[發明專利]基于時間信息和序列上下文的下一個游戲推薦方法在審

申請號：	201911387876.5	申請日：	2019-12-30
公開（公告）號：	CN111178509A	公開（公告）日：	2020-05-19
發明（設計）人：	王東京;徐登威;俞東進	申請（專利權）人：	杭州電子科技大學
主分類號：	G06N3/04	分類號：	G06N3/04;G06N3/08;G06F16/9535
代理公司：	浙江千克知識產權代理有限公司 33246	代理人：	周希良
地址：	310018 浙江省杭***	國省代碼：	浙江;33
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	基于時間信息序列上下文下一個游戲推薦方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明公開了一種基于時間信息和序列上下文的下一個游戲推薦方法。本發明在原始的LSTM單元的cell中添加間隔時間和持續時間的信息，使得同時結合間隔時間和持續時間信息，對cell中的信息進行過濾和控制，同時使用GloVe模型對序列上下文進行更加精確的建模。不同于傳統的方法，本發明利用間隔時間和持續時間信息更加合理的反映了序列的記憶特點：間隔時間過長的信息更應該被遺忘，持續時間很長的信息應該被記憶。

技術領域

本發明屬于推薦系統領域，涉及一種基于時間信息和序列上下文的下一個游戲推薦方法。

背景技術

在實際應用中，用戶總是在不同的時間進行一系列動作(聽一系列音樂或玩不同的游戲)。因此，下一個籃子推薦最近受到了很多關注，它可以根據從用戶的一系列動作中挖掘的模式來預測用戶的下一個項目/活動。一般來說，下一個籃子推薦有兩種方法：一種是協同過濾(CF)的方法，它捕獲用戶的一般興趣但不考慮用戶行為的順序；另一種方法將用戶的順序行為與序列建模技術相結合，例如馬爾可夫鏈(MC)。然而，這種類型的模型僅捕獲序列中的相鄰關系，并且不能很好地模擬復雜序列。另一種有效的序列建模方法——遞歸神經網絡(RNN)可以處理復雜的序列，并已廣泛應用于許多應用，如情感分析和機器翻譯。然而，傳統的RNN在復雜序列上不能很好地工作，并且在長序列訓練時會出現梯度消失的問題。幸運的是，長期短期記憶(LSTM)網絡作為RNN模型的改進，已經很好地解決了這個問題。具體而言，LSTM通過添加輸入門、輸出門和忘記門來捕獲數據的長期和短期記憶。與RNN相比，LSTM能夠捕獲復雜的關系并實現更好的性能。

然而，面對游戲領域產生的長序列多維度(比如間隔時間和持續時間)的數據，RNN和LSTM都不能在建模中有效結合長短期記憶和時間信息，這導致RNN和LSTM在面對長序列預測的問題時效果甚微。

發明內容

本發明針對現有技術的不足，提出了一種基于時間信息和序列上下文的下一個游戲推薦方法。該模型在序列的下一項推薦方面，綜合考慮的間隔時間，持續時間和序列上下文信息。同時，在效果提升的基礎上，進一步的使用耦合模型中的輸入門和忘記門來達到提升訓練效率的效果。

本發明方法的具體步驟是：

步驟(1)構建模型的輸入。

處理用戶序列數據，分別從用戶序列信息數據中抽取出用戶游戲文件，用戶間隔時間文件，用戶持續時間文件。

步驟(2)使用詞嵌入工具(本方法中使用GloVe)處理用戶游戲文件，生成游戲的低維稠密向量表示。

步驟(3)構建間隔時間門和持續時間門。

以下對上述公式中出現的符號進行解釋：

表示所有用戶的第k個游戲低維稠密向量構成的矩陣。

Δt_k：表示所有用戶的第k個游戲到第k+1個游戲之間的間隔時間構成的向量。

d_k：表示所有用戶的第k個游戲的持續時間構成的向量。