1.一种考虑用户长短期兴趣的群组序列推荐方法,其特征在于,包括以下步骤:步骤1:使用Embedding编码对群组内用户ID的初始嵌入进行表示,群组内的用户向量表示为,将组内用户向量进行拼接和降维,得到群组的初始嵌入表示;
步骤2:整合群组内用户的交互序列,构建群组序列项目图,基于群组序列项目图中项目与项目之间的连接关系,建立序列项目图的邻接矩阵,对添加单位矩阵并进行归一化后,通过图卷积网络对群组初始嵌入表示进行线性变换,从而得到群组整体偏好;
步骤3:利用注意力机制分别从用户总体评分序列与多属性评分序列中学习组内用户的长期偏好特征,并通过聚合得到群组在总体评分序列上的长期偏好及其在多属性评分序列上的长期偏好;同时,利用注意力机制获取用户权重,更全面地建模决策过程,得到群组在总体评分序列上的短期偏好及其在多属性评分序列上的短期偏好;
步骤4:将群组初始嵌入表示、群组整体偏好、群组总体评分序列长期偏好、群组多属性评分序列长期偏好、群组总体评分序列短期偏好和群组多属性评分序列短期偏好进行加权加和,得到群组综合偏好,通过对群组综合偏好与候选项目进行内积运算,获得群组对候选项目的预测评分;
步骤5:通过最大化组内用户总体评分长短期偏好和多属性评分长短期偏好的一致性建立对比学习,进而利用由推荐损失函数和对比损失函数混合得到的总损失函数对方法进行优化,系统根据待推荐群组的综合嵌入表示,为其生成相应的项目推荐列表。
2.根据权利要求1所述的一种考虑用户长短期兴趣的群组序列推荐方法,其特征在于,所述步骤2的实现方法如下:所述群组整体偏好的学习过程通过整合群组内用户的交互序列,构建群组序列项目图,进而基于群组序列项目图中项目与项目之间的连接关系,建立序列项目图的邻接矩阵(),具体计算公式如下:,
为了深入挖掘节点本身特性,学习到更加准确的节点特征,对添加单位矩阵并进行归一化处理,具体计算公式如下:,
其中,为归一化后的序列项目图邻接矩阵,为对角矩阵,为单位矩阵;
进而,通过图卷积网络对群组初始嵌入表示进行线性变换,得到群组整体偏好,计算公式如下:,
其中,为第t-1层的群组整体偏好,为群组的初始嵌入表示,为第t层的可训练参数矩阵。
3.根据权利要求1所述的一种考虑用户长短期兴趣的群组序列推荐方法,其特征在于,所述步骤3的实现方法如下:将用户一个月内的交互记录作为用户短期序列,用户一年内的交互记录作为长期序列进行分析;
为了学习群组的长期偏好,在深入挖掘用户总体评分序列与多属性评分序列的基础上,利用注意力机制学习并聚合组内用户的长期偏好特征,得到群组在总体评分序列上的长期偏好和多属性评分序列上的长期偏好;
群组在总体评分序列上的长期偏好的计算公式如下:,
,
,
,
其中,表示用户在总体评分上的长期序列信息,表示用户在总体评分上的Query矩阵,表示用户在总体评分上的Key矩阵,表示用户在总体评分上的Value矩阵,表示可学习的变换矩阵;
群组在多属性评分序列上的长期偏好的计算公式如下:,
,
,
其中,表示用户在属性上的长期序列信息,表示用户在属性上的权重,表示群组在属性上的长期偏好,表示群组长期偏好影响权重矩阵,表示群组长期偏好偏置向量;
对组内用户的近期交互序列进行深入分析,可有效捕捉群组当前的需求,确保推荐项目与群组当前的兴趣相吻合;
综合使用用户总体评分序列与多属性评分序列来学习组内用户的短期偏好,并通过注意力机制获取用户权重,从而全面地建模决策过程,得到群组在总体评分序列上的短期偏好及其在多属性评分序列上的短期偏好;
群组在总体评分序列上的短期偏好的计算公式如下:,
,
,
,
其中,表示用户在总体评分上的短期序列信息,表示用户在总体评分上的Query矩阵,表示用户在总体评分上的Key矩阵,表示用户在总体评分上的Value矩阵,表示可学习的变换矩阵;
群组在多属性评分序列上的短期偏好的计算公式如下:,
,
,
其中,表示用户在属性上的短期序列信息,表示用户在属性上的权重,表示群组在属性上的短期偏好,表示群组短期偏好影响矩阵,表示群组短期偏好偏置向量。
4.根据权利要求1所述的一种考虑用户长短期兴趣的群组序列推荐方法,其特征在于,所述步骤4中预测评分生成的实现方法如下:将群组初始嵌入表示、群组整体偏好、群组总体评分序列长期偏好、群组多属性评分序列长期偏好、群组总体评分序列短期偏好和群组多属性评分序列短期偏好加权加和,得到群组综合偏好,具体计算公式如下:,
将群组综合偏好与候选项目进行内积运算,获得群组对候选项目的预测评分,具体计算公式如下:。
5.根据权利要求1所述的一种考虑用户长短期兴趣的群组序列推荐方法,其特征在于,所述步骤5中具体优化方法如下:在得到预测评分后,利用总损失函数对方法进行优化;
所述总损失函数由两部分组成:推荐损失函数和对比学习损失函数;
所述推荐损失函数的计算公式如下:
,
其中,表示群组中候选项目数量,表示训练集中群组对项目的实际评分,表示对的预测评分;
在推荐损失函数中使用组内用户对项目的平均评分来表示群组对项目的实际评分;
为了获得高质量的群组嵌入表示,采用最大化组内用户总体评分长短期偏好和多属性评分长短期偏好的一致性建立对比学习,相似度越高,推荐效果越好;
所述对比学习损失函数的计算公式如下:
,
,
,
其中,为余弦相似度函数,为群组总体评分序列长期偏好与多属性评分序列长期偏好的相似性,为群组总体评分序列短期偏好与多属性评分序列短期偏好的相似性,为系数;
通过最小化总损失函数来优化方法:
,
其中,为系数,为学习参数集𝛩的正则化权值。