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: 2024111458657
申请人: 湖南大学
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.基于局部兴趣建模缓解兴趣突变的推荐方法,其特征在于,包括以下步骤:S1、多尺度局部兴趣建模;

其中,多尺度局部兴趣建模包括交互子序列分割、子序列内和子序列间的演化建模以及多尺度局部兴趣生成三个步骤;

S2、自适应校准;

其中,自适应校准包括理想兴趣生成和自适应的兴趣突变校准两个步骤;

S3、候选物品推荐;

其中,为了预测用户与目标物品的交互概率,采用Multi-Layer Perceptron,MLP结构,计算用户在时与目标物品之间的交互概率,如公式14:,

其中,表示softplus函数,

步骤S1中多尺度局部兴趣生成时,定义一组分割步长,如公式5:对于分割步长,采用常用的指数策略,将其设置为;

对于中的每个步长,生成相应的局部兴趣表示,如公式6:式中,表示第层的兴趣局部性建模,其中分割步长为;

最后,将不同层次的兴趣组合起来,得到最终的兴趣表示,如公式7:,

步骤S2中自适应的兴趣突变校准时,首先,获得用户的兴趣表示,然后使用理想兴趣信号进行校准,采用注意力机制来自适应地融合短期兴趣和长期兴趣这两部分,如公式11:,

式中,是一个权重,用于控制长期兴趣和局部兴趣的融合,表示最后一次交互和测试样本之间的时间间隔,表示长期兴趣,它是历史交互物品的加权和;

最后,将对比学习得到的理想兴趣表示与整体兴趣结合起来,用于校准兴趣突变,由于不同用户和不同子序列的突变程度可能不同,采用基于注意力的自适应融合方法来确定调整的强度,引入一个参数作为兴趣突变的校准强度,该参数通过综合考虑整体兴趣、理想兴趣信号和时间间隔来确定,具体计算如公式12:式中,和分别表示逐元素相乘和逐元素相加,然后,最终校准的兴趣表示计算如公式13所示,采用基于注意力的自适应融合对用户兴趣进行突变校准,公式13:。

2.根据权利要求1所述的基于局部兴趣建模缓解兴趣突变的推荐方法,其特征在于:步骤S1中交互子序列分割时,首先对原始用户交互序列进行硬分割,并引入一个超参数作为分割的大小,以在多个尺度上生成局部序列,原始序列在末尾填充了个零,如公式1:然后,序列被分割成多个局部子序列,其中,是通过分割得到的局部子序列的数量。

3.根据权利要求1所述的基于局部兴趣建模缓解兴趣突变的推荐方法,其特征在于:步骤S1中子序列内的兴趣演化建模如公式2:式中,  ,而对应于第个子序列中每个位置的局部兴趣表示,表示子序列内的演化,可以使用常见的结构如RNN和GRU来获得,本次使用Yuet al.提出的Time4LSTM。

4.根据权利要求3所述的基于局部兴趣建模缓解兴趣突变的推荐方法,其特征在于:步骤S1中对于子序列间的演化,设计一个演化RNN用于子序列间的建模,以捕捉局部兴趣上下文的变化,对交互模式的动态演化进行建模,将第个子序列中第个位置的局部表示定义为,其中以及,得到子序列间的表示,如公式3:式中,代表通过使用公式2从每个子序列片段中选择第个位置得到的局部表示,然后利用Time4LSTM来建模子序列间兴趣的演化,表示为;

最后,合并子序列内和子序列间的兴趣表示,得到最终的局部兴趣表示,如公式4:式中,是层归一化操作。

5.根据权利要求1所述的基于局部兴趣建模缓解兴趣突变的推荐方法,其特征在于:步骤S2中理想兴趣生成时,首先,使用查找嵌入表生成物品的理想兴趣表示,如公式8:分别为正样本和负样本生成理想的兴趣表示,并使用一个序列编码器学习整体的兴趣表示,如公式9:式中,表示一个兴趣学习函数,它对用户的历史行为序列进行编码,以获得整体的兴趣表示,随后,为了优化物品的理想兴趣表示的参数,将兴趣表示与一个正样本和四个负样本进行对比学习,采用BPR损失函数来优化模型,将视为锚点,最小化它与正样本表示之间的距离,同时最大化与负样本表示之间的距离,损失函数的计算如公式10:式中,表示向量的内积。

6.根据权利要求1所述的基于局部兴趣建模缓解兴趣突变的推荐方法,其特征在于,步骤S3中采用负对数似然损失函数来优化该序列推荐任务,公式15为:。