1.一种基于图耦合时间间隔网络的序列化推荐方法,其特征在于,(1)关注序列化推荐中的用户长短期兴趣建模过程,利用物品类别信息和时间间隔信息共同探索对下一个物品预测的重要性;
(2)设计了一种个性化的门控策略,用于区分不同推荐场景下各模块的贡献度,提升模型预测准确率(3)该方法由以下4个模块组成:①数据输入模块:将用户、物品、类别的ID映射到一个D维向量空间,得到用户、物品、类别三个表征矩阵:②类别感知的图传播模块:
步骤1:对于每个用户-物品-类别三元组(u,c,i),第k层从用户u到物品i的消息传播规则以及物品i到用户u的消息传播规则分别为:步骤2:采用平均加权来生成每个用户和物品节点的最终表征:③时间间隔敏感的自注意力机制:步骤1:选取用户最近L次交互构成行为序列将用户表征向量注入到矩阵Ou中,得到个性化表征矩阵步骤2:假定当前时间戳是Ttu,访问物品的时间为则两者之间的时间间隔特征为:步骤3:将时间间隔特征注入到矩阵中得到时间间隔感知的表征矩阵步骤4:将转换为三个矩阵,即查询矩阵R、键矩阵K和值矩阵V:步骤5:将R,K,V输入到注意力操作中:步骤6:运用前向反馈层来探索不同因素之间的相互作用:F=FFN(S)=ReLU(SW′+b′)W″+b″步骤7:执行b次注意力层和前向反馈层:S(b)=SA(F(b-1)),F(b)=FFN(S(b))④模型预测:
步骤1:用户的短期兴趣表示为:步骤2:用户u在时刻t的表征为:步骤3:计算得出用户u在时刻t访问物品i的可能性:。
2.根据权利要求1所述的一种基于图耦合时间间隔网络的序列化推荐方法,其特征在于:步骤1:采用二元交叉熵损失函数来优化模型参数:步骤2:最小化二元交叉熵的负对数:。