【技术实现步骤摘要】
本专利技术涉及深度学习，特别涉及一种基于时序和跨域协同的个性化推荐方法。
技术介绍
1、在当今互联网高速发展的时代，个性化推荐已经广泛应用于互联网，以帮助处理信息过载的问题。它在生活的各个领域都得到了广泛的应用，例如新闻推荐领域、音乐推荐领域、电影推荐领域、网络广告领域以及电子商务平台等。个性化推荐的应用不仅可以提升用户体验，还可以增强用户的粘合性。为了更好地满足用户的个性化需求，提高用户的满意度和忠诚度，需要能够根据用户的兴趣偏好为用户提供合适的产品和服务。这就是个性化推荐系统的主要任务。
2、然而，传统的推荐系统通常只能在单一的领域内进行推荐，即只能利用当前领域的用户和产品数据，忽略了用户在其他领域的信息。并且交互信息并未完全考虑在时序中的影响。除此之外，对于新用户或新产品，由于缺乏足够的交互数据，推荐系统无法对其进行有效的建模和推荐，从而降低用户的体验和留存率。
技术实现思路
1、针对现有技术中存在的问题，提供了一种基于时序和跨域协同的个性化推荐方法，基于时序和跨域协同的个性化推荐方法利用不同领域之间的相关性和互补性，通过有效地迁移和融合不同领域的信息，来提高单个或多个领域的推荐性能。并通过学习上下文信息，充分利用时序信息，将深度学习技术融合进推荐系统中，实现高效准确的偏好预测。
2、为解决以上技术问题，本专利技术提供如下技术方案：一种基于时序和跨域协同的个性化推荐方法，包括如下步骤：
3、 s1、构建用户交互数据集，包括用户交互历史数据，
4、 s2、基于目标域知识图谱和跨域知识图谱，使用rotate进行图谱信息嵌入，然后构建跨域图注意力神经网络，学习目标域知识图谱和跨域知识图谱的图信息以及高阶关系，得到用户的跨域预测信息；
5、 s3、将用户交互历史数据输入至步骤s1获得的用户交互信息预测模型，得到基于时序的推荐信息，然后将基于时序的推荐信息、以及步骤s2得到的用户的跨域预测信息进行聚合，获得用户的个性化推荐结果。
6、进一步地，前述的步骤s1中用户交互信息预测神经网络是双向长短记忆神经网络。
7、进一步地，前述的一种基于时序和跨域协同的个性化推荐方法，双向长短记忆神经网络包括输入门、遗忘门、输出门和记忆细胞；
8、 所述输入门用于控制输入信息的流动，计算如下式：
9、 （1）
10、 其中，是sigmoid函数，wi表示输入门的权值矩阵，表示上一时刻t-1传递过来的隐藏状态信息，xt表示当前时刻t的输入信息，bi表示输入门的偏置向量；
11、 所述遗忘门用于控制记忆细胞的信息的流动，计算如下式：
12、 （2）
13、 其中，wf表示遗忘门的权值矩阵，bt表示遗忘门的偏置向量；
14、 所述输出门用于控制记忆细胞的输出的流动，计算如下式：
15、 （3）
16、 其中，wo表示输出门的权值矩阵，表示上一时刻t-1传递过来的隐藏状态信息，bo表示输出门的偏置向量；
17、进一步地，前述的一种基于时序和跨域协同的个性化推荐方法，遗忘门、输入门、输出门均根据上一时刻传t-1递过来的隐藏状态信息和当前时刻输入信息xt通过sigmoid层计算后的结果，确定细胞状态信息的保留和丢弃，具体如下：
18、 临时细胞更新ct根据tanh函数计算，创建一个新的候选向量加入到状态中，计算公式如下公式：
19、 （4）
20、 其中，tanh为双曲线正切函数，wc表示记忆细胞的权值矩阵，表示上一时刻t-1传递过来的隐藏状态信息，bc表示输出门的偏置向量；
21、 更新时刻的细胞状态，记忆细胞储存信息，计算如下式：
22、 （5）
23、 其中，ft表示时刻t的遗忘门的输出，表示时刻t-1的记忆细胞的输出，it表示输入门的输出，表示临时细胞更新；
24、进一步地，前述的一种基于时序和跨域协同的个性化推荐方法，上一时刻t-1传递过来的隐藏状态信息，计算如下式：
25、 （6）
26、 其中，表示输出门上一时刻t-1的输出，表示上一时刻t-1的记忆细胞的输出；
27、 双向长短记忆神经网络由正时间方向和负时间方向的长短记忆网络构成，ｔ时刻双向长短记忆神经网络的细胞隐藏状态信息计算如下式：
28、 （7）
