一种引入辅助信息的可解释高效序列推荐方法技术

本发明专利技术公开了一种引入辅助信息的可解释高效序列推荐方法。本发明专利技术将用户兴趣明确建模为下一次交互物品的概率分布序列；除了将物品转移矩阵作为自编码器的输入外，还在隐藏层引入物品辅助信息，并结合分类任务来抽取更好的物品特征表示，进而得到代表整体用户兴趣的概率分布矩阵。在进行增量推荐时，通过整合新的物品转移信息得到更新后的下一次交互物品的概率分布，并根据更新后的用户交互序列对下一次交互物品概率分布序列进行注意力和时间衰减权重加权，得到更新后的个性化推荐。本发明专利技术建模过程较为透明，具备一定可解释能力；在不改变模型参数的情况下整合新的用户‑物品交互，在单次交互的增量级别上实现即时推荐。

【技术实现步骤摘要】

本专利技术涉及推荐系统，具体的说，涉及一种引入辅助信息的可解释高效序列推荐方法。

技术介绍

1、推荐系统根据用户的历史行为数据建模用户偏好，从而向其推荐可能感兴趣的物品或内容。传统的推荐系统往往将用户的行为数据表示为静态的用户-物品交互矩阵。然而，随着互联网和移动设备的快速普及，用户的行为数据变得更加丰富和动态化，静态的用户-物品交互矩阵通常难以满足动态性方面的要求。用户兴趣可能随着时间的推移而发生变化，而推荐系统需要能够动态更新以及时捕捉这些变化。此外，推荐系统不仅需要提供高质量的预测，还需要对预测结果提供解释，以此来赢得用户的信任。现有的序列推荐方法在准确性、增量快速更新以及可解释性上尚不能满足实际需求，更完善的推荐系统应该具有动态更新快速捕捉用户兴趣变化和对推荐结果做出解释的能力。

技术实现思路

1、针对上述现有技术的不足，本专利技术的目的在于提供一种引入辅助信息的可解释高效序列推荐方法。该方法适用于动态推荐场景，在不改变模型参数的情况下整合新的用户-物品交互，从而在单次交互的增量级别上进行即时推荐，并本文档来自技高网...

【技术保护点】

1.一种引入辅助信息的可解释高效序列推荐方法，其特征在于，将用户兴趣建模为下一次交互物品的概率分布序列，结合整体用户兴趣和用户的个性化兴趣，实现更新后的个性化推荐；包括以下步骤

2.根据权利要求1所述的引入辅助信息的可解释高效序列推荐方法，其特征在于，步骤(1)中，通过舍弃观测次数少于5次的用户和物品对原始用户-物品交互数据进行预处理；物品转移矩阵基于所有用户的交互历史构建，物品转移矩阵中的每一行记录了当用户与相应源物品交互后，下一次用户将与哪个物品进行交互，是基于所有用户的统计数据。

3.根据权利要求1所述的引入辅助信息的可解释高效序列推荐方法，其特征在于，步骤...

【技术特征摘要】

1.一种引入辅助信息的可解释高效序列推荐方法，其特征在于，将用户兴趣建模为下一次交互物品的概率分布序列，结合整体用户兴趣和用户的个性化兴趣，实现更新后的个性化推荐；包括以下步骤

2.根据权利要求1所述的引入辅助信息的可解释高效序列推荐方法，其特征在于，步骤(1)中，通过舍弃观测次数少于5次的用户和物品对原始用户-物品交互数据进行预处理；物品转移矩阵基于所有用户的交互历史构建，物品转移矩阵中的每一行记录了当用户与相应源物品交互后，下一次用户将与哪个物品进行交互，是基于所有用户的统计数据。

3.根据权利要求1所述的引入辅助信息的可解释高效序列推荐方法，其特征在于，步骤(2)中，多信息自编码器采用多个自编码器层叠在一起的堆叠自编码器。

4.根据权利要求1所述的引入辅...

【专利技术属性】
技术研发人员：卢暾，柳思佳，刘家豪，李东胜，张鹏，顾宁，
申请(专利权)人：复旦大学，
类型：发明
国别省市：