1.一种针对服装序列推荐的用户偏好建模方法,其特征在于:包括以下步骤:步骤一 对输入的用户行为数据集中的用户—服装交互序列进行偏好提取,得到用户—服装的长期偏好、短期偏好及主观偏好;
步骤二 基于用户—服装的长期偏好、短期偏好构建偏好学习模块,自动度量输入偏好权重,得到动态偏好;
步骤三 通过定义包含多用户意图感知注意力机制的意图感知模块,根据多个用户—服装交互子序列对当前用户的主观偏好进行学习,引入知识库并定义交互意图集以融合服装特征,计算意图感知重要性得到意图偏好;
步骤四 定义统一偏好空间,对动态偏好和意图偏好进行偏好融合并将基于时序与意图两种空间的偏好融合到该偏好空间中,输出最终用户—服装的总体偏好;
所述步骤一的具体过程如下:
首先,对输入的用户集U和项目集I中的用户—服装交互序列 构建无向图G={V,E,A},其中 是用户, 是用户—服装交互序列长度,其中V是服装项目点集,E是交互边集,A是图G的邻接矩阵, 是用户 的首个项目;
其次,根据构建出的无向图得到用户—服装项目点集 ,其中 是单个服装项目嵌入;通过对 嵌入及其邻域点集嵌入计算注意评分,其中Attention是以LeakyReLU为激活函数的两层前馈神经网络,是单个节点的嵌入向量且 是邻域点集的嵌入平均值, 是可训练矩阵, 是拼接向量, 是Hadamard积;再利用目标节点与源节点的相关性计算注意评分 ,其中 为源节点嵌入, 为目标节点嵌入, 是可训练矩阵;基于两个注意力评分,使用softmax函数计算归一化注意系数,其中 控制目标节点接收信息, 控制节点发送信息, 是点集V中其他目标节点与源节点相关性注意评分;基于归一化注意系数得到新的节点嵌入矩阵 ,其中 ,节点 的嵌入向量,其中 是非线性函数, 是可训练矩阵;
然后,通过GNN池化得到矩阵 ,其中 是权值矩阵,池化图的邻接矩阵 经过相对位置正则化得到用户核心偏好序列;采用2个共享权重的RNN网络分别提取得到用户—服装长期偏好和用户—服装短期偏好 ; 是
用户核心偏好序列的长度, 是矩阵A的i行j列, 是在新的节点嵌入矩阵中节点j的嵌入向量;
最后,利用用户交互序列中已经存在的显式交互构建用户—服装主观偏好,其中 为用户 的交互序列, 是用户 的首个项目,是用户 与 中共同存在的末尾项目,连接向量得到用户 的主观偏好,其中 是可训练的权值矩阵, 是其他有共同末尾项目的用户—服装主观偏好;
所述步骤二的具体过程如下:
首先对输入的用户—服装长期偏好 与短期偏好 ,分别定义长期偏好权重与短期偏好权重 ,其中 ,, , 为模型参数, 为校正后的线性单位;
然后,定义包含长期偏好范数 与短期偏好范数
的偏好学习模块,对输入的长期偏好权重 和短期偏好 权重进行自动度量,分别得到优化后的长期偏好权重 与优化后的短期偏好权重 ;
最后,将长期偏好与短期偏好统一至同一个潜在空间,并加权拼接生成最终的动态偏好 ;
所述步骤三的具体过程如下:
首先,根据步骤一得到的该用户主观偏好 以及与该用户交互序列中存在共同末尾项目的其他用户,分别得到其他用户的主观偏好 、 ,利用步骤一中训练的权值矩阵,学习该用户的多用户注意力主观偏好 ;
然后,定义交互意图集 ,其中 为意图集长度,意图定义为替换、互补、场景并引入外部知识库 ,从知识库中检索并匹配每一步交互的项目与意图 ,得到项目 的概念嵌入 以实现意图感知; 包含服装的特征及交互意图与服装的匹配程度;
最后,结合上述的多用户注意力主观偏好 与包含意图感知的项目概念嵌入 ,确定意图匹配过程中不同服装属性的重要性;定义该项目的意图感知重要性,其中 是可训练映射向量, 是向量v的转置, 为可训练权值矩阵;通过对该项目的所有属性应用softmax函数来计算该意图的重要性;将该重要性应用到主观偏好上,得到意图偏好, 为输入的用户集U和项目集I中的用户—服装交互序列。