基于协同过滤推荐模型的物品推荐方法及装置制造方法及图纸

本申请提供一种基于协同过滤推荐模型的物品推荐方法及装置，方法包括：获取目标用户的历史行为数据，基于所述历史行为数据构建数据序列，所述数据序列中包括与所述目标用户交互的多个物品的初始向量表示；将所述数据序列输入物品推荐模型中，确定所述目标用户的用户向量表示，并基于相似物品选择策略和基于注意力机制的向量融合方法确定目标物品的增强式向量表示；基于所述目标物品的增强式向量表示和所述目标用户的用户向量表示，确定所述目标用户对所述目标物品的喜爱程度预测值，并基于所述喜爱程度预测值对所述目标物品进行推荐，实现更精准地计算用户对物品的喜好程度，提高了物品推荐模型的推荐效果。了物品推荐模型的推荐效果。了物品推荐模型的推荐效果。

【技术实现步骤摘要】
基于协同过滤推荐模型的物品推荐方法及装置


[0001]本申请涉及计算机
，尤其涉及一种基于协同过滤推荐模型的物品推荐方法及装置。

技术介绍

[0002]随着互联网技术的发展，个性化推荐系统已经被广泛应用到了电子商务、在线广告和社交媒体等许多具体问题中去。个性化推荐系统的核心是根据用户的行为对用户的兴趣偏好进行建模，基于用户的个人兴趣特点，为每个用户提供个性化的推荐服务，优化用户生活的体验和效率。
[0003]目前已有多种技术被用于解决个性化推荐问题，在这些方法中，协同过滤模型是一类十分有效的方法，得到了广泛应用。协同过滤模型分为基于用户的协同过滤和基于物品的协同过滤两种类型，研究表明，基于物品的协同过滤模型在准确度、实时性和可解释性等方面更具优势。传统的基于物品的协同过滤模型根据用户对物品的行为记录，把每个物品用一个向量来表示，并通过计算内积、余弦或Pearson相关系数来度量向量之间的相似程度。当向用户进行推荐时，预测用户对每个物品的喜好程度并进行排序，选取喜好程度最高的部分物品推荐给用户。用户对某个物品的喜好程度的预测值是通过计算该用户在目标物品的相似物品集上的评分的加权平均值得到的。后来，在基于矩阵分解的协同过滤模型中，根据物品的ID为每个物品提供向量表示，通过融合用户在历史行为中交互过的物品的向量表示得到用户的向量表示，计算物品向量和用户向量的内积作为用户对物品的喜好程度，排序后选取喜好程度最高的物品推荐给用户，该方法进一步提高了协同过滤模型的推荐性能。
[0004]近年来，人工智能技术在数据挖掘领域取得巨大进展，神经网络被用于进一步改进协同过滤模型，自动学习物品的向量表示。神经网络可以根据损失函数值自动调节模型中的参数权重，充分挖掘用户
‑
物品交互数据中的语义信息，得到更好的物品向量表示。但是，推荐系统中的用户
‑
物品交互数据服从长尾分布，大量长尾物品只有少数的用户交互记录，可直接利用的语义信息较少，增加了向量表示学习的难度，无法精准的计算用户对物品的喜好程度，物品推荐效果不好。

