【技术实现步骤摘要】
一种物品推荐模型的训练方法、物品推荐方法和装置
[0001]本申请涉及个性化推荐
，尤其涉及一种物品推荐模型的训练方法、物品推荐方法和装置。
技术介绍
[0002]随着互联网的快速发展，数据量也与日俱增，有价值的信息逐渐被埋没在数据海洋中，极大地增加了人们获取有效信息的时间和难度，信息过载逐渐成为了一个新的机遇和挑战。为了解决信息过载的问题，作为一种过滤、提取有效信息的自动化工具，推荐系统应运而生，它可以根据人们的偏好，在海量的信息中发掘用户感兴趣的内容，从而帮助用户快速获取自己想要的信息。凭借着高效、高质地从海量数据中为用户筛选和推荐个性化内容的本领，推荐技术获得快速发展并在商品推荐、资讯推荐和媒体推荐等领域得到广泛应用。发展推荐技术是新信息时代的未来趋势，但同时机遇往往也伴随着挑战。
[0003]推荐系统利用动态信息(例如随时间动态变化的信息)进行推荐的过程被称为动态推荐，作为一种动态推荐方法，序列推荐是推荐系统中常见的一种应用场景，它是根据用户平时的一些购买记录来分析用户的行为偏好，从而进行推。而传统的推...
【技术保护点】
【技术特征摘要】
1.一种物品推荐模型的训练方法，其特征在于，包括：根据用户对不同物品的历史行为记录构建训练样本，所述历史行为记录包括用户对物品的多种类型交互信息；通过用户记忆网络从所述训练样本中提取物品潜在特征和用户潜在特征，所述用户潜在特征包括用户固有喜好特征和用户动态喜好特征，所述用户固有喜好特征通过所述用户记忆网络提取所述训练样本中的用户喜好信息得到；根据所述用户潜在特征和所述物品潜在特征计算所述训练样本的预测得分；根据所述训练样本的预测得分和标签计算得到的损失值更新所述用户记忆网络的网络参数，直至所述用户记忆网络收敛，得到物品推荐模型；其中，用户记忆网络提取用户潜在特征的过程为：用户记忆网络基于所述物品潜在特征对当前的用户记忆矩阵进行读操作，获取第一用户记忆特征；所述用户记忆网络基于所述用户固有喜好特征和所述物品潜在特征对所述用户记忆矩阵中的记忆特征进行双层注意力处理，获取第二用户记忆特征；所述用户记忆网络融合所述第一用户记忆特征和所述第二用户记忆特征，得到用户动态喜好特征；所述用户记忆网络融合所述用户固有喜好特征和所述用户动态喜好特征，得到用户潜在特征。2.根据权利要求1所述的物品推荐模型的训练方法，其特征在于，所述物品潜在特征的初始化过程为：对所述训练样本中的物品信息和静态属性信息进行初始化处理，得到静态属性嵌入初始值和物品嵌入初始值；对所述静态属性嵌入初始值和所述物品嵌入初始值进行多层图卷积处理，得到各层物品嵌入，其中，所述物品嵌入初始值为初始层的物品嵌入；基于各层所述物品嵌入获取初始物品潜在特征。3.根据权利要求2所述的物品推荐模型的训练方法，其特征在于，所述基于各层所述物品嵌入获取初始物品潜在特征，包括：将各层所述物品嵌入中的最后一层物品嵌入作为初始物品潜在特征，或，对各层所述物品嵌入进行拼接或求平均，得到初始物品潜在特征。4.根据权利要求1所述的物品推荐模型的训练方法，其特征在于，所述方法还包括：通过所述用户记忆网络根据当前物品的所述物品潜在特征对所述用户记忆矩阵进行写操作，以更新所述用户记忆矩阵。5.根据权利要求1所述的物品推荐模型的训练方法，其特征在于，所述用户记忆网络基于所述用户固有喜好特征和所述物品潜在特征对所述用户记忆矩阵中的记忆特征进行双层注意力处理，获取第二用户记忆特征，包括：所述用户记忆网络采用打分函数对所述用户固有喜好特征与用户交互类型特征向量进行处理，得到第一注意力分数，并采用softmax函数对所述第一注意力分数进行处理，得到第一层注意力权重，所述用户交互类型特征向量通过所述训练样本得到；所述用户记忆网络采用所述打分函数对所述物品潜在特征与所述用户记忆矩阵中的
记忆特征进行处理，得到第二注意力分数，并采用所述softmax函数对所述第二...
【专利技术属性】
技术研发人员：陈亮，谢涛，许杨俊，刘阳，郑子彬，
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。