【技术实现步骤摘要】
基于反馈感知的局部与全局模型的推荐方法、终端及介质
[0001]本专利技术涉及数据挖掘应用领域，尤其涉及的是一种基于反馈感知的局部与全局模型的推荐方法、终端及介质。
技术介绍
[0002]在顺序单类协同过滤中，已经出现了很多同构序列推荐算法，比如：基于RNN的方法GRU4Rec、基于CNN的方法Caser和NextItNet，以及基于注意力的算法SASRec等。但是，这些方法无法区分序列中针对同一物品的不同行为，因为这些算法在设计时仅考虑对单一类型的行为进行建模。
[0003]为了解决此问题，最近的一些顺序异构单类协同过滤算法工作尝试对异构序列进行建模，例如RLBL、RIB和BINN。循环对数双线性模型(RLBL)将一个序列划分为多个时间窗口，使用对数双线性模型(LBL)来聚合每个时间窗口的交互信息，引入了与行为相关的转移矩阵来区分不同的行为，从而得到该窗口内的短期偏好。由于一个序列被划分为多个窗口，RLBL进一步使用RNN聚合不同窗口的偏好，从而得到用户的长期偏好。结合微观行为序列建模的推荐(RIB)考虑用户的异构...
【技术保护点】
【技术特征摘要】
1.一种基于反馈感知的局部与全局模型的推荐方法，其特征在于，所述基于反馈感知的局部与全局模型的推荐方法包括以下步骤：通过反馈感知的自注意力模型捕捉目标对象的局部偏好；根据位置注意力层和所述局部偏好进行全局偏好学习，并捕捉所述目标对象的全局偏好；通过自注意力机制和局部意图模型进行学习，并对所述目标对象的真实意图进行建模，得到真实意图模型；根据所述真实意图模型、所述局部偏好以及所述全局偏好进行预测，得到所述目标对象的下一行为预测结果。2.根据权利要求1所述的基于反馈感知的局部与全局模型的推荐方法，其特征在于，所述通过反馈感知的自注意力模型捕捉目标对象的局部偏好，之前包括：将预设物品序列转换为物品嵌入矩阵：其中，表示物品相关的潜在特征向量；根据与位置相关的潜在特征向量对每个时间步的位置信息进行建模，得到位置嵌入矩阵：使用逐元素的加法融合每个时间步上的物品信息和位置信息，并将得到的向量表示为为3.根据权利要求2所述的基于反馈感知的局部与全局模型的推荐方法，其特征在于，所述通过反馈感知的自注意力模型捕捉目标对象的局部偏好，之前还包括：根据得到的向量确定局部偏好学习模块的输入矩阵：将所述输入矩阵输入至堆叠的反馈感知自注意力层中：4.根据权利要求3所述的基于反馈感知的局部与全局模型的推荐方法，其特征在于，所述通过反馈感知的自注意力模型捕捉目标对象的局部偏好，之前还包括：确定所述反馈感知自注意力层中的反馈信息：Q,K,V＝FIL(X)；Q,K,V＝FIL(X)；
其中，为逐元素的乘法；M
e
∈R
L
×
d
为浏览行为的掩码矩阵；M
p
∈R
L
×
d
为购买行为的掩码矩阵；W
eq
∈R
d
×
d
、W
ek
∈R
d
×
d
以及W
ev
∈R
d
×
d
均为所述浏览行为的投影矩阵；W
pq
∈R
d
×
d
、W
pk
∈R
d
×
d
以及W
pv
∈R
d
×
d
均为所述购买行为的投影矩阵；根据所述反馈信息确定所述反馈感知自注意力层的表达式：其中，Q∈R
d
×
d
为查询矩阵；K∈R
d
×
d
为键矩阵；V∈R
d
×
d
为值矩阵；Δ为因果掩码矩阵。5.根据权利要求4所述的基于反馈感知的局部与全局模型的推荐方法，其特征在于，所述通过反馈感知的自注意力模型捕捉目标对象的局部偏好，包括：将所述反馈感知自注意力层中的反馈信息输入至前馈层中：FFL(X')＝ReLU(X'W1+1
T
b1)W2+1
T
b2；其中，W1∈R
d
×
d
和W2∈R
d
×
d
分别为第一层神经网络和第二层神经网络的权重；b1∈R1×
d
和b2∈R1×
d
分别为第一层神经网络和第二层神经网络的偏置；1∈R1×
L
为全1向量；ReLU为非线性激活函数；根据所述前馈层...
【专利技术属性】
技术研发人员：何铭凯，林晶，骆锦潍，潘微科，明仲，
申请(专利权)人：深圳大学，
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。