1.一种基于上下文和用户长短期偏好自适应学习的推荐方法,其特征在于,包括下述步骤:通过CNN网络对权重多类型上下文融合的候选物品描述矩阵进行自适应学习,获得候选物品特征;所述获得候选物品特征包括:将推荐时的多类型上下文嵌入根据注意力机制生成权重上下文嵌入,将权重上下文嵌入融合到候选物品的物品描述嵌入矩阵中,将带有权重上下文的物品描述嵌入矩阵输入到CNN网络中,从而获得上下文自适应学习的候选物品特征;所述将权重上下文嵌入融合到候选物品的物品描述嵌入矩阵中的方式为按照公式将权重上下文向量cu,p融入到物品描述嵌入矩阵Dp中,生成维度为 的带有权重上下文信息的物品描述嵌入矩阵
根据目标用户的历史交互物品序列,结合权重多类型上下文和用户长短期偏好两个因素,基于GRU网络进行自适应学习,获得目标用户偏好特征;所述获得目标用户偏好特征包括:获取历史的用户物品交互序列的每一次交互信息,历史的多类型上下文的每一次交互信息转化为上下文嵌入矩阵,并通过注意力机制,将历史上下文嵌入矩阵转化为权重上下文嵌入,将权重上下文嵌入与历史物品嵌入进行融合,将带有权重信息的物品嵌入序列依次输入到GRU网络中,采用长度可改变的窗口机制以及上下文和候选物品自适应学习的注意力机制,获得目标用户长短期偏好特征;所述将权重上下文嵌入与历史物品嵌入进行融合的方式为将权重上下文嵌入cu,k与对应的xk根据公式 进行融合,xk是d维的历史物品k的嵌入表示;
基于自适应学习的用户长短期偏好权重进行评分预测,并基于预设算法模型确定评分预测结果,进行物品推荐。
2.根据权利要求1所述的基于上下文和用户长短期偏好自适应学习的推荐方法,其特征在于,所述通过CNN网络对权重多类型上下文融合的候选物品描述矩阵进行自适应学习,获得候选物品特征包括下述步骤:获得多类型上下文嵌入生成 维的上下文嵌入矩阵Cu,p,记为 其
中, 是目标用户u交互候选物品p时的上下文中类型为j的上下文嵌入,Nc是上下文类型的数量,d是上下文嵌入维度;
按照如下公式,将上下文嵌入矩阵Cu,p转化为带有上下文权重的d维权重上下文嵌入cu,p,ωu,p=softmax(eu,p)
d d×d
其中,v0∈R ,W0∈R 是参数向量和参数矩阵,T是向量转置,eu,p是d维向量, 是偏置参数,ωu,p是Nc维的权重向量, 是类型为j的上下文嵌入 的权重;
按照如下公式:
将权重上下文嵌入融入到物品描述嵌入矩阵中的方法,使得矩阵中每一个单词嵌入都隐含着上下文信息,具体为将权重上下文嵌入cu,p融入到维度为 的物品描述嵌入矩阵Dp中,生成维度为 的带有权重上下文信息的物品描述嵌入矩阵 其中, 是对应元素的乘积,Lp是物品描述的单词个数,d是单词的嵌入维度;
将带有权重上下文信息的物品描述嵌入矩阵 作为CNN网络的输入,自适应地学习候选物品p的特征,记为,其中 l是物品特征的维度。
3.根据权利要求1所述的基于上下文和用户长短期偏好自适应学习的推荐方法,其特征在于,所述基于GRU网络进行自适应学习,获得目标用户偏好特征包括:采用长度可改变的窗口机制以及上下文和候选物品自适应学习的注意力机制,进行目标用户短期偏好特征获取,具体包括步骤:设置一个窗口阈值的最大值S,即截取GRU网络的最新的S个隐含状态作为目标用户短期偏好特征提取的依据范围;
设计一个自适应学习的机制,根据候选物品特征 和推荐时权重上下文嵌入cu,p自适应的改变窗口长度,选择最合理的窗口长度 获得自适应范围的隐含状态范j l围,记为 其中 h∈R ,l是隐
n n×l n×d n
