【技术实现步骤摘要】
基于使用物品流行度辅助用户兴趣建模的推荐方法
[0001]本专利技术涉及深度学习和推荐系统
，更具体的，涉及一种基于使用物品流行度辅助用户兴趣建模的推荐方法。
技术介绍
[0002]在信息过载的时代，推荐系统(RS)对在线服务至关重要，并广泛应用于各个领域、如在线购物、电影、音乐和新闻推送服务。一般地，推荐系统旨在向特定用户推荐合适的物品。在此过程中，建模匿名用户发起当前会话时的动态兴趣，捕获用户兴趣迁移过程是提升推荐性能的关键。传统基于协同过滤的方法只能捕获用户长期静态兴趣，而会话往往记录交互物品的时间信息，满足了探索用户动态偏好的需求。
[0003]然而要获取用户的偏好，就要从用户行为背后的主要目的，这往往是在不断变化的。例如，假设用户的购买历史是[iPhonexs、蓝牙耳机、酸奶、鼠标、狗粮]，序列语义随着交互发生而迁移，模型应该能识别各交互项占最终语义的比重，将该会话的一般兴趣定义为电子产品。
[0004]基于动态时间间隔和动态潜在意图两个事实，会话推荐将兴趣分为一般兴趣和当前兴趣。一般潜在偏好...
【技术保护点】
【技术特征摘要】
1.一种基于使用物品流行度辅助用户兴趣建模的推荐方法，其特征在于：所述的推荐方法包括如下：S1：将会话中物品序列分成多个样本点输入到图神经网络，每一个样本点构成一张图G
s
＝(V
s
,ξ
s
)，每一个物品为一个节点v
s,i
∈V，根据物品点击的先后顺序连接，形成若干条边，每一条边(v
s,i
‑1,v
s,i
)∈ξ
s
表示一个用户在会话s中先点击物品v
s,i
‑1，再点击物品v
s,i
；通过相邻节点的信息流动不断更新节点的向量表示；S2：将一张图中所有节点的向量表示输入感知网络得到采用向量表示的长期兴趣；把会话中最后一项物品的向量表示当作不充分的短期兴趣；通过会话物品交互信息提取物品流行度；S3：最后将得到的长期兴趣、短期兴趣和物品流行度输入自关注层，通过SoftMax层得到会话的最终表示，即用户兴趣；S4：将用户兴趣与各个物品分别相乘，得到得分，然后通过softmax得到最终推荐概率向量。2.根据权利要求1所述的基于使用物品流行度辅助用户兴趣建模的推荐方法，其特征在于：步骤S1中，通过相邻节点的信息流动不断更新节点的向量表示，具体如下：针对每一个节点，把和它所有边连接的节点的向量表示聚合到该节点上，再通过线性层更新该节点的向量表示：的向量表示：其中，N(v)代表当前节点的邻节点，v代表当前节点，代表上一次迭代后的结果，u代表包括当前节点和邻节点构成的集合中的任一节点；为节点v第k次迭代的向量表示。3.根据权利要求2所述的基于使用物品流行度辅助用户兴趣建模的推荐方法，其特征在于：所述的物品流行度的提取方法具体如下：将会话中最后一项物品的被交互次数信息通过比例环节得到物品短期被交互次数x(t
i
)；将会话中最后一项物品的被交互次数信息通过求和环节得到物品被长期交互次数将会话中最后一项物品的被交互人数信息通过差分环节得到不同时段被交互次数的变化x(t
i
)
‑
x(t
i
‑1)；再将不同时段交互次数的变化通过GRU网络得到物品被交互次数变化的趋势；将得到的物品短期被交互次数、物品被长期交互次数、物品被交互次数变化的趋势通过线性变换层，提取得到流行度信息。4.根据权利要求3所述的基于使用物品流行度辅助用户兴趣建模的推荐方法，其特征在于：所述的物品流行度y由离散函数x导出，由PID离散化形式：其中，k
p
、k
i
、k
d
均表示权重；
当前流行度y(t
i
)与当前时刻总交互次数x(t
i
)、当前时刻微分值前一段时间物品被交互总次数交互次数的微分x(t
i
)
‑
x(t
i
‑1)满足推广：C＝k
p
·
a+k
i
·
s+k
d
·
Δx其中，Δx＝(x
i
‑
(k
‑
1)
‑
x
i
‑
k
,x(t
i
‑
(k
‑
2)
)
‑
x(t
i
‑
(k
‑
1)
),...,x(t
i
)
‑
x(t
i
‑1))为广义差分项；a＝x(t
i
)，为比例项，代表物品最近一段时间的被交互次数...
【专利技术属性】
技术研发人员：黄以华，许圣钧，彭渝泽，陈清坤，黄文津，
申请(专利权)人：中山大学，
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。