29、 其中，和分别为正向长短记忆网络输出和反向长短记忆网络输出。
30、进一步地，前述的步骤s2中，使用rotate进行图谱信息嵌入，具体包括以下子步骤：
31、 s201、利用rotate学习知识图谱中对称、反对称、反演和合成关系信息，如下式：
32、 （8）
33、 （9）
34、 其中，wrh和wrt分别为头实体eh和尾实体et在关系r空间的投影矩阵，er表示关系实体；和分别为头实体eh和尾实体et在关系空间的向量表示；
35、 s202、计算三元组可信度，如下式，其值越低代表这个图谱三元组越可信，
36、 （10）
37、 其中，o是hadmard积，将实体和关系映射到复数向量空间，并将每个关系定义为从head实体到tail实体间的旋转，rotate使用自对抗负采样对模型进行优化，损失函数如下式：
38、（11）
39、 其中，为固定边距， n为每次采样负样本个数，它通过当前已经学习到的实体和关系的嵌入来生成负样本，其中作为负采样的权重，如下式：
40、 （12）
41、 其中，是一个超参数，表示采样的温度系数。
42、进一步地，前述的步骤s2中，跨域图注意力神经网络包括跨域图注意力机制层、以及预测层；所述跨域图注意力机制层包括信息传播模块，跨域图注意力模块，信息聚合模块；
43、 所述信息传播模块，具体为：头实体h相邻的尾实体t组成ego网络，ego网络的embedded表示enh由所有尾实体加权得到，计算如下式：
44、 （13）
45、 其中，nh表示实体集合，是衡量消息（h,r,t）的权重，
46、 所述跨域图注意力模块信息传播中的权重是通过注意力机制计算得到，计算如下式：
47、 （14）
48、 （15）
49、 其中，表示实体集合，wrh和 wrt表示注意力矩阵，exp是指数函数，是一个可学习的参数向量。
50、所述信息聚合模块，用于将头实体h自身的和向量表示通过bi-interaction方式相加得到最终表本文档来自技高网...
【技术保护点】
1.一种基于时序和跨域协同的个性化推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于时序和跨域协同的个性化推荐方法，其特征在于，步骤S1中用户交互信息预测神经网络是双向长短记忆神经网络。
3.根据权利要求2所述的一种基于时序和跨域协同的个性化推荐方法，其特征在于，双向长短记忆神经网络包括输入门、遗忘门、输出门和记忆细胞；
4.根据权利要求3所述的一种基于时序和跨域协同的个性化推荐方法，其特征在于，遗忘门、输入门、输出门均根据上一时刻传t-1递过来的隐藏状态信息和当前时刻输入信息Xt通过sigmoid层计算后的结果，确定细胞状态信息的保留和丢弃，具体如下：
5.根据权利要求4所述的一种基于时序和跨域协同的个性化推荐方法，其特征在于，上一时刻t-1传递过来的隐藏状态信息，计算如下式：
6.根据权利要求5所述的一种基于时序和跨域协同的个性化推荐方法，其特征在于，步骤S2中，使用RotatE进行图谱信息嵌入，具体包括以下子步骤：
7.根据权利要求6所述的一种基于时序和跨域协同的个性化推荐方法，其特
...【技术特征摘要】
1.一种基于时序和跨域协同的个性化推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于时序和跨域协同的个性化推荐方法，其特征在于，步骤s1中用户交互信息预测神经网络是双向长短记忆神经网络。
3.根据权利要求2所述的一种基于时序和跨域协同的个性化推荐方法，其特征在于，双向长短记忆神经网络包括输入门、遗忘门、输出门和记忆细胞；
4.根据权利要求3所述的一种基于时序和跨域协同的个性化推荐方法，其特征在于，遗忘门、输入门、输出门均根据上一时刻传t-1递过来的隐藏状态信息和当前时刻输入信息xt通过sigmoid层计算后的结...
【专利技术属性】
技术研发人员：阮峰，张文鹏，许小龙，
申请(专利权)人：南京争锋信息科技有限公司，
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。