一种基于自适应的用户兴趣双重纠偏的会话推荐方法技术

本发明专利技术公开了一种基于自适应的用户兴趣双重纠偏的会话推荐方法，属于会话推荐技术领域。本发明专利技术所述方法主要包括以下步骤：初始化用户点击序列中各物品的高维空间语义及位置表示，拼接得到物品表示矩阵，再生成包含时序和上下文信息的物品表示矩阵；利用第一自适应纠偏机制初始化当前的用户兴趣表示，再利用包含第二自适应纠偏机制的用户兴趣表示蒸馏模块输出下一时刻的用户兴趣表示；进而对物品字典中所有物品于下一时刻被点击的概率进行预测。本发明专利技术所述方法采用自适应纠偏机制，有效解决了最后一次物品点击无法准确表示用户当前兴趣的问题，降低了噪声信息在下一时刻的用户兴趣表示中的含量，具有更高的预测精准度。具有更高的预测精准度。

【技术实现步骤摘要】
一种基于自适应的用户兴趣双重纠偏的会话推荐方法


[0001]本专利技术属于会话推荐
，具体涉及一种基于自适应的用户兴趣双重纠偏的会话推荐方法。

技术介绍

[0002]推荐系统的目标是实现能够满足用户个性化需求的物品推荐机制，其被广泛应用于京东、亚马逊等电商平台。而会话推荐技术通过仅分析匿名用户行为(即用户点击序列)来预测下一次用户点击的物品，从而实现了在保护用户隐私前提下的物品推荐机制。
[0003]使用注意力网络来学习用户兴趣表示，进而对下一时刻的用户点击进行预测是现有会话推荐技术的主流方法。例如，现有技术“Neural Attentive Session
‑
based Recommendation”利用注意力网络捕获用户主要兴趣来生成用户兴趣表示，以实验结果证明了注意力机制能够减少因用户随意点击和短时好奇心等情况引发的兴趣漂移对预测结果的影响。
[0004]虽然现有技术通过使用注意力网络得到了更好的物品表示，提高了物品推荐机制的预测准确率，但现有技术对注意力网络的使用仍存在两大局限：(1)最后一次物品点击并不能准确表示用户当前兴趣。而现有技术往往将其作为注意力网络的查询向量，这将会导致注意力权值分布的不合理。(2)并非序列中的每个物品均与用户当前兴趣强相关，当注意力网络被应用于具有兴趣漂移特性的长序列时，与用户当前兴趣弱相关的噪声信息会累积甚至淹没与用户当前兴趣强相关的有效信息。