含状态维度,v1∈R是参数向量,U1∈R 和W1∈R 是参数矩阵,b1∈R 是偏置向量,T是向量转置,Nu是目标用户u的历史交互物品数量。
4.根据权利要求3所述的基于上下文和用户长短期偏好自适应学习的推荐方法,其特征在于,所述基于GRU网络进行自适应学习,获得目标用户偏好特征之前还包括:j
对于 范围内的每个隐含状态h ,根据隐含状态和候选物品特征 相似关
系以及历史上下文与推荐时上下文的相似关系,采用自适应的注意力机制学习目标用户短期偏好,具体如下公式所示,n n×l n×d n
其中,v2∈R 是参数向量,T向量转置,U2∈R 和W2∈R 是参数矩阵,b2∈R 是偏置向sp l量,σ是tanh激活函数,β是隐含状态的权重向量,u ∈R 是目标用户的短期偏好特征,l是短期偏好特征的维度。
5.根据权利要求1至4任一项所述的基于上下文和用户长短期偏好自适应学习的推荐方法,其特征在于,所述基于自适应学习的用户长短期偏好权重进行评分预测具体包括:采用如下公式,获得目标用户u对候选物品p的预测评分
l l×l l×2l l
其中,v3∈R是参数向量,T是向量转置,U5∈R ,W5∈R 是参数矩阵,b5∈R是偏置向量,δ是自适应参数,用于调节目标用户长期偏好和短期偏好因素所占的比例,⊙是向量内lp,c sp,c积,u 是融合推荐时上下文的用户长期偏好,u 是融合推荐时上下文的用户短期偏好。
6.根据权利要求5所述的基于上下文和用户长短期偏好自适应学习的推荐方法,其特征在于,所述并基于预设算法模型确定评分预测结果,进行物品推荐包括:采用如下公式: 获取目标优化函数,对模型
参数进行训练,若所述目标优化函数达到预设阈值,训练完成,基于训练完成得到的模型进行物品推荐;
其中,Γ是损失函数,λ是正则化参数,Θ是方法中涉及的参数集合,Dtrain是训练集,|Dtrain|是训练集中样本数量,ru,p和 分别是目标用户u对物品p的真实评分和模型的预测评分。
7.一种基于上下文和用户长短期偏好自适应学习的推荐装置,其特征在于,包括:候选物品特征提取模块,用于获得多类型上下文嵌入,生成 维的上下文嵌入矩阵Cu,p,将上下文嵌入矩阵Cu,p转化为带有上下文权重的d维权重上下文嵌入cu,p,将权重上下文嵌入融入到物品描述嵌入矩阵中的方法,使得矩阵中每一个单词嵌入都隐含着上下文信息,具体为将权重上下文嵌入cu,p融入到维度为 的物品描述嵌入矩阵Dp中,生成维度为的带有权重上下文信息的物品描述嵌入矩阵 将带有权重上下文信息的物品描述嵌入矩阵 作为CNN网络的输入,自适应地学习候选物品p的特征;其中Nc是上下文类型的数量,Lp是物品描述的单词个数;
目标用户偏好特征提取模块,用于获取历史的用户物品交互序列的每一次交互信息,历史的多类型上下文的每一次交互信息转化为上下文嵌入矩阵,并通过注意力机制,将历史上下文嵌入矩阵转化为权重上下文嵌入,将权重上下文嵌入与历史物品嵌入进行融合,采用长度可改变的窗口机制以及上下文和候选物品自适应学习的注意力机制,进行目标用户长短期偏好特征获取;所述将权重上下文嵌入与历史物品嵌入进行融合的方式为将权重上下文嵌入cu,k与对应的xk根据公式 进行融合,xk是d维的历史物品k的嵌入表示;
预测评分模块,用于基于自适应学习的用户长短期偏好权重进行评分预测,并基于预设算法模型确定评分预测结果,进行物品推荐。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于上下文和用户长短期偏好自适应学习的推荐方法的步骤。