基于隐式多时间尺度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基于隐式多时间尺度的序列推荐方法，能够获得更加准确的推荐结果。所述推荐方法包括：依据用户兴趣的动态变化程度不同，引入带时钟频率的循环神经元层，为循环神经网络隐层神经元分组；对隐层神经元分组信息，通过设计对隐层神经元的不同分区更新频率不同，抽取多个时间尺度下的用户兴趣特征；对多个时间尺度下的用户兴趣特征，通过尺度维卷积层，建模对不同时间尺度的用户兴趣特征表示的依赖关系，进而生成多时间尺度用户兴趣特征的统一表示；对多个时间尺度下用户兴趣特征的统一表示，采用全连接层建模统一的多尺度用户兴趣特征表示与项目的隐式特征之间的关系，预测用户感兴趣的项目。

【技术实现步骤摘要】

本专利技术属于多时间尺度的序列推荐，具体涉及基于隐式多时间尺度的序列推荐方法及装置。

技术介绍

1、当前研究表明，多尺度建模用户兴趣依赖关系已成为不可避免的趋势。这意味着用户的兴趣具有多个层次的特征。理论分析进一步指出，多时间尺度建模与目前主流基于神经网络的序列推荐模型之间存在着互补优势。就神经网络的输入层而言，对多尺度兴趣的显式结构建模能够有效捕捉因果关系，具有明确的物理意义，但却未能充分利用神经网络在语义建模方面的优势。而就神经网络的隐层而言，对多尺度兴趣的隐式表示学习则能够更好地发挥神经网络的优势，但其物理意义不明确，可解释性较差。因此，当前主要挑战在于如何学习多尺度兴趣的解耦表示，以实现对显式结构和隐式结构两种模型优势的充分利用。这一挑战的解决将有助于获得隐式表示及其相应的显式结构，从而进一步提升推荐系统的性能和解释能力。

技术实现思路

1、本专利技术是为了解决上述问题而进行的，目的在于提供基于隐式多时间尺度的序列推荐方法及装置，将有助于获得隐式表示及其相应的显式结构，从而进一步提升推荐系统的性能。<本文档来自技高网...

【技术保护点】

1.基于隐式多时间尺度的序列推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

3.根据权利要求2所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

4.根据权利要求1所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

5.根据权利要求4所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

6.根据权利要求1所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

7.根据权利要求6所述的基于隐式多时间尺度的序列推荐方法，其特征在于：>

8.根据权利...

【技术特征摘要】

1.基于隐式多时间尺度的序列推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

3.根据权利要求2所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

4.根据权利要求1所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

5.根据权利要求4所述的基于隐式多时间尺度的序列推荐方法，其特征在于：

6.根据权利要求1所述的基于隐式多时间...

【专利技术属性】
技术研发人员：黄娜娜，焦鹏飞，鲍青，高梦州，苏方方，唐会军，赵品龙，杨彬，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：