技术实现思路

[0005]本专利技术的目的是克服上述现有技术的缺陷，提供一种基于自适应的用户兴趣双重纠偏的会话推荐方法。
[0006]本专利技术所提出的技术问题是这样解决的：
[0007]一种基于自适应的用户兴趣双重纠偏的会话推荐方法，包括以下步骤：
[0008]步骤1.初始化用户点击序列中各物品的高维空间语义表示和高维空间位置表示，拼接得到物品的高维空间表示和用户点击序列的物品表示矩阵；
[0009]步骤2.将用户点击序列的物品表示矩阵依次输入至自注意力网络和前馈神经网络中，生成包含时序和上下文信息的物品表示矩阵；
[0010]步骤3.将若干个蒸馏单元依次堆叠，构建用户兴趣表示蒸馏模块；蒸馏单元包含加性注意力网络和以自适应残差方法构建的第二自适应纠偏机制两部分；利用第一自适应纠偏机制对当前的用户兴趣表示进行初始化，连同用户点击序列的物品表示矩阵输入至包含第二自适应纠偏机制的用户兴趣表示蒸馏模块中，得到下一时刻的用户兴趣表示；
[0011]步骤4.基于下一时刻的用户兴趣表示对物品字典中的所有物品进行预测，得到物品字典中所有物品的概率值，取概率最大值对应的物品作为会话中下一时刻推荐的物品。
[0012]进一步的，步骤1的具体过程为：
[0013]步骤1
‑
1.物品字典为V＝{v1，v2，...，v
|V|
}，其中v
j
表示物品字典中第j个物品，1≤j≤|V|，|V|为物品字典的大小；物品字典的高维空间语义表示为X＝{x1，x2，...，x
|V|
}，其中表示物品字典中第j个物品的高维空间语义表示，表示d维向量；
[0014]会话序列的高维空间位置表示为P＝{p1，p2，...，p
L
}，其中表示会话序列中第k时刻用户点击物品的高维空间位置表示，1≤k≤L，L为会话序列中用户点击物品次数；
[0015]从会话序列中截取时长为t的用户点击序列为S
t
＝{s1，s2，...，s
t
}，其中s
i
表示第i时刻用户点击的物品在物品字典V中的序号，1≤i≤t，t＜L。
[0016]步骤1
‑
2.将s
i
对应物品的高维空间语义表示和高维空间位置表示分别记为和p
i
∈P；将高维空间语义表示和高维空间位置表示p
i
进行拼接，得到用户点击序列中s
i
对应的物品高维空间表示c
i
和用户点击序列的物品表示矩阵C，即：
[0017][0018]C＝{c1，c2，...，c
t
}
[0019]其中，Concat表示拼接。
[0020]进一步的，步骤2的具体过程为：
[0021]步骤2
‑
1.将用户点击序列的物品表示矩阵C输入至自注意力网络，得到第一物品表示矩阵
[0022][0023]其中，soffmax为激活函数，上标T表示转置，权重参数矩阵W
Q
，W
K
，W
V
∈R
2d
×
2d
，表示2d
×
2d维矩阵；
[0024]步骤2
‑
2.将用户点击序列的第一物品表示矩阵输入至带有残差机制的前馈神经网络中，得到用户点击序列的第二物品表示矩阵A：
[0025][0026]其中，ReLU为激活函数，权重参数矩阵W1，W2∈R
2d
×
2d
，偏移参数b1，，表示2d维向量。
[0027]进一步的，步骤3的具体过程为：
[0028]步骤3
‑
1.利用自适应特征组合方法构建第一自适应纠偏机制；
[0029]基于用户点击序列中最后一次点击对应的物品高维空间表示c
t
，利用自适应特征组合方法对当前的用户兴趣表示进行初始化，具体过程表示为：
[0030][0031]其中，表示当前的用户兴趣表示的初始值，权重参数矩阵W3，
[0032]步骤3
‑
2.构建用户兴趣表示蒸馏单元，包含加性注意力网络和以自适应残差方法构建的第二自适应纠偏机制两部分；
[0033]其中，加性注意力网络表示为：
[0034]α
i
＝W
T
σ(W5A
i
+W6u
p
+b3)
[0035][0036]其中，u
p
为当前的用户兴趣表示，A
i
为矩阵A中第i时刻用户点击物品的物品高维空间表示，σ为sigmoid激活函数，α
i
为u
p
关于A
i
的相关性得分，cor表示加性注意力网络的输出结果，权重参数矩阵W5，偏移参数b3∈R
2d
；
[0037]基于加性注意力网络的输出结果，利用自适应残差方法对当前的用户兴趣表示进行更新，以自适应残差方法构建的第二自适应纠偏机制表示为：
[0038]u
′
p
＝W7cor+W8u
p
[0039]其中，u
′
p
为更新后的当前的用户兴趣表示，作为蒸馏单元的知识蒸馏结果，权重参数矩阵
[0040]将上述蒸馏单元处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应的用户兴趣双重纠偏的会话推荐方法，其特征在于，包括以下步骤：步骤1.初始化用户点击序列中各物品的高维空间语义表示和高维空间位置表示，拼接得到物品的高维空间表示和用户点击序列的物品表示矩阵；步骤2.将用户点击序列的物品表示矩阵依次输入至自注意力网络和前馈神经网络中，生成包含时序和上下文信息的物品表示矩阵；步骤3.将若干个蒸馏单元依次堆叠，构建用户兴趣表示蒸馏模块；蒸馏单元包含加性注意力网络和以自适应残差方法构建的第二自适应纠偏机制两部分；利用第一自适应纠偏机制对当前的用户兴趣表示进行初始化，连同用户点击序列的物品表示矩阵输入至包含第二自适应纠偏机制的用户兴趣表示蒸馏模块中，得到下一时刻的用户兴趣表示；步骤4.基于下一时刻的用户兴趣表示对物品字典中的所有物品进行预测，得到物品字典中所有物品的概率值，取概率最大值对应的物品作为会话中下一时刻推荐的物品。2.根据权利要求1所述的基于自适应的用户兴趣双重纠偏的会话推荐方法，其特征在于，步骤1的具体过程为：步骤1
‑
1.物品字典为V＝{v1，v2，...，v
|V|
}，其中v
j
表示物品字典中第j个物品，1≤j≤|V|，|V|为物品字典的大小；物品字典的高维空间语义表示为X＝{x1，x2，...，x
|V|
}，其中表示物品字典中第j个物品的高维空间语义表示，表示d维向量；会话序列的高维空间位置表示为P＝{p1，p2，...，p
L
}，其中表示会话序列中第k时刻用户点击物品的高维空间位置表示，1≤k≤L，L为会话序列中用户点击物品次数；从会话序列中截取时长为t的用户点击序列为S
t
＝{s1，s2，...，s
t
}，其中s
i
表示第i时刻用户点击的物品在物品字典V中的序号，1≤i≤t，t＜L。步骤1
‑
2.将s
i
对应物品的高维空间语义表示和高维空间位置表示分别记为和p
i
∈P；将高维空间语义表示和高维空间位置表示p
i
进行拼接，得到用户点击序列中s
i
对应的物品高维空间表示c
i
和用户点击序列的物品表示矩阵C，即：C＝{c1，c2，...，c
t
}其中，Concat表示拼接。3.根据权利要求2所述的基于自适应的用户兴趣双重纠偏的会话推荐方法，其特征在于，步骤2的具体过程为：步骤2
‑
1.将用户点击序列的物品表示矩阵C输入至自注意力网络，得到第一物品表示矩阵矩阵其中，softmax为激活函数，上标T表示转置，权重参数矩阵其中，softmax为激活函数，上标T表示转置，权重参数矩阵表示2d

【专利技术属性】
技术研发人员：代婷婷，刘峤，钟诣哲，曾悦，赵海睿，石晓军，郎俊杰，王永安，甘洋镭，侯睿，佟飘，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：