(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910830872.3(22)申请日 2019.09.04
(71)申请人 杭州电子科技大学
地址 310018 浙江省杭州市经济技术开发
区白杨街道2号大街(72)发明人 张新 王东京 俞东进 (74)专利代理机构 浙江千克知识产权代理有限
公司 33246
代理人 周希良(51)Int.Cl.
G06F 16/9535(2019.01)G06Q 10/04(2012.01)
(54)发明名称
基于多维霍克斯过程和注意力机制的下一个物品推荐方法(57)摘要 本发明公开了一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法，包括：S1基于多维霍克斯过程和注意力机制的物品关键特征向量和用户兴趣向量的获取；S2用户动态兴趣的预测与建模；S3序列感知的推荐。本发明利用多维霍克斯过程和注意力机制从用户物品交互序列中提取物品的特征向量和用户兴趣向量，再结合用户的交互序列记录预测用户的动态兴趣，最后在推荐的时候综合考虑用户的兴趣偏好和物品的关键特征向量，从而改进推荐效果，提升 推荐准确率。权利要求书2页 说明书5页 附图1页
CN 110688565 A 2020.01.14
C N 110688565
A
1.基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于包括如下步骤：
步骤(1).收集用户物品交互序列数据用户物品交互序列为
用户与物品的交互行为的有序集合其中用户集合和物
品集合分别为U和I；
步骤(2).根据用户u j的交互序列将用户u j、历史交
互行为{(i1,t1),(i2,t2),…,(i m-1,t m-1)}和目标物品i m的条件密度函数建模为：
其中：是用户u j对目标物品i m的一般兴趣，代表历史交互行为h影响用户u j对目标物品i m兴趣的程度，k(t-t h)用于表示时间衰减的指数核函数，f(x)＝log(1+exp(x))是softplus函数，用于保证的非负性；
步骤(3).给定所有用户的物品交互序列数据对数形式的目
标函数定义为：
其中：是给定用户u j在时间t之前的物品交互序列用户u j对物
品i感兴趣的概率；
步骤(4).对上述目标函数O进行最大化求解，以求得所有用户和物品的特征向量；
步骤(5).根据用户交互记录中物品的特征向量以及用户的兴趣向量，计算出用户对于数据库中每个物品的兴趣值；
步骤(6).根据用户的兴趣值对数据库中的所有物品从高到底排序，并提取兴趣值最高的若干个物品推荐给用户。
2.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(2)所述核函数k(t-t h)定义为：
k(t-t h)＝exp(-δu(t-t h))
其中：δu是与用户相关的参数，用来表示对于不同用户，历史行为h对目标物品i m的影响是不同的。
3.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(2)所述用户u j对目标物品i m的一般兴趣用余弦相似度函数定义为：
其中：是物品i m的特征向量表示，是用户u j的兴趣向量表示。
4.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(2)所述历史行为h影响用户u j对目标物品i m兴趣的程度定义为：
其中：是历史物品h的特征向量表示，是用户u j的兴趣向量表示，是用户和历史行为感知的注意力机制权重。
5.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，
其特征在于：步骤(3)所述是给定用户u j在时间t之前的物品交互序列用户u j对物品i感兴趣的概率定义为：
6.根据权利要求5所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：给定用户u j的历史交互记录，用户u j对物品i的兴趣定义为：
其中：f(x)＝log(1+exp(x))是softplus函数，用于保证概率值
的非负性，μi,u表示代表用户的长期兴趣，代表用户的短期兴趣。
7.根据权利要求1所述的基于多维霍克斯过程和注意力机制的下一个物品推荐方法，其特征在于：步骤(9)所述排序计算公式定义为：
其中：u表示目标用户；i∈I和i′∈I是数据库中的物品。
基于多维霍克斯过程和注意力机制的下一个物品推荐方法
技术领域
[0001]本发明属于数据挖掘及推荐技术领域，具体涉及一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法。
背景技术
[0002]推荐系统能够帮助用户从海量在线内容中到相关项目来降低搜索成本，而预测用户的行为是实现个性化推荐系统的核心之一。然而，传统方法通常遭遇诸如低精度和数据利用不充分之类的问题，尤其是无法满足用户的实时需求。下一个物品推荐算法通过结合传统推荐算法与用户的交互序列来预测用户的下一个行为，在一定程度上提高了推荐的准确率和用户的满意率。然而，现有方法无法充分利用用户物品的交互序列数据，难以针对序列所反映的用户的动态兴趣进行准确建模并结合用户的长期兴趣。因此，如何充分利用丰富的序列信息，从中准确提取物品的关键特征和用户的长期和短期动态兴趣并进行建模，是实现更好推荐的关键之一。
发明内容
[0003]针对现有技术所存在的上述技术问题，本发明提供了一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法，能够改善推荐的效果和性能。
[0004]一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法，包括如下步骤：
[0005](1)收集用户物品交互序列数据用户物品交互序列为
用户与物品的交互行为的有序集合其中用户集合和物品集合分别为U和I。
[0006](2)根据用户u j的交互序列将用户u j、历史交互行为{(i1,t1),(i2,t2),…,(i m-1,t m-1)}和目标物品i m的条件密度函数建模为：
[0007]
[0008]其中：是用户u j对目标物品i m的一般兴趣，代表历史行为h影响用户u j对目标物品i m兴趣的程度，k(t-t h)是用于表示时间衰减的指数核函数，f(x)＝log(1+exp(x))
是softplus函数，用于保证的非负性。
[0009]上述指数核函数k(t-t h)定义为：
[0010]k(t-t h)＝exp(-δu(t-t h))，
[0011]其中：δu是与用户相关的参数，用来表示对于不同用户，历史行为h对目标物品i m的影响是不同的。
[0012]上述用户u j对目标物品i m的一般兴趣用余弦相似度函数定义为：
[0013]
[0014]其中：是物品i m的特征向量表示，是用户u j的兴趣向量表示。
[0015]上述历史行为h影响用户u j对目标物品i m兴趣的程度定义为：
[0016]
[0017]其中：是历史物品h的特征向量表示，是用户u j的兴趣向量表示，是用户和历史行为感知的注意力机制权重，以soft-max函数形式定义为：
[0018]
[0019]其中：是物品集合I中的物品i的特征向量表示。
[0020](3)给定所有用户的物品交互序列数据对数形式的目标函数可以定义为：
[0021]
[0022]其中：是物品集合I中的物品i的特征向量表示，是给定用户u j在时间t之前的物品交互序列用户u j对物品i感兴趣的概率，定义为：
[0023]
[0024](4)对上述目标函数O进行最大化求解，以求得所有用户和物品的特征向量。[0025](5)根据用户交互记录中每个物品的特征向量以及用户的兴趣向量，计算出用户对于数据库中每个物品的兴趣值。给定用户u j的历史交互记录，用户u j对物品i的兴趣定义为：
[0026]
[0027]其中：f(x)＝l o g(1+e x p(x))是s o f t p l u s函数，用于保证概率值
的非负性，μi,u表示代表用户的长期兴趣，代表用户
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议