【技术实现步骤摘要】
本专利技术涉及推荐系统算法，具体为一种基于时间图协同转换的连续时间顺序推荐方法。
技术介绍
1、目前的研究工作利用历史时间顺序的项目购买序列来预测用户未来的项目，称为顺序推荐(sr)问题，现有技术中，许多方法是利用序列中物品之间转换的模式进行建模，而忽略了其中包含的时序信息，从而造成了推荐系统的不准确，因此，本专利技术提出了一种新的框架，不仅能够捕获来自用户和物品的协同信号，还能够捕捉对应的时间信号，并将其进行图传播，从而将物品的序列信号与时间信号统一起来，提高推荐系统的准确率。
2、在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本专利技术的目的在于提供一种基于时间图协同转换的连续时间顺序推荐方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于时间图协同转换的连续时间顺序推荐方法，具体步骤包括：
4、s1：采集用户信息、物品信息和时间信息的数据集构建用户行为二部图，并将数据集划分为训练集和验证集；
5、s2：根据时间信息，构建时序效应模型，计算两个时间之间的相关性；
6、s3：构建信息处理层，生成协作信号模型，将用户信息、物品信息和时间信息作为输入，生成用户查询信息和物品查询信息；
7、s4：构建时序协作注意力模型，通过计算历史交互物品和当前时间用户查
8、s5：通过线性方式对权重系数和用户查询信息进行整合，生成历史时序信息；
9、s6：通过前馈神经网络将用户查询信息和物品查询信息分别与历史时序信息进行整合，分别生成最终的用户时序信息和物品时序信息；
10、s7：根据用户时序信息和物品时序信息生成推荐系数，并利用bpr损失函数进行优化。
11、优选的，所述用户行为二部图的节点分别为用户u和物品i，二部图表示为b＝{u,i,et}，将用户行为二部图的边标定为e，且e∈et，每条边e均是一个三元组e＝(u,i,t)，表示用户u和物品i在时间t有交互，令iu(t)表示在时间t之前用户交互过的物品的集合，i\iu(t)表示剩下的物品。
12、优选的，构建时序效应模型的逻辑为：
13、连续时间编码将时间t映射为向量φ，映射方式为其中t∈r+，模型如下：
14、
15、式中ω表示可学习参数，ω＝[ω1,…,ωt]t，dt表示维度；
16、对同一用户u给定两个三元组(u,i,t1)和(u,i,t2)，根据两个三元组来生成时序效应模型ψ，计算方式如下：
17、ψ(t1-t2)＝k(t1,t2)＝φ(t1)·φ(t2)
18、式中k表示时间核函数，·表示点积运算。
19、优选的，构建信息处理层来生成用户查询信息和物品查询信息的逻辑为：
20、将用户信息、物品信息和时间信息作为输入，利用rnn模型生成用户长期嵌入向量eu和物品长期嵌入向量ei；
21、将用户长期嵌入向量eu和物品长期嵌入向量ei作为信息处理层的初始输入，分别与时间向量φ进行整合来生成用户查询信息和物品查询信息，在第l层且时间为t时，用户查询信息的模型如下：
22、
23、对用户在时间t之间交互过的物品进行采样，得到s个样本并标定为nu(t)＝{(i,ts)∣(u,i,ts)∈etand ts＜t}，通过采集到的样本生成物品查询信息的模型如下：
24、
25、其中e表示为时序向量，且初始输入的时序向量分别为用户长期嵌入向量eu和物品长期嵌入向量ei。
26、优选的，生成权重系数的计算方式为：
27、
28、式中w表示可学习参数。
29、优选的，将权重系数分别用户查询信息进行整合，生成的历史时序信息模型如下：
30、
31、式中w表示可学习参数。
32、优选的，最终的用户时序信息和物品时序信息的模型分别为：
33、
34、
35、其中ffn表示前馈神经网络，具有两层全连接层且激活函数为relu激活函数。
36、优选的，生成的推荐系数模型如下；
37、
38、式中·表示点积运算。
39、与现有技术相比，本专利技术的有益效果是：本专利技术通过将物品序列信息与物品交互的时间信息进行整合拼接，能够对未来某一时间点的信息进行预测，而通过将这种时序信息融入到推荐系统当中，比起传统的序列推荐技术，不仅考虑了物品信息对推荐结果的影响，还考虑到了时间信息对推荐结果的影响，实现了对信息的充分利用，也能够提高推荐系统的推荐准确率，同时本专利技术由于提前进行了数据时间格式转换，再基于推荐系统结果进行进一步的计算，简化了计算过程，大大降低了运算复杂度。
本文档来自技高网...【技术保护点】
1.一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：所述用户行为二部图的节点分别为用户U和物品I，二部图表示为B＝{u，i，ET}，将用户行为二部图的边标定为e，且e∈ET，每条边e均是一个三元组e＝(u，i，t)，表示用户u和物品i在时间t有交互，令Iu(t)表示在时间t之前用户交互过的物品的集合，I\Iu(t)表示剩下的物品。
3.根据权利要求2所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：构建时序效应模型的逻辑为：
4.根据权利要求3所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：构建信息处理层来生成用户查询信息和物品查询信息的逻辑为：
5.根据权利要求4所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：生成权重系数的计算方式为：
6.根据权利要求5所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：将权重系数分别用户查询信息进行整合，生成的历史时序
7.根据权利要求6所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：最终的用户时序信息和物品时序信息的模型分别为：
8.根据权利要求7所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：生成的推荐系数模型如下；
...【技术特征摘要】
1.一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：所述用户行为二部图的节点分别为用户u和物品i，二部图表示为b＝{u，i，et}，将用户行为二部图的边标定为e，且e∈et，每条边e均是一个三元组e＝(u，i，t)，表示用户u和物品i在时间t有交互，令iu(t)表示在时间t之前用户交互过的物品的集合，i\iu(t)表示剩下的物品。
3.根据权利要求2所述的一种基于时间图协同转换的连续时间顺序推荐方法，其特征在于：构建时序效应模型的逻辑为：
4.根据权利要求3所述的一种基于时间图协同转换的...
【专利技术属性】
技术研发人员：杨馥宁，张兴亮，刘畅，潘兴，王子昌，
申请(专利权)人：吉林大学，
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。