【技术实现步骤摘要】
本专利技术涉及产品推荐，具体涉及一种基于多任务学习的多行为推荐方法及系统。
技术介绍
1、推荐系统是用来满足个性化需求的重要工具。传统的推荐模型通常仅利用一种用户物品的交互数据，面临着严重的数据稀疏性问题，从而无法捕获到用户的真实偏好，导致推荐性能不佳。在真实场景中，用户的行为不止一种，平台可以收集用户的其他容易发生的行为，比如浏览、点击和收藏等行为，利用多种行为来帮助预测用户未来对目标行为的交互。
2、多行为推荐可以通过丰富用户兴趣偏好来有效缓解数据稀疏问题，从而提高推荐性能。然而，虽然多行为数据可以缓解目标行为数据稀疏的问题，但存在着严重的分布不平衡的问题，不同的用户和行为是高度不平衡的，只有一小部分的用户和行为覆盖了大部分交互。用户在不同行为下的交互数据量差别较大，因此最终获得的用户偏好更容易受到具有更多交互数据行为(比如浏览行为)的影响。这种数据不平衡问题会使用户表征向数据量更大的行为预测方向进行优化。而且目前推荐模型获取的用户反馈大多是隐式的，一些研究表明用户隐式反馈数据与其偏好之间存在一定差距，例如误点击或购买后...
【技术保护点】
1.一种基于多任务学习的多行为推荐方法，其特征在于，包括：
2.如权利要求1所述的一种基于多任务学习的多行为推荐方法，其特征在于，所述推荐模型还包括目标损失优化模块，用于根据训练的数据集，对推荐模型进行优化，损失函数L为：
3.如权利要求1所述的一种基于多任务学习的多行为推荐方法，其特征在于，所述基于注意力机制，对用户嵌入向量和物品嵌入向量进行更新，包括：
4.如权利要求3所述的一种基于多任务学习的多行为推荐方法，其特征在于，使用两层前馈网络进行权值估计，计算最终影响权重。
5.如权利要求1所述的一种基于多任务学习的多行...
【技术特征摘要】
1.一种基于多任务学习的多行为推荐方法，其特征在于，包括：
2.如权利要求1所述的一种基于多任务学习的多行为推荐方法，其特征在于，所述推荐模型还包括目标损失优化模块，用于根据训练的数据集，对推荐模型进行优化，损失函数l为：
3.如权利要求1所述的一种基于多任务学习的多行为推荐方法，其特征在于，所述基于注意力机制，对用户嵌入向量和物品嵌入向量进行更新，包括：
4.如权利要求3所述的一种基于多任务学习的多行为推荐方法，其特征在于，使用两层前馈网络进行权值估计，计算最终影响权重。
5.如权利要求1所述的一种基于多任务学习的多行为推荐方法，其特征在于，所述对更新后的用户嵌入向量和物品嵌入向量进行多任务学习，得到用户与物品在特定...
【专利技术属性】
技术研发人员：于旭，于婕，孙丽珺，胡强，于淼，杜军威，
申请(专利权)人：中国石油大学华东，
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。