一种多行为序列推荐的数据增强方法技术

本发明专利技术公开了一种多行为序列推荐的数据增强方法，包括：根据行为类型将用户与物品交互的原始序列划分为若干个子序列；基于位置的采样策略确定每个子序列中每个物品被采样的概率；根据所确定的每个物品被采样的概率，对若干个子序列的数据进行顺序扰动、冗余减少以及成对交换的行为感知数据增强操作，得到增强后的序列推荐数据。本发明专利技术提出了一个为多行为序列推荐设计的通用型行为感知数据增强框架，通过三种行为感知的数据增强操作，在尽量保留原始序列的信息的同时生成与用户购物模式相符的新样本。

【技术实现步骤摘要】

本专利技术涉及数据挖掘，尤其涉及的是一种多行为序列推荐的数据增强方法。

技术介绍

1、现如今，推荐系统已经成为各种在线平台(如电子商务、流媒体服务和社交媒体)中不可或缺的一部分。它可以极大地缓解信息过载问题，帮助用户找到符合其兴趣的物品。由于用户偏好会随着时间的推移而发生动态改变，对用户与物品交互行为之间的顺序进行有效利用变得越来越重要。序列推荐(sequential recommendation，sr)的目标是基于用户的历史交互序列来预测用户下一个最有可能交互的物品，已成为近年来的研究热点。然而，现有的大多数序列推荐模型通常只关注于单一的行为类型，忽视了异构行为之间有价值的信息。这一局限导致模型对用户偏好的学习并不充分，从而引发了对多行为序列推荐(multi-behavior sequential recommendation，mbsr)问题的研究。

2、多行为序列推荐旨在利用用户不同行为类型之间的依赖关系，增强对各种序列模式的理解，从而更好地推断出用户对目标行为的动态偏好。随着深度神经网络的繁荣发展，基于循环神经网络(rnn)、基于图神经网本文档来自技高网...

【技术保护点】

1.一种多行为序列推荐的数据增强方法，其特征在于，包括：

2.根据权利要求1所述的多行为序列推荐的数据增强方法，其特征在于，所述根据行为类型将用户与物品交互的原始序列划分为若干个子序列，包括：

3.根据权利要求1所述的多行为序列推荐的数据增强方法，其特征在于，所述基于位置的采样策略确定每个子序列中每个物品被采样的概率，包括：

4.根据权利要求1所述的多行为序列推荐的数据增强方法，其特征在于，所述对若干个子序列的数据进行顺序扰动的行为感知数据增强操作，包括：

5.根据权利要求1所述的多行为序列推荐的数据增强方法，其特征在于，对若干个子序列的数...

【技术特征摘要】

1.一种多行为序列推荐的数据增强方法，其特征在于，包括：

2.根据权利要求1所述的多行为序列推荐的数据增强方法，其特征在于，所述根据行为类型将用户与物品交互的原始序列划分为若干个子序列，包括：

3.根据权利要求1所述的多行为序列推荐的数据增强方法，其特征在于，所述基于位置的采样策略确定每个子序列中每个物品被采样的概率，包括：

4.根据权利要求1所述的多行为序列推荐的数据增强方法，其特征在于，所述对若干个子序列的数据进行顺序扰动的行为感知数据增强操作，包括：

5.根据权利要求1所述的多行为序列推荐的数据增强方法，其特征在于，对若干个子序列的数据进行冗余减少的行为感知数据增强操作，包括：

6.根据权利要求1所述的多行为序列推荐的数据增强方法，其特...

【专利技术属性】
技术研发人员：肖静，潘微科，明仲，
申请(专利权)人：深圳大学，
类型：发明
国别省市：