欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202210413785X
申请人: 河海大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种集成用户的长期偏好与短期偏好的下一项推荐方法,包括下列步骤:步骤S1:为包含各个用户的若干个历史会话和一个当前会话的会话数据集中的各个项目生成项目的初始嵌入,并将该会话数据集划分成训练集、测试集和验证集;

步骤S2:利用所述训练集构建一个集成用户的长期偏好与短期偏好的下一项推荐方法ILSTP的初始模型;具体如下:步骤S21:构建ILSTP的初始模型中的用户偏好捕获层,并利用该层生成一个用户的长期偏好和一个用户的短期偏好;

步骤S22:构建ILSTP的初始模型中的用户偏好集成层,并利用该层生成一个集成的用户偏好;

步骤S23:构建ILSTP的初始模型中的下一项概率预测层,并利用该层计算出所述会话数据集中各个项目将成为用户的下一个交互项目的概率;

步骤S3:利用所述训练集和验证集对所述ILSTP的初始模型进行参数调节后得到ILSTP的优化模型,并使用所述测试集评估该优化模型的推荐准确度;

步骤S4:利用所得的ILSTP的优化模型为会话数据集中或实际会话数据中的用户提供下一项推荐。

2.根据权利要求1所述的方法,其特征在于,所述步骤S1中的生成项目的初始嵌入进一步包括下列步骤:步骤S11:使用item2vec嵌入模型为所述会话数据集中各个项目生成项目的初始嵌入,即把一个项目表示为一个d维向量,其中超参数d∈{10,20,…,120}。

3.根据权利要求1或2所述的方法,其特征在于,所述步骤S21进一步包括下列步骤:步骤S211:针对所述会话数据集中的一个用户,将该用户的若干个历史会话中的所有项目连接为一个训练序列,并相应地将这些项目的交互时间戳连接为一个时间序列,然后将该训练序列和该时间序列截取或扩充为一个长度为l的固定长度训练序列和一个长度为l的固定长度时间序列,其中超参数l∈{50,60,…,200},其中,所述截取在所述序列的实际长度超过l的情况下发生,所述扩充在所述序列的实际长度不足l的情况下发生;

步骤S212:针对所述固定长度训练序列,计算该序列中任意两个项目之间的时间间隔Δt,该时间间隔是这两个项目在固定长度时间序列中对应的两个交互时间戳之差的绝对值;

步骤S213:针对所述固定长度训练序列,计算该序列中任意两个项目之间的时间间隔嵌入r,该时间间隔嵌入利用一个时间间隔嵌入函数来计算,所述时间间隔嵌入函数的计算方法由下列公式定义:式中,Δt是固定长度训练序列中任意两个项目之间的时间间隔,σ是一个sigmoid激活函数;

步骤S214:以K层自注意力和前馈神经网络的层号k为计数控制循环的循环变量,其初始值为1,其终止值为K,增量步长为1,共K次重复执行下列步骤(1)至(2),其中超参数K∈{1,2,3,4}:(1)针对所述固定长度训练序列,计算该序列中任意两个项目v1和v2之间的第k层注意力分数并利用一个softmax函数将归一化为第k层权重系数,具体如下:根据项目v1和v2的第k层嵌入和以及这两个项目之间的时间间隔嵌入r12来计算这两个项目之间的注意力分数其中,当k=1时,这两个项目的第1层嵌入和是步骤S11得到的项目的初始嵌入,所述计算的方法由下列公式定义:式中,T是矩阵转置运算,WQ,是所述用户偏好捕获层的权重矩阵,它们的取值通过参数学习决定,超参数d∈{10,20,…,120}是项目的初始嵌入的向量维度;

获得上述第k层注意力分数后,利用一个softmax函数将归一化为第k层权重系数;

(2)针对所述固定长度训练序列,计算该序列中l个项目的第k层转换后的嵌入,具体如下:首先,根据该序列中任意一个项目与该序列中所有项目之间的所述第k层权重系数对该序列中所有项目的所述第k层嵌入进行加权聚合来生成所述任意一个项目的第k层聚合后的嵌入zk;

然后,利用一个前馈神经网络对zk进行转换,以获得该项目的第k层转换后的嵌入fk,所述前馈神经网络的转换方法由下列公式定义:fk=ReLU(zkW1+b1)W2+b2,

