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: 2022106042178
申请人: 暨南大学
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:

1.一种面向稀疏超短序列的个性化推荐方法,其特征在于,包括下述步骤:获取稀疏超短用户行为数据并构建稀疏超短用户行为序列,并根据用户与商品进行交互的历史数据构建用户与商品的关系图,采用图嵌入方法对关系图中的节点进行嵌入表示学习;

基于稀疏超短用户行为数据构造专家数据库,采用模仿学习方法对专家数据库的购买策略进行学习,并遵循购买策略完成对稀疏超短用户行为序列的扩充;

采用模仿学习方法对专家数据库的购买策略进行学习,具体包括:设置序列长度阈值,根据序列长度阈值将稀疏超短用户行为序列划分为长序列与短序列,长序列存储至专家数据库;

采用基于生成对抗网络的模仿学习方法对专家数据库的购买策略进行学习;

从稀疏超短用户行为序列中采样真实购买序列状态s,利用初始化的购买策略π得到购买决策a,得到生成经验(s,a);

从专家数据库中采样长序列,分割出长序列含前m个商品的部分作为状态S,剩余部分的任意一个商品作为A,得到专家经验 (S,A);

同时将生成经验(s,a)和专家经验(S,A)输入到判别器D中,使用交叉熵对差异进行计算:其中, 表示差异计算结果, 为真实购买序列状态s下根据策略选择动作的概率, 为购买策略π的得分期望, 为使用策略 的得分期望, 表示中间参量,用于衡量购买策略π的不确定性,表示预先设置的权重参数;

迭代更新购买策略π的权重参数,学习得到购买策略π和奖励函数,将真实购买短序列的状态s*输入购买策略π的深度神经网络并得到购买决策a*,将购买决策a*加入真实购买短序列完成长度的扩充,直至扩充至预设长度;

以模仿学习为框架,更新购买策略π;

基于商品预嵌入表示以及扩充后的稀疏超短用户行为序列,采用自注意力模型完成商品嵌入表示的信息增强,并根据最终商品嵌入表示与稀疏超短用户行为序列的用户行为数据得到用户嵌入表示,根据商品和用户的嵌入表示进行个性化推荐。

2.根据权利要求1所述的面向稀疏超短序列的个性化推荐方法,其特征在于,采用图嵌入方法对关系图中的节点进行嵌入表示学习,具体步骤包括:根据用户购买商品历史序列构建用户与商品的关系二部图;

生成用户购买商品序列和商品被用户购买序列,构建诱导列表sx和诱导列表sy;

将用户与商品的关系二部图划分为多个诱导列表sx和sy,将嵌入学习设计为一个极大似然问题;

初始化用户购买商品预测网络Nx、商品被用户购买预测网络Ny、属性嵌入网络Na,初始化embedding层所需的用户或商品的嵌入表示,初始化softmax层所需的权重矩阵;

从诱导列表sx中抽取一条边,并从诱导列表sx中采样其它边作为其邻居;

从诱导列表sy中抽取一条边,并从诱导列表sy中采样其它边作为其邻居;

设定更新目标,更新预测网络Nx、预测网络Ny、属性嵌入网络Na和商品或用户嵌入表示词表;

训练直至收敛,更新权重矩阵参数,得到商品和用户的嵌入表示。

3.根据权利要求2所述的面向稀疏超短序列的个性化推荐方法,其特征在于,所述根据用户购买商品历史序列构建用户与商品的关系二部图,具体表示为:G(X,Y,A,t),其中,X、Y分别表示用户节点与商品节点集合,A表示用户与商品进行交互的相关属性,t表示交互发生的时间戳。

4.根据权利要求2所述的面向稀疏超短序列的个性化推荐方法,其特征在于,所述构建诱导列表sx和诱导列表sy,具体步骤包括:* * * *

生成用户节点x购买商品序列x=[(Y ,A,t)]和商品y被用户购买序列y=[(X ,A,t)],其* *中,X为购买y商品的用户集合,Y 为x用户节点购买过的商品集合,根据购买序列得到诱导* *列表 和诱导列表 ,其中, 为x 与Y 建立的连边,*

为y与X 建立的连边,A表示用户与商品进行交互的相关属性,t表示交互发生的时间戳。

5.根据权利要求2所述的面向稀疏超短序列的个性化推荐方法,其特征在于,所述将用户与商品的关系二部图划分为多个诱导列表sx和sy,将嵌入学习设计为一个极大似然问题,具体表示为:其中, 是根据经验预先设定的平衡参数,用于在sx和sy的重要性之间进行权衡,是模型所涉及的所有参数, 表示目标函数;

计算 ,具体表示为:

计算 ,具体表示为:

