基于时序建模的车型推荐系统、方法、设备及存储介质技术方案

本发明专利技术提出一种基于时序建模的物品推荐系统、方法、设备及存储介质，在wide

【技术实现步骤摘要】
基于时序建模的车型推荐系统、方法、设备及存储介质


[0001]本专利技术涉及计算机信息处理
，具体涉及一种基于时序建模的推荐方法。

技术介绍

[0002]随着互联网和信息技术的快速发展，产生了海量数据，使我们进入大数据时代。然而这些信息并不全是个人所关心的，用户从大量的信息中寻找对自己有用的信息也变得越来越困难，这就是所谓的信息过载。另一方面，信息的生产方也在绞尽脑汁的把用户感兴趣的信息推送到用户面前，每个人的兴趣又不尽相同，所以可以实现千人千面的推荐方法应运而生。推荐算法根据用户的特征、行为等数据，确定用户的兴趣，通过发掘用户的行为，将合适的信息推荐给用户，满足用户的个性化需求，帮助用户找到感兴趣的但又不易找到的信息或商品。因此，研发有效的推荐算法一直是学术界和工业界的热点。
[0003]对于大规模线上推荐系统而言，广义线性模型GLM(Generalized linear models，如LR等)由于其简单、可扩展和可解释等优点而广泛应用。模型通常使用one
‑
hot编码为二进制的稀疏特征来进行训练。例如，二进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序建模的推荐系统，其特征在于，该系统包括：日志系统根据输入的用户特征及其上下文获取用户和商品特征信息，通过用户曾经购买商品序列信息，将序列信息根据时间排序，获得用户行为特征序列；召回模块从存放商品信息的数据库里初选出预定数量个相关的商品；推荐系统模型根据用户和商品特征信息、用户行为特征序列计算各特征权重，求权重和，获得用户对物品关注度排序，调用线性整流函数根据关注度排序计算出推荐序列，推荐系统根据推荐推荐降序排序，将排序前预定数车型推荐给用户。2.根据权利要求1所述的系统，其特征在于，推荐系统模型为层次化结构，包括输入层、嵌入层、多层感知网络层、因子分解机层、注意力层，输入层分别将用户和商品特征、用户行为特征序列独热编码获得独热编码特征；嵌入层对独热编码特征进行降维，得到用户和商品及其特征的嵌入向量；多层感知网络层、因子分解机层、双向LSTM网络层根据嵌入向量计算FM输出权重、MLP输出权重、Bi
‑
Lstm权重；注意力层对嵌入向量进行加权；线性整流函数ReLU根据上述权重及加权向量计算用户对商品关注度，推荐系统对关注度进行排序，排序前预定数量个车型推荐给用户。3.根据权利要求1或2所述的系统，其特征在于，嵌入层针对输入层的每个特征，对输入层的独热编码特征进行降维，采用嵌入矩阵P∈R
mxk
得到用户和商品及其特征的嵌入向量P，其中,R表示特征矩阵，m表示特征的数量，k表示空间维度。4.根据权利要求3所述的系统，其特征在于，多层感知网络层根据用户和商品特征的嵌入向量，调用公式：a
i
＝f(W
i
a
i
‑1+b
i
)计算第i层网络的MLP输出权重W
i
，其中，b
i
为偏置，f为激活函数，a
i
‑1为输入向量，a
i
输出为输出向量。5.根据权利要求1或4其中之一所述的系统，其特征在于，因子分解机层根据用户和商品特征的嵌入向量，调用公式：计算预测结果FM，其中，线性部分＜w,x＞反应一阶特征的重要性，权重w∈R
d
，隐向量V
i
∈R
k
，内积反应二阶特征的重要性。6.一种基于时序建模的推荐方法，其特征在于，...

【专利技术属性】
技术研发人员：袁章凯，谢磊，蔡春茂，张霞，郝金隆，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：