【技术实现步骤摘要】
用户的兴趣推荐方法、电子设备及存储介质
[0001]本申请涉及推荐
,尤其涉及一种用户的兴趣推荐方法、电子设备及存储介质。
技术介绍
[0002]近年来,随着电子商务、社交媒体等平台的快速发展,导致互联网中的信息总量激增,信息过载问题严重,大量信息使用户无暇顾及。因此,如何使用户从海量信息中高效获取感兴趣的信息成为推荐算法的研究热点。
[0003]现有的推荐算法大多通过挖掘用户与项目之间的静态相关性,捕捉用户的长期兴趣,更多的关注长期兴趣建模,仅将前一个交互项目的嵌入作为短期兴趣,未考虑用户长短期兴趣相互纠缠的问题,导致兴趣推荐准确率较低。
技术实现思路
[0004]本申请提供了一种用户的兴趣推荐方法、电子设备及存储介质,以解决未考虑用户长短期兴趣相互纠缠,导致兴趣推荐准确率较低的问题。
[0005]第一方面,本申请提供了一种用户的兴趣推荐方法,包括:
[0006]获取用户的长期兴趣集和短期兴趣集,长期兴趣集包括在第一时长内用户的历史行为序列中的至少一个项目,短期兴趣集包括在第二时长内历史行为序列中的至少一个项目,第一时长大于第二时长;
[0007]计算长期兴趣集中每一个项目的项目嵌入和时间位置权重分值,得到长期兴趣特征序列;
[0008]计算短期兴趣集中每一个项目的项目嵌入和潜在意图权重分值,得到短期兴趣特征序列;
[0009]基于预先确定的融合公式,根据长期兴趣特征序列和短期兴趣特征序列计算用户的最终兴趣特征表示。
[0010]在一种可 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种用户的兴趣推荐方法,其特征在于,包括:获取用户的长期兴趣集和短期兴趣集,所述长期兴趣集包括在第一时长内所述用户的历史行为序列中的至少一个项目,所述短期兴趣集包括在第二时长内所述历史行为序列中的至少一个项目,所述第一时长大于所述第二时长;计算所述长期兴趣集中每一个项目的项目嵌入和时间位置权重分值,得到长期兴趣特征序列;计算所述短期兴趣集中每一个项目的项目嵌入和潜在意图权重分值,得到短期兴趣特征序列;基于预先确定的融合公式,根据所述长期兴趣特征序列和所述短期兴趣特征序列计算所述用户的最终兴趣特征表示。2.根据权利要求1所述的用户的兴趣推荐方法,其特征在于,所述预先确定的融合公式包括:其中,u
t
表示在时间t时用户的最终兴趣特征表示,α表示自适应融合权重,表示在时间t时的短期兴趣特征序列,表示在时间t时的长期兴趣特征序列。3.根据权利要求1所述的用户的兴趣推荐方法,其特征在于,所述计算所述长期兴趣集中每一个项目的项目嵌入和时间位置权重分值,得到长期兴趣特征序列,包括:基于预先确定的个性化位置嵌入公式,将所述长期兴趣集转换为长期兴趣向量集,所述长期兴趣向量集中包括所述长期兴趣集中每一个项目的项目嵌入;基于预先确定的时间位置多头注意力计算公式,计算所述长期兴趣向量集中每一个项目嵌入的时间位置权重分值;基于预先确定的长期聚合公式,将所述长期兴趣向量集中的每一个项目嵌入和所述项目嵌入对应的时间位置权重分值进行聚合,得到长期兴趣特征序列。4.根据权利要求3所述的用户的兴趣推荐方法,其特征在于,所述预先确定的个性化位置嵌入公式,包括:h
j
=γ
⊙
p
j
⊙
l
j
其中,h
j
表示所述长期兴趣向量集中的第j个融入个性化位置后的项目嵌入,γ表示用于调整数量级的全局可训练参数,p
j
表示所述用户的第j个个性化时间位置嵌入,l
j
表示所述历史行为序列中的第j个项目的向量;所述预先确定的时间位置多头注意力计算公式,包括:所述预先确定的时间位置多头注意力计算公式,包括:其中,α
i
表示所述长期兴趣向量集中的第i个项目嵌入的时间位置权重分值,h
i
表示所述长期兴趣向量集中的第i个项目嵌入,表示所述长期兴趣向量集中的第i个项目嵌入的长期注意力得分,L
s
表示所述长期兴趣向量集的长度,σ表示sigmoid函数,W1,
和b1,是可训练参数,2d
f
表示Att(.)嵌入的维度,W1表示第一可训练权重矩阵,W2表示第二可训练权重矩阵,b1表示第一偏差向量,b2表示第二偏差向量;所述预先确定的长期聚合公式包括:其中,表示所述用户的长期兴趣特征序列,α
i
表示所述长期兴趣向量集中的第i个项目嵌入的时间位置权重分值,h
i
技术研发人员:吴迪,杨利君,马文莉,彭菲,郑玉莹,马超,杜鑫宝,
申请(专利权)人:河北工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。