模型的会话推荐方法，包括以下步骤：
[0008]根据用户会话序列，得到用户多兴趣表征。用户当前交互的会话可以表示为S
T
＝{x1,x2，
…
，x
τ
,
…
，x
t
}，其中，x
τ
代表用户交互的第τ个物品，T表示当前会话的时间段下标，且S
T
的向量表征为{x1，x2,
…
，x
τ
，
…
，x
t
}，其中d是物品向量表征的长度。采用胶囊网络从物品序列中抽取出用户多兴趣，伪代码为：
[0009][0010]其中，为会话中第i个物品向量表征，是第j个兴趣的映射矩阵。用户兴趣的个数参数为M。通过兴趣相关的映射向量(interest
‑
specific projection)，可以从物品向量x
i
中抽取出不同兴趣空间下的向量表征方法是胶囊网络中的动态路由部分，输入参数是第i个物品向量表征x
i
映射到第j个兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数。方法的输出参数v
j
代表用户多兴趣向量表征。b
ij
是第i个物品向量表征到第j个兴趣的连接系数，c
ij
是参数b
ij
归一化后的连接系数，表示第i个物品是第j个兴趣的可能性，且对于一个物品x
i
，不同兴趣的可能性和为1，也就是∑
j
c
ij
＝1。squash是胶囊网络中常用的squash向量激活函数，公式为
[0011]抽取不同兴趣空间下，最后一个点击的物品。会话中的物品为S
T
＝{x1,x2,
…
,x
+
,
…
,x
t
}，且物品的时间属性特征为st＝{1,2,
…
,τ,
…
,t}。对于任一个兴趣空间下，用户
最后点击物品(last
‑
click本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多兴趣短期优先模型的会话推荐方法，其特征在于：根据用户会话序列，得到用户多兴趣表征；用户当前交互的会话可以表示为S
T
＝{x1，x2，
…
，x
τ
，
…
，x
t
}，其中，x
τ
代表用户交互的第τ个物品，T表示当前会话的时间段下标，且S
T
的向量表征为{x1，x2，
…
，x
τ
，
…
，x
t
}，其中d是物品向量表征的长度；采用胶囊网络从物品序列中抽取出用户多兴趣v
j
；抽取不同兴趣空间下，最后一个点击的物品；会话中的物品为S
T
＝{x1，x2，
…
，x
τ
，
…
，x
t
}，且物品的时间属性特征为st＝{1，2，
…
，τ，
…
，t}；对于任一个兴趣空间下，用户最后点击物品(last
‑
click)的下标idx取决于胶囊网络连接系数和物品时间属性特征；得到用户最后点击物品的下标idx，也就得到最后一个点击的物品向量表征h＝x
idx
，即为用户短期兴趣；根据用户多兴趣表征和不同兴趣空间下最后一个点击物品，推荐用户下一个点击的物品；将候选物品集合中的任一物品x
τ
的向量表征x
τ
映射到多空间下，然后和不同空间的用户长期兴趣v
j
和短期兴趣h
j
进行匹配，计算点击概率u
j|τ
＝W
j
x
τ
其中，是第j个兴趣的映射矩阵，和胶囊网络中的兴趣映射矩阵参数为同一个参数；σ是sigmoid函数；代表物品x
τ
成为下一个交互物品的可能性；符号<>表示三个向量相乘，也就是相乘，也就是且同时根据的对数似然函数值，计算损失函数：其中，y
τ
代表x
τ
的one
‑
hot编码，函数用梯度下降法来最优化；|V|表示物品候选集V的...

【专利技术属性】
技术研发人员：顾盼，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：