其中, 和 分别表示x和yi节点的嵌入表示, 来自于用户节点集合X的嵌入矩阵,来自于商品节点集合Y的嵌入矩阵,该嵌入矩阵的计算考虑了yi节点的属性di,di是属性嵌入网络Na的输出结果,b是偏置项, 为softmax权重矩阵的 矩阵的第k行转置, 为softmax权重矩阵的 矩阵的第l行转置, 是考虑了属性dj的softmax权重矩阵 的第k行转置, 是考虑了属性dj的softmax权重矩阵 的第l行转置, 是考虑了属性dj的softmax权重矩阵 的第k行转置, 是考虑了属性dj的softmax权重矩阵 的第l行转置, 是预设的超参数,表示邻居数量,ai表示x与yi的交互的相关属性,aj表示x与yj的交互的相关属性,x表示用户节点,yi表示商品i的节点,yj表示商品j的节点;

vy和vxi分别表示y和xi节点的嵌入表示,vy来自于商品节点集合Y的嵌入矩阵, 来自于用户节点集合X的嵌入矩阵,该嵌入矩阵的计算考虑了xi节点的属性di, 为softmax权重矩阵 的第k行的转置, 为softmax权重矩阵 的第l行转置。

6.根据权利要求2所述的面向稀疏超短序列的个性化推荐方法,其特征在于,所述更新权重矩阵参数,表示为:其中, 表示迭代至第t代时的模型参数, 是参数减小的方向, 表示步长,是根据经验预先设定的平衡参数。

7.根据权利要求1所述的面向稀疏超短序列的个性化推荐方法,其特征在于,所述采用自注意力模型完成商品嵌入表示的信息增强,并根据最终商品嵌入表示与稀疏超短用户行为序列的用户行为数据得到用户嵌入表示,根据商品和用户的嵌入表示进行个性化推荐,具体步骤包括:在自注意力模型输入真实的用户购买商品长序列以及将短序列扩充后的虚拟用户购买商品长序列;

对训练样本进行掩码预处理;

将自注意力模型训练至收敛,为模型输入每个用户购买商品的历史序列,得到序列中出现商品的一个嵌入表示,采用均值聚合或加权聚合方式聚合同一个商品的不同嵌入表示,得到该商品的最终嵌入表示;

根据真实用户的历史购买商品序列,采用均值聚合商品最终嵌入表示的方式得到用户嵌入表示;

计算用户与商品的余弦相似度并进行排序,为每个用户推荐与其相似度最高的商品。

8.一种面向稀疏超短序列的个性化推荐系统,其特征在于,包括:用户行为序列构建模块、关系图构建模块、嵌入表示学习模块、专家数据库构建模块、模仿学习模块、序列扩充模块、嵌入表示输出模块和个性化推荐模块;

所述用户行为序列构建模块用于获取稀疏超短用户行为数据并构建稀疏超短用户行为序列;

所述关系图构建模块用于根据用户与商品进行交互的历史数据构建用户与商品的关系图;

所述嵌入表示学习模块用于采用图嵌入方法对关系图中的节点进行嵌入表示学习;

所述专家数据库构建模块用于基于稀疏超短用户行为数据构造专家数据库;

所述模仿学习模块用于采用模仿学习方法对专家数据库的购买策略进行学习;

采用模仿学习方法对专家数据库的购买策略进行学习,具体包括:设置序列长度阈值,根据序列长度阈值将稀疏超短用户行为序列划分为长序列与短序列,长序列存储至专家数据库;

采用基于生成对抗网络的模仿学习方法对专家数据库的购买策略进行学习;

从稀疏超短用户行为序列中采样真实购买序列状态s,利用初始化的购买策略π得到购买决策a,得到生成经验(s,a);

从专家数据库中采样长序列,分割出长序列含前m个商品的部分作为状态S,剩余部分的任意一个商品作为A,得到专家经验 (S,A);

同时将生成经验(s,a)和专家经验(S,A)输入到判别器D中,使用交叉熵对差异进行计算:其中, 表示差异计算结果, 为真实购买序列状态s下根据策略选择动作的概率, 为购买策略π的得分期望, 为使用策略 的得分期望, 表示中间参量,用于衡量购买策略π的不确定性,表示预先设置的权重参数;

迭代更新购买策略π的权重参数,学习得到购买策略π和奖励函数,将真实购买短序列的状态s*输入购买策略π的深度神经网络并得到购买决策a*,将购买决策a*加入真实购买短序列完成长度的扩充,直至扩充至预设长度;

以模仿学习为框架,更新购买策略π;

所述序列扩充模块用于采用购买策略完成对稀疏超短用户行为序列的扩充;

所述嵌入表示输出模块用于基于商品预嵌入表示以及扩充后的稀疏超短用户行为序列,采用自注意力模型完成商品嵌入表示的信息增强,并根据最终商品嵌入表示与稀疏超短用户行为序列的用户行为数据得到用户嵌入表示;

所述个性化推荐模块用于根据商品和用户的嵌入表示进行个性化推荐。

9.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1‑7任一项所述面向稀疏超短序列的个性化推荐方法。

10.一种计算机设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现如权利要求1‑7任一项所述面向稀疏超短序列的个性化推荐方法。