【技术实现步骤摘要】
本专利技术属于深度学习与推荐领域，特别涉及一种融合时间间隔和多兴趣特征提取的序列推荐方法。
技术介绍
1、随着社会、经济等信息化程度的逐渐加深，信息爆炸、信息过载等问题愈演愈烈，因而人们获取信息的方式正在由“人找信息”逐渐转变为“信息找人”。众所周知，推荐系统是解决数据过载的有效手段，精准而有效的推荐在提升用户体验感和用户黏性的同时也提升了信息传递的效率，能够直接或间接地创造更多的收益。然而用户的兴趣爱好会跟随时间的推移而不断地变化，且用户与推荐系统的每次交互都会受到其历史交互行为的影响，这使得静态预测用户对于商品的兴趣及评分难以满足用户长期、动态的推荐需求。由于这种动态兴趣和时序依赖对于精确描述用户画像或更准确地推荐商品来说有十分重大的意义，并且它们只能在序列推荐系统中体现，因此将用户的历史交互商品建模为商品序列，基于用户的历史交互序列开展个性化推荐是推荐系统的重要发展趋势。
2、近年来，越来越多的基于深度学习(dl)的方法被用于动态兴趣的建模，不过现有的顺序推荐方法都依赖于一个理想的假设，即通过用户的历史行为可以完全捕获...
【技术保护点】
1.一种融合时间间隔和多兴趣特征提取的序列推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种融合时间间隔和多兴趣特征提取的序列推荐方法，其特征在于，所述用户的关系矩阵包括：
3.根据权利要求1所述的一种融合时间间隔和多兴趣特征提取的序列推荐方法，其特征在于，所述项目推荐模型包括：全局特征提取模块、门控聚合模块和N个依次连接的局部特征提取模块；所述局部特征提取模块包括：依次连接的自注意力机制层、前馈层、层归一化、dropout；所述全局特征提取模块包括：多头注意力机制模块和ArgMax运算模块；所述门控聚合模块包括：MLP多层感知机、广播...
【技术特征摘要】
1.一种融合时间间隔和多兴趣特征提取的序列推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种融合时间间隔和多兴趣特征提取的序列推荐方法，其特征在于，所述用户的关系矩阵包括：
3.根据权利要求1所述的一种融合时间间隔和多兴趣特征提取的序列推荐方法，其特征在于，所述项目推荐模型包括：全局特征提取模块、门控聚合模块和n个依次连接的局部特征提取模块；所述局部特征提取模块包括：依次连接的自注意力机制层、前馈层、层归一化、dropout；所述全局特征提取模块包括：多头注意力机制模块和argmax运算模块；所述门控聚合模块包括：mlp多层感知机、广播机制模块和mf算法模块。
4.根据权利要求1所述的一种融合时间间隔和多兴趣特...
【专利技术属性】
技术研发人员：唐宏，金哲正，杨浩澜，张静，刘斌，
申请(专利权)人：重庆邮电大学，
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。