基于Transformer的序列推荐方法及系统技术方案

本发明专利技术提供一种基于Transformer的序列推荐方法及系统，该方法包括：获取目标用户的当前行为数据；将所述目标用户的当前行为数据和商品库中各商品的商品信息输入序列推荐模型中，获取所述当前行为数据对应的待推荐商品列表；所述待推荐商品列表是基于所述商品库中待推荐商品构建生成的；根据所述待推荐商品列表，对所述目标用户执行推荐操作。本发明专利技术实现动态捕捉用户行为数据的序列特征，以准确表征用户的序列性偏好变化，进而提高推荐结果的准确性；并且在有效减少人工参与构建网络的同时，可有效提高序列推荐模型的性能，进一步提高推荐结果的准确性，进而提升用户体验感。进而提升用户体验感。进而提升用户体验感。

Sequence recommendation method and system based on transformer

【技术实现步骤摘要】
基于Transformer的序列推荐方法及系统


[0001]本专利技术涉及人工智能
，尤其涉及一种基于Transformer的序列推荐方法及系统。

技术介绍

[0002]在大数据时代，个性化推荐系统涉及的应用场景很多，从各大电商平台、音乐软件到短视频，以及长视频网站等都会使用个性化推荐，以在海量的数据中为用户推荐用户可能喜欢的商品(简称，Item)，减少用户的主动搜索，节省不必要的时间成本，提高用户体验感，进而吸引用户，增加用户的观察时长和点击次数等。随着网络资源的不断丰富，信息过载是一个新的问题，个性化推荐是解决信息过载的一个有效手段。
[0003]现有技术中，常用的推荐算法包括基于内容的推荐算法等。其中，基于内容的推荐算法主要通过计算每一对象特征与每一商品特征之间的相似度得到最终推荐列表，但这些方法是通过静态方式建模用户和商品内容之间的交互，虽然可以获取到用户整体的兴趣偏好，但用户的偏好往往会跟随时间的推移而变化。因此，无法及时捕捉用户的动态偏好，导致推荐结果不准确。

技术实现思路

[0004]本专利技术提供一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer的序列推荐方法，其特征在于，包括：获取目标用户的当前行为数据；将所述目标用户的当前行为数据和商品库中各商品的商品信息输入序列推荐模型中，获取所述当前行为数据对应的待推荐商品列表；所述待推荐商品列表是基于所述商品库中待推荐商品构建生成的；根据所述待推荐商品列表，对所述目标用户执行推荐操作；其中，所述序列推荐模型基于Transformer模型构建生成；所述序列推荐模型是，基于在历史时间段内采集的样本用户的历史行为数据、所述商品库中各商品的商品信息，以及所述历史行为数据对应的已访问商品列表，进行神经网络架构搜索训练得到的。2.根据权利要求1所述的基于Transformer的序列推荐方法，其特征在于，所述序列推荐模型的训练步骤具体包括：将所述历史行为数据、所述商品库中各商品的商品信息，以及所述历史行为数据对应的已访问商品列表，输入所述Transformer模型对应的候选网络架构中，对所述候选网络架构进行神经网络架构搜索，得到所述Transformer模型对应的最优网络架构；根据所述Transformer模型对应的最优网络架构，构建所述序列推荐模型的初始模型；基于所述历史行为数据、所述商品库中各商品的商品信息，以及所述历史行为数据对应的已访问商品列表，对所述初始模型的参数进行优化训练，得到所述序列推荐模型。3.根据权利要求2所述的基于Transformer的序列推荐方法，其特征在于，所述将所述历史行为数据、所述商品库中各商品的商品信息，以及所述历史行为数据对应的已访问商品列表，输入所述Transformer模型对应的候选网络架构中，包括：对所述历史行为数据进行预处理；其中，所述预处理包括数值缺失处理，和/或对无效的历史行为数据进行剔除处理；将预处理后的历史行为数据、所述商品库中各商品的商品信息，以及所述预处理后的历史行为数据对应的已访问商品列表，输入所述候选网络架构中。4.根据权利要求1
‑
3任一所述的基于Transformer的序列推荐方法，其特征在于，所述将所述目标用户的当前行为数据和商品库中各商品的商品信息输入序列推荐模型中，获取所述当前行为数据对应的待推荐商品列表，包括：将所述目标用户的当前行为数据和所述商品库中各商品的商品信息输入所述序列推荐模型中，得到所述目标用户当前对各商品的偏好程度等级...

【专利技术属性】
技术研发人员：康柳，李学恩，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：