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: 2024110415086
申请人: 浙江工业大学
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:

1.一种基于多粒度兴趣的多行为序列推荐方法,其特征在于:所述方法包括以下步骤:S1 收集预设数量用户的多行为历史交互数据,形成对应的历史物品交互序列;

S2 基于所述历史物品交互序列,创建物品和行为的初始嵌入向量,为物品表示向量和行为表示向量;

S3 基于所述历史物品交互序列的交互关系构建全连接图,计算相连交互的物品语义相似度和行为语义相似度的乘积,得到邻接矩阵;

S4 以图卷积神经网络对所述全连接图进行卷积处理,提取高阶多行为依赖表征;

S5 基于线性多头自注意力机制,提取所述多行为依赖表征中隐藏的用户全局行为表征,包括以下步骤:S5.1 将序列信息注入所述高阶多行为依赖表征中,得到更新的序列;

S5.2 将更新的序列输入改进的线性多头自注意力机制,所述改进的线性多头自注意力机制获取key矩阵和value矩阵的乘积并对query矩阵和key矩阵进行正则化操作;

S5.3 获得用户全局序列模式的表达;

S6 将所述多行为依赖表征的序列划分为若干子会话,基于多粒度多头自注意力机制提取所有的子会话中的多粒度用户兴趣表征,包括以下步骤:S6.1 将高阶多行为依赖表征划分为个会话,为超参数;

S6.2 对于每一个会话,基于Deep Set网络和置换不变性的思想生成个query矩阵,用于表示用户多粒度的兴趣;

S6.3 采用多头自注意力机制的步骤输出会话中每个历史交互在多粒度query矩阵中的表征,并加上该会话序列信息表征的平均值,得到该会话的多粒度兴趣表征;

S6.4 拼接所有会话的多粒度兴趣表征,得到时间粒度下的多粒度兴趣表征;

S7 将S5和S6得到的结果输入非线性激活层进行表征融合,得到历史物品交互序列的最终嵌入表征;

S8将S7表征融合后的任一位置对应的最终嵌入表征与候选物品嵌入向量的转置相乘,获取该位置用户对物品的预测打分值,按预测打分值由高至低选取对应的若干个物品进行推荐。

2.根据权利要求1所述的一种基于多粒度兴趣的多行为序列推荐方法,其特征在于:S1中,所述多行为历史交互数据包括用户ID、物品ID及用户和物品间的交互行为数据。

3.根据权利要求1所述的一种基于多粒度兴趣的多行为序列推荐方法,其特征在于:S2中,创建物品和行为的初始嵌入向量包括以下步骤:S2.1 获取所述历史物品交互序列,选择序列最大长度,使得所有序列的长度;

S2.2 基于可学习的物品嵌入矩阵和行为嵌入矩阵,将序列中涉及的物品和行为分别进行嵌入,得到物品表示向量和行为表示向量,其中,、分别为物品和行为类型的数量,为向量的维度,创建[pad]向量表示以填充空缺的交互表示;

S2.3 由物品序列和行为序列对应相加,得到历史物品交互序列。

4.根据权利要求1所述的一种基于多粒度兴趣的多行为序列推荐方法,其特征在于:S4中,将S3得到的全连接图的邻接矩阵和单位矩阵相加,得到添加自环的邻接矩阵,对分别进行行标准化和列标准化后,进行图卷积操作,获取高阶多行为依赖表征。

5.根据权利要求1所述的一种基于多粒度兴趣的多行为序列推荐方法,其特征在于:S7中,将S5得到的用户全局行为模式和S6得到的在不同时间粒度下的所有的子会话中的多粒度用户兴趣特征输入非线性激活模块进行特征融合,得到历史物品交互序列的最终嵌入表征。

6.根据权利要求1所述的一种基于多粒度兴趣的多行为序列推荐方法,其特征在于:S8中,以处于序列中位置的用户兴趣表达和所有候选物品嵌入向量转置的乘积作为每个物品在该位置的得分,并推荐得分最高的个物品。

7.一种权利要求1~6之一所述的基于多粒度兴趣的多行为序列推荐方法的应用,其特征在于:应用于用户推荐系统。