式中,W1,为所述用户偏好捕获层的权重矩阵,b1,为所述用户偏好捕获层的偏置向量,它们的取值通过参数学习决定,超参数d∈{10,20,…,120}是项目的初始嵌入的向量维度,ReLU是一个非线性激活函数;

最后,经过上述K次重复执行后,获得了所述固定长度训练序列中l个项目的时间间隔感知的高阶嵌入;

步骤S215:针对所述固定长度训练序列,将该序列中l个项目的时间间隔感知的高阶嵌入按历史会话进行分组,并利用一个混合聚合器来生成一个用户的长期偏好,具体包括:首先,对所述用户的若干个历史会话中所有项目的高阶嵌入执行最大池化来生成若干个历史会话的嵌入;

然后,对所述若干个历史会话的嵌入执行平均池化来生成一个用户的长期偏好;

步骤S216:针对用户的一个当前会话,将该当前会话转换为一个会话图,其定义如下:该会话图是一个加权有向图,图中的每个节点表示所述当前会话中的一个项目,图中每条有向边都表示用户在当前会话中与该边的起始项目进行交互之后接着与该边的终止项目进行交互,该边的权重由该边在当前会话中出现的次数除以该边的起始项目的出度来计算;

步骤S217:针对所述会话图,使用一个门控图神经网络来生成该会话图中各个项目的嵌入,并计算所述当前会话的一个局部嵌入和一个全局嵌入,然后将两者进行拼接后通过线性转换生成所述用户的短期偏好,其中,所述局部嵌入是该当前会话中最后一个项目的嵌入,所述全局嵌入利用软注意力计算而得,其计算过程具体如下:首先,利用软注意力计算当前会话中最后一个项目的嵌入与该当前会话中所有项目的嵌入之间的权重系数;

然后,根据计算出的权重系数对该当前会话中所有项目的嵌入进行加权聚合后生成一个全局嵌入。

4.根据权利要求3所述的方法,其特征在于,所述步骤S22进一步包括下列步骤:步骤S221:利用一个注意力聚合器来生成一个集成的用户偏好,具体包括:首先,使用注意力机制为所述用户的长期偏好计算一个长期偏好系数;

然后,使用注意力机制为所述用户的短期偏好计算一个短期偏好系数;

最后,根据计算出的长期偏好系数和短期偏好系数对所述用户的长期偏好和短期偏好进行加权聚合后生成一个集成的用户偏好。

5.根据权利要求4所述的方法,其特征在于,所述步骤S23进一步包括下列步骤:步骤S231:将所述集成的用户偏好和所述会话数据集中各个项目的初始嵌入进行向量点积后得到这些项目的预测分数;

步骤S232:使用一个softmax函数将所述预测分数进行归一化后生成所述会话数据集中各个项目将成为用户的下一个交互项目的概率。

6.根据权利要求5所述的方法,其特征在于,所述步骤S3进一步包括下列步骤:步骤S31:在所述训练集上使用Adam优化器学习所述ILSTP的初始模型或调参后模型的参数,并在所述验证集上计算该模型的推荐准确度,具体包括:首先,使用网格搜索法为该模型设置如下五个超参数的值:项目的初始嵌入的向量维度d,固定长度训练序列的长度l,自注意力和前馈神经网络的层数K,学习率η,正则化系数λ,这些超参数的搜索范围即值域如下:d的值域为集合{10,20,…,120},η的值域为集合{0.005,0.001,0.01,0.05,0.1},λ的值域为集合{10-5,10-4,10-3,10-2,10-1},K的值域为集合{1,2,3,4},l的值域为集合{50,60,…,200};

然后,在所述训练集上使用Adam优化器学习该模型的参数值,得到ILSTP的调参后模型;

最后,在所述验证集上计算该模型的推荐准确度;

步骤S32:判断所述ILSTP的调参后模型的推荐准确度是否达到预定的阈值,所述推荐准确度是查全率,所述阈值的取值范围为闭区间[0.15,0.25],若该模型的推荐准确度尚未达到预定的阈值,则通过依次重复执行步骤S31和S32来继续进行参数调节,否则结束参数调节过程,得到ILSTP的优化模型;

步骤S33:使用所述测试集以及查全率和平均倒数排名两个性能评价指标来评估所得ILSTP的优化模型的推荐准确度。