1.基于概率逻辑推理的物品序列推荐方法,其特征在于:包括,获取用户在电子商务平台中的历史行为记录,结合逻辑推理构成概率逻辑序列推荐框架SR‑PLR;
利用概率逻辑嵌入方法在逻辑空间中表示用户及对应的历史行为;
使用概率逻辑嵌入和概率逻辑算子对用户在电子商务平台上的交互历史物品进行逻辑表示,并使用逻辑推理进行推荐预测;
利用经典序列推荐模型学习用户跨物品偏好的兴趣模式,使用概率逻辑序列推荐框架SR‑PLR获得最终预测结果,从而实现对用户的物品推荐。
2.如权利要求1所述的基于概率逻辑推理的物品序列推荐方法,其特征在于:所述概率逻辑序列推荐框架SR‑PLR包括,历史行为的特征表示学习和概率逻辑推理;
所述特征表示学习包括,利用传统的深度神经网络作为特征编码器来提取用户行为序列的特征表示;
所述概率逻辑推理包括,使用概率逻辑嵌入方法对用户行为记录进行表示,利用概率逻辑算子对电子商务平台记录中用户喜欢的物品及用户不喜欢的物品进行逻辑推理。
3.如权利要求2所述的基于概率逻辑推理的物品序列推荐方法,其特征在于:所述概率逻辑嵌入方法包括,将用户可能交互的所有物品ID嵌入到相同的潜在空间并生成ID物品嵌入矩阵 ,其中 是嵌入维度,给定用户 的历史交互行为序列 ,的嵌入被初始化为 且 , 其中 表示物品在序列中位置 的嵌入, 和 为用户和物品集合,给定 的历史行为 ,序列推荐的目标是根据历史行为预测与 交互的下一个物品;
所述特征编码器包括,
;
得到输出表示,
;
其中, 是学得的用户 行为序列的特征表示, 为给定历史行为的序列ID嵌入表示,为用于学习序列行为模式的深度神经网络模型, 代表d维实数,R代表实数域。
4.如权利要求3所述的基于概率逻辑推理的物品序列推荐方法,其特征在于:所述概率逻辑嵌入方法包括,利用物品逻辑转移矩阵将历史行为序列的ID嵌入映射到逻辑空间中,并使用多个独立的Beta分布来表示用户在电子商务平台上的历史行为,对用户动态偏好进行建模的同时,进行逻辑推理;
所述Beta分布是指定义在[0, 1]上的连续概率分布,其概率密度函数为, ;
其中, , 为形状参数,为连续随机变量, 是贝塔函数;
所述物品逻辑转移矩阵,是指两个表示为 和 的参数矩阵,负责将物品的ID嵌入矩阵 转移到由参数矩阵 和 表示的逻辑空间, ;
其中, 为形状参数 的物品逻辑转移矩阵, 为形状参数 的物品逻辑转移矩阵;
用户交互的物品 的逻辑空间中的Beta分布表示为, ;
交互物品由分布而不是单个值来表征,以捕获用户偏好的不确定性,物品概率分布表示为,。
5.如权利要求4所述的基于概率逻辑推理的物品序列推荐方法,其特征在于:所述概率逻辑算子包括:概率非算子 对用户不喜欢的物品进行逻辑推理,概率与算子 对历史行为进行逻辑推理;
所述概率非算子对用户不喜欢的物品进行逻辑推理,包括定义 为物品 的倒数, ;
其中, 表示为用户可能不喜欢的物品 的分布表示;
所述概率与算子对历史行为进行逻辑推理, ;
其中, 表示为给定用户的序列行为数据, 表示行为数据对应的概率逻辑嵌入,m表示用户交互序列的长度;
用户行为序列 用概率与算子计算为, ;
的分布表示为,
;
其中, 及 分别是元素和运算及元素积运算, 是权重向量, 的第 个维度满足 ,用户行为序列的概率分布 由用户在电子商务平台的行为序列的概率逻辑分布加权乘积得到, ;
其中, 是元素乘积, 表示为 的概率分布。
6.如权利要求5所述的基于概率逻辑推理的物品序列推荐方法,其特征在于:所述与算子包括,采用注意力机制学习训练过程中不同历史行为的重要性;
其中, 表示串联操作,MLP是将 和 作为输入的多层感知机,负责将2d维向量转化为d维向量。
7.如权利要求6所述的基于概率逻辑推理的物品序列推荐方法,其特征在于:所述使用逻辑推理进行推荐预测包括,给定用户历史记录 和用户未交互的物品 ,表示为 用于 计算推荐物品的分布表示 ,对于和采样的不喜欢物品 ,使用逻辑推理式表示用户的历史行为序列,
;
其中, 是Beta嵌入用表示用户偏好,若用 表示预测的物品分布,通过度量 与预测物品分布 的KL散度距离,得到逻辑网络的推荐预测结果, ;
其中, 代表用户行为概率分布的向量表示, 表示 的第 维,代表分布 , 的KL距离;
利用成对损失函数优化网络的参数, ;
其中, 代表 的嵌入表示, 是 函数, 为逻辑损失函数。
8.如权利要求7所述的基于概率逻辑推理的物品序列推荐方法,其特征在于:所述最终预测包括,当对分布 直接采样获得用户行为的逻辑表示时,由于采样操作是不可微的,使采样操作很难端对端地进行训练,选择使用用户行为分布 的均值来表示序列, ;
其中, 为逻辑表示, 为分布 的形状参数;
对应的预测矩阵 通过以下方式得到, ;
其中,E为所有物品的逻辑表示矩阵, 为特征表示, 为所有物品的ID嵌入矩阵;
通过交叉熵损失来近似真实值 ,
;
其中, 为物品个数, 为第 个物品的真实值, 为对第 个物品的预测值, 为预测损失函数;
最终的损失函数表示为,
;
其中,是一个超参数。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。