1.一种基于深度学习的多行为迁移推荐方法,其特征在于,包括以下步骤:
(1)对预先获取的用户历史行为数据进行处理获得多种隐式反馈数据集;
(2)根据用户的多种隐式反馈数据集构建一个基网络Gb和多个行为网络G(k),并利用网络表示学习方法学习用户和物品节点在各个网络中的低维嵌入表示;
(3)基于用户的多个隐式行为反馈对用户偏好建模的影响不同,使用注意力机制自动学习各个行为的权重,得到用户和物品的融合低维嵌入表示;
(4)将用户和物品的低维嵌入向量自然拼接后送入全连接嵌入层,采用基于深度神经网络的偏好学习方法,并反馈到具有隐藏层的前馈神经网络中,在输出层学习用户对物品的偏好。
2.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,步骤(1)所述的隐式反馈数据主要包括用户点击数据、加入购物车数据、收藏数据和购买数据。
3.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,步骤(2)所述的基网络Gb是一个包含用户和物品两种节点,以及一种类型的连边的网络;所述每个行为网络G(k)中也包含用户和物品节点,且只有用户和物品之间有过对应的行为。
4.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,步骤(2)所述的网络表示学习方法基于node2vec的随机游走策略,并行学习基网络和多个行为网络中用户和物品节点的之间的结构关系,得到用户和物品的词嵌入向量Ub和Us(k),游走概率计算方式为:其中,其中Ub表示从基网络中学习得到的词嵌入向量,而Us(k)表示从第k个行为网络中学习得到的词嵌入向量,Pro(k|k-1)表示从节点uk-1游走到节点uk的概率,α是node2vec中的二阶随机游走参数,α=1/p表示从节点uk-1回到节点uk-2,α=1表示节点uk-2与节点uk相连,α=1/q表示节点uk-2与节点uk不直接相连,但节点uk-1与节点uk直接相连,通过调节变量p和q控制随机游走的方向,w(k-1,k)表示节点uk-1和uk之间的边权重,取值范围是[0,1],N(k-1)表示uk-1的一阶邻居节点的集合。
5.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,所述步骤(3)包括以下步骤:(31)利用注意力机制学习得到用户的多个行为对用户偏好的影响,每个行为的权重计算如下:w=f(W·U+b),其中,f表示一种激活函数,U表示节点的词嵌入向量,W表示权重矩阵,b表示偏置值;
(32)对学得权重进行归一化,计算如下:αk=softmax(wk),αk表示第k个行为网络的归一化权重,softmax是常用于多分类问题的激活函数;
(33)根据学得的归一化权重,将多个行为中用户和物品的词嵌入向量加权求和,得到用户和物品的融合向量(34)将从基网络中学习的词嵌入向量和融合向量自然拼接,得到Ut′=[Ub,Us′]。
6.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法,其特征在于,所述步骤(4)包括以下步骤:(41)利用多层感知机学习用户和物品之间的非线性关系,输入是用户和物品的词嵌入向量拼接得到的向量z1=[Ut′,Vt′],隐藏层的输出是z2=f(WTz1+b),其中,f是激活函数,b是偏置值,输出层的输出是用户是否对物品感兴趣的预测概率 σ是一种激活函数;
(42)计算用户对物品的偏好损失函数:
其中,I表示用户ui交互过物品vj,表示用户ui没有交互过物品vj,yij表示用户ui是否交互过物品vj的真实值, 表示预测值,取值范围是[0,1],使用梯度下降算法使得损失函数最小化,即 和yij之间的差值收敛;
(43)使用命中率和归一化折扣累积增益作为性能评价指标,确定所有参数的最佳取值,其中命中率HR@K和归一化折扣累积增益NDCG@K的计算方式如下:其中,K表示选择前K个物品进行推荐,|GT|表示所有测试样本的数量。