[發(fā)明專(zhuān)利]基于用戶(hù)重復(fù)行為模式挖掘的短序列推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011362298.2
• 申請(qǐng)日: 2020-11-27
• 公開(kāi)（公告）號(hào): CN112381615B
• 公開(kāi)（公告）日: 2022-09-02
• 發(fā)明（設(shè)計(jì)）人: 魏巍;王子揚(yáng);賁可榮;何智勇;馬良荔;彭付強(qiáng);黃園園
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華中科技大學(xué);中國(guó)人民解放軍海軍工程大學(xué)
• 主分類(lèi)號(hào): G06Q30/06
• 分類(lèi)號(hào): G06Q30/06;G06F16/9535
• 代理公司: 湖北武漢永嘉專(zhuān)利代理有限公司 42102
• 代理人: 李丹

本發(fā)明公開(kāi)了一種基于用戶(hù)重復(fù)行為模式挖掘的短序列推薦方法，包括以下步驟：1)對(duì)于給定的用戶(hù)行為序列S，進(jìn)行物品表示學(xué)習(xí)，獲得物品的特征表示；2)將用戶(hù)的行為序列轉(zhuǎn)換成重復(fù)行為模式序列，進(jìn)行重復(fù)行為的物品選擇概率預(yù)測(cè)：根據(jù)重復(fù)行為模式序列預(yù)測(cè)序列中每個(gè)物品在下一次被重新點(diǎn)擊的概率；3)進(jìn)行探索行為的物品選擇概率預(yù)測(cè)：預(yù)測(cè)沒(méi)有在用戶(hù)的行為序列中出現(xiàn)過(guò)的每個(gè)物品在下一次行為中被點(diǎn)擊的概率；4)計(jì)算用戶(hù)進(jìn)行重復(fù)行為和探索行為的概率分布；5)根據(jù)步驟2)至步驟4)的結(jié)果，獲得每個(gè)物品在下一次被點(diǎn)擊的概率。本發(fā)明通過(guò)對(duì)用戶(hù)的重復(fù)行為進(jìn)行建模，并捕捉序列中的長(zhǎng)距離依賴(lài)關(guān)系，可有效提高對(duì)用戶(hù)推薦物品的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)挖掘技術(shù)領(lǐng)域，尤其涉及一種基于用戶(hù)重復(fù)行為模式挖掘的短序列推薦方法。

背景技術(shù)

傳統(tǒng)的短序列推薦方法通?；谛蛄心Ｊ酵诰蚧蛞浑A馬爾科夫鏈，但前者通常只關(guān)注那些出現(xiàn)頻率高的物品，后者只建模短期的依賴(lài)關(guān)系而忽略長(zhǎng)期的依賴(lài)關(guān)系，難以獲取準(zhǔn)確的預(yù)測(cè)結(jié)果。隨著深度學(xué)習(xí)的進(jìn)步，許多基于深度神經(jīng)網(wǎng)絡(luò)的模型致力于增強(qiáng)短序列推薦任務(wù)的效果，其中大多數(shù)研究工作主要基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent NeuralNetwork)和自注意力機(jī)制(Self-Attention)構(gòu)建架構(gòu)，盡管這些模型在短序列推薦任務(wù)上展現(xiàn)出一定的提升，但循環(huán)神經(jīng)網(wǎng)絡(luò)難以關(guān)注上下文之間的依賴(lài)關(guān)系，自注意力機(jī)制忽略了對(duì)物品時(shí)間順序的建模，仍然具有明顯的缺點(diǎn)。此外當(dāng)前工作忽視了對(duì)用戶(hù)行為模式的挖掘，從而難以對(duì)用戶(hù)的重復(fù)行為進(jìn)行建模，因此具有很大的局限性。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題在于針對(duì)現(xiàn)有技術(shù)中的缺陷，提供一種基于用戶(hù)重復(fù)行為模式挖掘的短序列推薦方法。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：一種基于用戶(hù)重復(fù)行為模式挖掘的短序列推薦方法，包括以下步驟：

1)對(duì)于給定的用戶(hù)行為序列進(jìn)行物品表示學(xué)習(xí)，獲得物品的特征表示；序列中的每一項(xiàng)代表一個(gè)物品，按照用戶(hù)與物品交互行為的時(shí)間順序排列；為行為序列s中第i個(gè)交互的物品；

2)將用戶(hù)的行為序列轉(zhuǎn)換成重復(fù)行為模式序列，進(jìn)行重復(fù)行為的物品選擇概率預(yù)測(cè)：根據(jù)重復(fù)行為模式序列預(yù)測(cè)序列中每個(gè)物品在下一次被重新點(diǎn)擊的概率；

3)進(jìn)行探索行為的物品選擇概率預(yù)測(cè)：預(yù)測(cè)沒(méi)有在用戶(hù)的行為序列中出現(xiàn)過(guò)的每個(gè)物品在下一次行為中被點(diǎn)擊的概率；

4)計(jì)算用戶(hù)進(jìn)行重復(fù)行為和探索行為的概率分布；

5)根據(jù)步驟2)至步驟4)的結(jié)果，獲得每個(gè)物品在下一次被點(diǎn)擊的概率，依據(jù)概率進(jìn)行推薦；

P(v_i|S)＝P(r|S)P(v_i|r,S)+P(e|S)P(v_i|e,S)

其中，Pr(r|S)和Pr(e|S)分別代表用戶(hù)進(jìn)行重復(fù)行為的概率和用戶(hù)進(jìn)行探索行為的概率，Pr(v|r,S)和Pr(v|e,S)分別代表著在重復(fù)行為中推薦物品v的概率和在探索行為中推薦物品v的概率。

按上述方案，所述步驟1)中進(jìn)行物品表示學(xué)習(xí)，獲得物品的特征表示，具體如下：

1.1)使用嵌入層將每個(gè)物品v_i映射到一個(gè)低維隱空間中，物品向量h_i代表物品v_i對(duì)應(yīng)的d維向量；