一种基于衰减情感感知的序列推荐方法技术

本发明专利技术公开了一种基于衰减情感感知的序列推荐方法，建立了一个衰减情感记忆网络来模拟人的衰减情感的动态非线性衰减。该记忆网络采用指数记忆损失函数，根据序列中相邻两个物品之间的时间间隔计算出情感的衰减率，并在每个时刻利用衰减率对网络的长期记忆单元进行调整，以学习到真实的衰减后的情感特征。本发明专利技术提出了一种基于衰减情感感知的序列推荐模型，模型分别从情感衰减偏好和用户物品偏好两个通道进行处理，并将双通道进行融合得到融合偏好来挖掘用户的潜在喜好。采用本发明专利技术，可应用于中文应用情景，用于模拟真实世界中用户情感的衰减规律，构建基于衰减情感感知的序列推荐模型，并将其扩展应用到包含中文文本评论的真实场景与平台上。真实场景与平台上。真实场景与平台上。

【技术实现步骤摘要】
一种基于衰减情感感知的序列推荐方法


[0001]本专利技术涉及智能推荐与深度学习
，尤其涉及一种基于衰减情感感知的序列推荐方法。

技术介绍

[0002]目前，推荐系统被广泛运用于电商、短视频，音乐和电影等平台网站。序列推荐系统从用户个性化的历史行为与最近行为中捕获有用的信息，通过这些信息来预测用户下一步的行为并为用户做出推荐。目前序列推荐系统领域已有一些先进的专利技术成果。
[0003]马尔可夫链（MCs）是序列推荐的一个经典模型，它假设下一个动作只取决于前一个动作(或之前的少数动作)。个性化马尔科夫链方法将矩阵分解与马尔可夫链相结合，可以同时捕捉时间信息和长期的用户喜好信息。 GRU4Rec模型将深度学习领域中的循环神经网络（RNNs）初步运用于序列推荐领域，将不同用户的行为序列进行合理的连接，解决了统一建模不同长度用户行为序列的难题。除了基于循环神经网络的机制，基于注意力的机制在实时字幕、机器翻译[5]等领域都取得了非常显著的效果。这种机制被引入推荐系统领域，并展现了更优异的表现。例如SASRec模型，SASRec模型从稀疏和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于衰减情感感知的序列推荐方法，其特征在于，包括以下步骤：S1：对数据集的物品集合构造一个物品嵌入矩阵，其中d表示隐藏的维度，I为物品集合，对嵌入矩阵添加位置嵌入一个与所述物品嵌入矩阵E具有同等形状的位置矩阵P：；S2：将注意力机制进行定义为，其中Q，K，V分别代表注意力机制中的查询，键和值,为比例因子；将注意力机制进行线性映射，由输入得到Q，K，V，并输入到注意力层中：其中是可学习的投影矩阵，都是表示两个矩阵相乘，模型在训练过程中自动调整的元素值，A
E
表示是模型从用户物品序列中学习到的结果矩阵；S3：利用自注意力机制计算两个物品之间的相关权重，从而根据历史行为学习物品之间的潜在关系P，然后将偏好经过一个前馈神经网络来得到生成物品偏好；S4：构造一个衰减情感记忆网络模拟情感的非线性衰减，并建立了衰减情感感知的自注意力通道来挖掘用户潜在的偏好，得到新的用户情感偏好矩阵；S5：将情感生成的偏好和物品生成的偏好进行融合，使物品自我引导的偏好通道根据历史行为生成偏好，衰减情感感知的情感偏好通道通过计算衰减的情感信息挖掘情感偏好，用于准确发现用户的潜在需求。2.根据权利要求1所述的基于衰减情感感知的序列推荐方法，其特征在于，所述S3还包括：根据所述注意力机制将物品偏好定义为：根据所述注意力机制将物品偏好定义为：其中和是可学习的权重矩阵，和是可学习的偏置矩阵，表示的是矩阵相乘，就是经过物品引导的偏好通道后模型自动学习到的用户对物品的偏好矩阵，是经过了FNN得到的输出矩阵。3.根据权利要求2所述的基于衰减情感感知的序列推荐方法，其特征在于，所述S4还包括：S41：个性化情感时间间隔计算的步骤给定用户的个历史物品序列和每一个物品交互的时间，如果序列长度小于，在左侧进行填充直到长度为，如果长度大于，只
考虑最近的个元素，将两个物品之间的时间间隔定义为：，令，令两项之间的最大时间间隔为，得到，得到用户u的个性化时间间隔序列；S42：情感衰减率对于每个用户，将其在每个时间步中的情感衰减率定义为：其中为用户的第个个性化时间间隔时间戳，和为用户个性化时间间隔序列中的最大和最小间隔；S43：衰减情感记忆网络对于每一个时刻t的ASM
‑
Net单元，通过将长期记...

【专利技术属性】
技术研发人员：郑麟，周东霖，张志宏，郑仰鑫，邹振庭，
申请(专利权)人：汕头大学，
类型：发明
国别省市：