一种融合时间信息的自注意力序列推荐方法技术

本发明专利技术属于推荐系统领域，涉及一种融合时间信息的自注意力序列推荐方法，包括：获取用户历史行为数据及其时间信息，并进行预处理，得到用户历史交互序列和时间序列；将用户历史交互序列和时间序列输入嵌入模块进行嵌入编码，得到项目嵌入矩阵M<supgt;I</supgt;和相对时间嵌入矩阵M<supgt;R</supgt;，将矩阵M<supgt;I</supgt;和矩阵M<supgt;R</supgt;进行组合，得到总嵌入矩阵E；将矩阵M<supgt;I</supgt;、矩阵E以及时间序列输入全局特征建模模块，得到用户全局特征和用户干扰偏好；将用户全局特征和用户干扰偏好输入预测模块得到推荐预测概率；本发明专利技术通过数据增强模块增强时间和位置的表征，使模型获得更完整的信息表示；通过对抗调整模块区分注意力权重的决定性部分和干扰部分，降低噪声的影响。

【技术实现步骤摘要】

本专利技术属于推荐系统领域，具体涉及一种融合时间信息的自注意力序列推荐方法。

技术介绍

1、近年来，随着数据量的急剧增长，各行各业迅速积累了大量的序列数据。虽然这为人们的生活提供了便利，但也带来了一系列问题。为了解决这些问题，序列推荐系统应运而生，并被广泛应用于各种在线服务(例如，电子商务、新闻网站、社交媒体)，根据给定用户与项目的历史互动，对下一个可能感兴趣的项目进行推荐。

2、近年来，通过采用深度学习技术，序列推荐系统领域取得了重大进展。各种深度学习模型，包括递归神经网络(rnn)、卷积神经网络(cnn)、记忆网络、图神经网络(gnn)和注意力网络，已经被引入来构建各种序列推荐系统，并取得了巨大成功，这些序列推荐方法通常通过很好地捕捉用户顺序交互的项目之间复杂的顺序依赖关系来预测下一个感兴趣的项目。自注意力模块在推荐系统中取得了出色的结果，特别是在序列推荐任务中表现良好。由于自注意力模型不包括任何递归或卷积模块，因此它不知道先前项目的位置。

3、因此，序列推荐系统面临两个挑战：1、无法准确的表示用户的行为偏好，当仅使用单一的位置本文档来自技高网...

【技术保护点】

1.一种融合时间信息的自注意力序列推荐方法，其特征在于，包括：获取用户当前行为数据及其时间信息，将用户当前行为数据及其时间信息输入训练好的序列推荐模型，得到推荐预测概率；序列推荐模型包括嵌入模块、全局特征建模模块和预测模块；

2.根据权利要求1所述的一种融合时间信息的自注意力序列推荐方法，其特征在于，对用户历史行为数据及其时间信息进行预处理包括：根据时间信息对用户历史行为数据进行排序，得到排序结果，在排序结果中删除出现次数少于五次的项目和用户，得到用户历史交互序列和时间序列其中，表示用户u与项目的第i个交互，|Su|表示历史交互序列的长度，表示用户u与项目的第i个交互的时间戳...

【技术特征摘要】

1.一种融合时间信息的自注意力序列推荐方法，其特征在于，包括：获取用户当前行为数据及其时间信息，将用户当前行为数据及其时间信息输入训练好的序列推荐模型，得到推荐预测概率；序列推荐模型包括嵌入模块、全局特征建模模块和预测模块；

2.根据权利要求1所述的一种融合时间信息的自注意力序列推荐方法，其特征在于，对用户历史行为数据及其时间信息进行预处理包括：根据时间信息对用户历史行为数据进行排序，得到排序结果，在排序结果中删除出现次数少于五次的项目和用户，得到用户历史交互序列和时间序列其中，表示用户u与项目的第i个交互，|su|表示历史交互序列的长度，表示用户u与项目的第i个交互的时间戳，|tu|表示时间序列长度。

3.根据权利要求1所述的一种融合时间信息的自注意力序列推荐方法，其特征在于，嵌入模块对时间序列和用户历史交互序列进行嵌入编码包括：

4.根据权利要求1所述的一种融合时间信息的自注意力序列推荐方法，其特征在于，全局特征建模模块包括：第一自注意力模块、数据增强模块、对抗调整模块、第二自注意力模块；全局特征建模模块对项目嵌入矩阵mi、总嵌入矩阵e以及时间序列进行处理包...

【专利技术属性】
技术研发人员：唐宏，杨力鸣，杨浩澜，刘琦，赵文卓，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：