基于用户流行度偏好的序列推荐方法及装置制造方法及图纸

本发明专利技术提供了一种基于用户流行度偏好的序列推荐方法及装置，该方法包括：根据训练集中的用户

【技术实现步骤摘要】
基于用户流行度偏好的序列推荐方法及装置


[0001]本专利技术属于流行度预测
，尤其涉及一种基于用户流行度偏好的序列推荐方法及装置。

技术介绍

[0002]近年来，序列推荐由于其优秀的性能引起了学术界的关注，并被广泛应用在了工业界，例如电商推荐、新闻推荐、音乐推荐等等。序列推荐将用户的交互历史记录和这些交互发生的时间结合在一起分析，从而获取用户兴趣随着时间的变化趋势，以此来更准确的预测用户在未来的兴趣，并给出更合适的推荐。例如，中国专利(申请号：CN202110589775.7，申请公布号：CN113313381A)实现了一种用户交互敏感的动态图序列推荐系统。该系统首先收集用户对商品的带时间戳的评分数据以及用户自身的属性数据。之后，序列图建模模块从收集到的数据中通过合并相同点的方式获取商品之间的依赖和相似关系，并将关系转化成图的形式。动态环境建模模块则将用户的交互顺序作为定点信息加入图中。环境状态表征模块会使用图注意力神经网络从图上学习用户对商品的实时兴趣，进而协助智能体决策模型做出个性化推荐。中国专利(申请号：CN20201028346本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户流行度偏好的序列推荐方法，其特征在于，所述方法包括：根据训练集中的用户
‑
物品交互数据，按照时间顺序构建用户行为序列；基于序列推荐模型，从所述用户行为序列中获取用户特征序列，并结合训练集中对应的物品标签，计算所述序列推荐模型的基础损失；将所述用户行为序列分割成多个连续的子序列，并根据训练集中统计出的对应流行度偏好标签指导基于所述各个子序列的特征表示得到的流行度偏好G，以得到所述序列推荐模型的去噪损失；其中，所述子序列的特征是基于对应的用户特征序列得出的；将一批训练样本中的相似用户当作正样本，将非相似用户看作负样本，并通过对比学习将正样本拉近且将负样本推远，以得到所述序列推荐模型的对比学习损失；其中，所述相似用户为训练样本中对应的所述流行度偏好标签的差小于第一设定值，且对应的所述用户的流行度偏好特征用户
‑
物品交互序列的特征表示的cos相似度大于第二设定值的用户对；根据基础损失、去噪损失和对比学习损失进行所述序列推荐模型的训练和优化，进而得到待检测用户
‑
物品交互序列的推荐结果。2.如权利要求1所述的方法，其特征在于，将所述用户行为序列分割成多个连续的子序列，并根据训练集中统计出的对应流行度偏好集合的标签指导基于所述各个子序列的特征表示得到的流行度偏好G，以得到所述序列推荐模型的去噪损失，包括：将所述用户行为序列分割成多个子序列；基于所述序列推荐模型中的特征提取模块，将子序列对应的用户特征序列进行平均得到子序列特征；该子序列特征还包括：子序列位置特征表示；使用全连接层从子序列特征中获取用户在对应时间段的流行度偏好特征表示。基于各时间段的流行度偏好特征表示计算用户的平均流行度偏好特征表示，并根据所述平均特征表示预测用户的流行度偏好G；使用训练集中对应的流行度偏好集合的标签指导所述流行度偏好G，以得到所述序列推荐模型的去噪损失其中，预测误差α
p
表示第一设定值，q表示求和下标。3.如权利要求1所述的方法，其特征在于，所述流行度偏好标签基于该用户对应的流行度偏好集合的均值和方差得到。4.如权利要求1所述的方法，其特征在于，所述对比学习损失4.如权利要求1所述的方法，其特征在于，所述对比学习损失其中，u表示一个训练批次中的一个用户，i表示所述训练批次中属于用户u的正样本集合φ
pos
中的用户，j表示所述训练批次中的另一用户，φ
neg
表示所述训练批次中属于用户u的负样本集合，τ表示温度系数。5.如权利要求1所述的方法，其特征在于，所述相似用户为所述标签的差异小于第一设定值，包括：
计算其中，表示一个训练批次中用户t对应的流行度偏好标签表示一个训练批次中用户u对应的流行度偏好标签在的情况下，判定所述用户t与所述用户u满足是相似用户的第一条件；其中，α
p
表示第一设定值；在的情况下，判定所述用户t与所述用户u不满足是相似用户的第一条件。6.如权利要求1所述的方法，其特征在于，所述对应的用户
‑
...

【专利技术属性】
技术研发人员：古晓艳，钱明达，代飞飞，樊海慧，刘东，李波，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：