技术实现思路

[0005]本申请提供一种基于协同过滤推荐模型的物品推荐方法及装置，用以解决现有技术中物品推荐效果差的缺陷，实现更精准地计算用户对物品的喜好程度，提高了物品推荐模型的推荐效果。
[0006]本申请提供一种基于协同过滤推荐模型的物品推荐方法，包括：
[0007]获取目标用户的历史行为数据，基于所述历史行为数据构建数据序列，所述数据序列中包括与所述目标用户交互的多个物品的初始向量表示；
[0008]将所述数据序列输入物品推荐模型中，确定所述目标用户的用户向量表示，并基
于相似物品选择策略和基于注意力机制的向量融合方法确定目标物品的增强式向量表示，所述物品推荐模型是基于协同过滤推荐模型训练得到的；
[0009]基于所述目标物品的增强式向量表示和所述目标用户的用户向量表示，确定所述目标用户对所述目标物品的喜爱程度预测值，并基于所述喜爱程度预测值对所述目标物品进行推荐。
[0010]根据本申请提供的一种基于协同过滤推荐模型的物品推荐方法，所述基于相似物品选择策略和基于注意力机制的向量融合方法确定目标物品的增强式向量表示，包括：
[0011]基于用户物品交互数据库，确定所述目标物品的二阶邻居物品，所述用户物品交互数据库是基于多个用户的历史行为数据构建的；
[0012]利用邻居均匀选择器NUS、邻居相关性选择器NRS、邻居相似度选择器NSS或者全局相似度选择器GSS，从所述目标物品的二阶邻居物品中确定所述目标物品的相似物品；
[0013]基于所述相似物品的初始向量表示，利用基于注意力机制的向量融合方法，确定所述目标物品的增强式向量表示。
[0014]根据本申请提供的一种基于协同过滤推荐模型的物品推荐方法，所述基于所述相似物品的初始向量表示，利用基于注意力机制的向量融合方法，确定所述目标物品的增强式向量表示，包括：
[0015]基于注意力机制，确定每个所述相似物品的注意力系数；
[0016]基于所述注意力系数和每个所述相似物品的初始向量表示，确定所述目标物品的增强式向量表示。
[0017]根据本申请提供的一种基于协同过滤推荐模型的物品推荐方法，所述基于注意力机制，确定每个所述相似物品的注意力系数，包括：
[0018]基于所述相似物品的初始向量表示、所述目标物品的初始向量表示以及注意力计算公式，确定每个所述相似物品的注意力系数；
[0019]所述注意力计算公式如下：
[0020][0021]其中，为相似物品j的注意力系数，O
i
为所述目标物品的相似物品集合，j为所述目标物品的任意一个相似物品，q
j
为相似物品j的初始向量表示，q
i
为所述目标物品的初始向量表示，l为所述目标物品的任意一个相似物品，q
l
为相似物品l的初始向量表示。
[0022]根据本申请提供的一种基于协同过滤推荐模型的物品推荐方法，所述基于所述注意力系数和每个所述相似物品的初始向量表示，确定所述目标物品的增强式向量表示，包括：
[0023]基于所述相似物品的初始向量表示、所述目标物品的初始向量表示，利用增强向量计算公式，利用基于注意力机制的向量融合方法，确定所述目标物品的增强式向量表示；
[0024]所述增强向量计算公式如下：
[0025][0026]其中，e
i
为所述目标物品的增强式向量表示，O
i
为所述目标物品的相似物品集合，j为所述目标物品的任意一个相似物品，为相似物品j的注意力系数，q
j
为相似物品j的初始向量表示。
[0027]根据本申请提供的一种基于协同过滤推荐模型的物品推荐方法，还包括：
[0028]获取多个用户的历史行为数据，基于所述历史行为数据按照时间顺序构建多个数据序列样本，所述数据序列样本包括N条数据，N为正整数；
[0029]将所述长度为N的数据序列样本输入协同过滤推荐模型中，利用所述数据序列样本中的前N
‑
1条数据，得到预测的第N条数据，基于所述预测的第N条数据和所述数据序列样本中的第N条数据，更新所述协同过滤推荐模型的参数；
[0030]在损失函数收敛的情况下，保存所述协同过滤推荐模型的参数，得到所述物品推荐模型。
[0031]本申请还提供一种基于协同过滤推荐模型的物品推荐装置，包括：
[0032]数据获取模块，用于获取目标用户的历史行为数据，基于所述历史行为数据构建数据序列，所述数据序列中包括与所述目标用户交互的多个物品的初始向量表示；
[0033]向量表示模块，用于将所述数据序列输入物品推荐模型中，确定所述目标用户的用户向量表示，并基于相似物品选择策略和基于注意力机制的向量融合方法确定目标物品的增强式向量表示，所述物品推荐模型是基于协同过滤推本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于协同过滤推荐模型的物品推荐方法，其特征在于，包括：获取目标用户的历史行为数据，基于所述历史行为数据构建数据序列，所述数据序列中包括与所述目标用户交互的多个物品的初始向量表示；将所述数据序列输入物品推荐模型中，确定所述目标用户的用户向量表示，并基于相似物品选择策略和基于注意力机制的向量融合方法确定目标物品的增强式向量表示，所述物品推荐模型是基于协同过滤推荐模型训练得到的；基于所述目标物品的增强式向量表示和所述目标用户的用户向量表示，确定所述目标用户对所述目标物品的喜爱程度预测值，并基于所述喜爱程度预测值对所述目标物品进行推荐。2.根据权利要求1所述的基于协同过滤推荐模型的物品推荐方法，其特征在于，所述基于相似物品选择策略和基于注意力机制的向量融合方法确定目标物品的增强式向量表示，包括：基于用户物品交互数据库，确定所述目标物品的二阶邻居物品，所述用户物品交互数据库是基于多个用户的历史行为数据构建的；利用邻居均匀选择器NUS、邻居相关性选择器NRS、邻居相似度选择器NSS或者全局相似度选择器GSS，从所述目标物品的二阶邻居物品中确定所述目标物品的相似物品；基于所述相似物品的初始向量表示，利用基于注意力机制的向量融合方法，确定所述目标物品的增强式向量表示。3.根据权利要求2所述的基于协同过滤推荐模型的物品推荐方法，其特征在于，所述基于所述相似物品的初始向量表示，利用基于注意力机制的向量融合方法，确定所述目标物品的增强式向量表示，包括：基于注意力机制，确定每个所述相似物品的注意力系数；基于所述注意力系数和每个所述相似物品的初始向量表示，确定所述目标物品的增强式向量表示。4.根据权利要求3所述的基于协同过滤推荐模型的物品推荐方法，其特征在于，所述基于注意力机制，确定每个所述相似物品的注意力系数，包括：基于所述相似物品的初始向量表示、所述目标物品的初始向量表示以及注意力计算公式，确定每个所述相似物品的注意力系数；所述注意力计算公式如下：其中，为相似物品j的注意力系数，O
i
为所述目标物品的相似物品集合，j为所述目标物品的任意一个相似物品，q
j
为相似物品j的初始向量表示，q
i
为所述目标物品的初始向量表示，l为所述目标物品的任意一个相似物品，q
l
为相似物品l的初始向量表示。5.根据权利要求3所述的基于协同过滤推荐模型的物品推荐方法，其特征在于，所述基于所述注意力系数和每个所述相似物品的...

【专利技术属性】
技术研发人员：吴书，王亮，
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：