1.一种基于三步交叉注意力的跨域商品推荐方法,其特征在于,包括步骤S1~步骤S4:步骤S1,获取用户在电影评分网站上的历史行为序列,将用户的历史行为序列和用户ID输入至潜在因子模型中分别获得用户的行为序列嵌入矩阵和整体嵌入向量,通过自注意力机制计算出权重矩阵,进而根据行为序列嵌入矩阵和权重矩阵得到用户在电影领域中的兴趣矩阵;
步骤S2,获取商品购物网站上的商品项ID,将商品项ID输入至潜在因子模型中获得商品项嵌入向量,构建三步项目级交叉注意力模块,将行为序列嵌入矩阵和商品项嵌入向量输入至三步项目级交叉注意力模块中,获得用户的关键行为嵌入矩阵;
步骤S3,基于兴趣矩阵、整体嵌入向量和关键行为嵌入矩阵获得多个兴趣级的偏好转移桥函数和一个整体的偏好转移桥函数,通过这些桥函数将兴趣矩阵和整体嵌入向量映射到商品领域的表示空间,得到映射后的兴趣矩阵和映射后的整体嵌入向量;
步骤S4,利用均值聚合的方式,对映射后的兴趣矩阵进行计算得到兴趣转移嵌入向量,利用加权聚合的方式,对兴趣转移嵌入向量和映射后的整体嵌入向量进行计算得到最终的用户转移嵌入,基于最终的用户转移嵌入计算用户对候选商品项的预测评分,根据预测评分对商品项进行排序,得到商品推荐列表;
步骤S2具体包括:
步骤S21,获取商品购物网站上的商品项ID,将商品项ID输入至潜在因子模型中获得商品项嵌入向量;
步骤S22,构建三步项目级交叉注意力模块,将行为序列嵌入矩阵和商品项嵌入向量输入至三步项目级交叉注意力模块,表达式为:;
;
;
;
;
;
;
其中,表示经过第一次交叉注意力操作后的历史行为嵌入,表示更新后的商品项嵌入,表示交叉注意力机制函数,是可学习的参数矩阵,表示实数集合;m代表计算交叉注意力分数时的次数,m=1,2,3;C和h分别代表嵌入的维度和注意力头的数量,表示查询向量,表示键向量,表示值向量,和是输入量,为用户的关键行为嵌入矩阵,,softmax为归一化指数函数,T表示转置。
2.根据权利要求1所述的基于三步交叉注意力的跨域商品推荐方法,其特征在于,步骤S1具体包括:步骤S11,获取用户在电影评分网站上的历史行为序列,将历史行为序列和用户ID输入至潜在因子模型中分别获得用户的行为序列嵌入矩阵和整体嵌入向量,,,其中,表示序列长度,d表示向量维度;
步骤S12,通过自注意力机制,计算出权重向量,,表达式如下:;
其中,tanh为双曲正切函数,和为可训练的参数矩阵,,,为注意力维度;
步骤S13,通过将权重向量与行为序列嵌入矩阵相乘,得到用户在电影领域中的兴趣向量表示,,表达式为:;
步骤S14,将扩展为一个大小为的矩阵,K表示兴趣的数量,随后,将注意力向量转变为注意力矩阵,,表达式如下:;
步骤S15,采用下式计算用户在电影领域中的兴趣矩阵,:。
3.根据权利要求2所述的基于三步交叉注意力的跨域商品推荐方法,其特征在于,步骤S3具体包括:步骤S31,计算用户的第n个兴趣向量与关键行为嵌入矩阵之间的相似度,以此来确定兴趣权重向量,,,表达式如下:;
步骤S32,计算用户的第n个可转移特征嵌入,,表达式为:;
步骤S33,将输入到共享元网络中来生成兴趣级的偏好转移桥函数的参数向量,,表达式为:;
其中,是共享元网络的参数;
然后将参数向量重塑为参数矩阵,;
步骤S34,利用兴趣级的偏好转移桥函数,得到商品领域中的兴趣转移嵌入,表达式如下:其中,表示用户在商品领域中,通过第n个兴趣级的偏好转移桥函数处理后的兴趣嵌入,,进而基于得到映射后的兴趣矩阵;
步骤S35,基于用户的整体嵌入和关键行为嵌入矩阵之间的相似度,确定整体权重向量,,表达式如下:;
步骤S36,计算用户的整体可转移特征嵌入,,表达式为:;
步骤S37,将输入到共享元网络中来生成整体的偏好转移桥函数的参数向量,表达式为:;
然后将参数向量重塑为参数矩阵;
步骤S38,利用整体的偏好转移桥函数,得到映射后的整体嵌入向量,,表达式如下:。
4.根据权利要求3所述的基于三步交叉注意力的跨域商品推荐方法,其特征在于,步骤S4具体包括:步骤S41,利用均值聚合的方式,对映射后的兴趣矩阵中的每一个向量进行计算得到兴趣转移嵌入向量,表达式如下:;
步骤S42,利用加权聚合的方式,对兴趣转移嵌入向量和映射后的整体嵌入向量进行计算得到最终的用户转移嵌入,表达式如下:;
其中,是最终的用户转移嵌入,,是平衡调节参数;
步骤S43,基于最终的用户转移嵌入计算用户对候选商品项的预测评分,表达式如下:;
其中,是用户对候选商品项的预测评分;
步骤S44,根据预测评分对商品项进行排序,得到商品推荐列表。
5.根据权利要求4所述的基于三步交叉注意力的跨域商品推荐方法,其特征在于,步骤S4中,基于最终的用户转移嵌入计算用户对候选商品项的预测评分过程中的损失函数L为:;
其中,min表示取最小值,为商品领域中重叠用户与商品项的交互集合,表示中的元素总数,是中的元素,是用户对候选商品项的真实评分。