[發(fā)明專利]一種基于深度交叉特征融合的推薦方法及裝置

有效

• 申請?zhí)枺?/td>: 202011416256.2
• 申請日: 2020-12-07
• 公開（公告）號: CN112541130B
• 公開（公告）日: 2021-10-29
• 發(fā)明（設(shè)計）人: 于瑞云;張碧耘;葉德志;汪志鴻
• 申請（專利權(quán)）人: 東北大學(xué)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q30/06;G06N3/04;G06N3/08
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 梁焱

本發(fā)明公開一種基于深度交叉特征融合的推薦方法及裝置，屬于推薦系統(tǒng)協(xié)同過濾領(lǐng)域。輸入初始數(shù)據(jù)后，對初始數(shù)據(jù)進行轉(zhuǎn)換、稠密化、擴展和拼接處理后得到用戶特征向量棧和項目特征向量棧；通過計算用戶特征向量棧中用戶的每個特征與項目特征向量棧中項目的每個特征之間的影響關(guān)系，將用戶特征與項目特征做細粒度的融合，得到最終的用戶嵌入向量和項目嵌入向量，再對這兩個向量做內(nèi)積，得到目標用戶對該項目產(chǎn)生交互的預(yù)測分數(shù)，根據(jù)預(yù)測分數(shù)值為目標用戶做出個性化推薦。通過將用戶特征與項目特征融合，深度挖掘用戶特征與項目特征之間的潛在關(guān)系，更加細粒度地考慮了用戶和項目之間雙向的影響關(guān)系，最終為目標用戶提供個性化推薦。

技術(shù)領(lǐng)域

本發(fā)明屬于推薦系統(tǒng)協(xié)同過濾領(lǐng)域，涉及一種基于深度交叉特征融合的推薦方法及裝置。

背景技術(shù)

近年來，推薦系統(tǒng)通過生成高質(zhì)量的個性推薦結(jié)果，已經(jīng)成為電子商務(wù)和社交媒體服務(wù)的核心組成部分，改善了用戶整體的使用體驗。目前，大多數(shù)電商平臺的推薦系統(tǒng)都是根據(jù)用戶的購買、瀏覽、加入購物車等用戶的歷史行為數(shù)據(jù)為目標用戶生成相應(yīng)的商品推薦。其中，一種經(jīng)典的推薦算法就是“協(xié)同過濾”。基于協(xié)同過濾的推薦主要是通過比較用戶之間的共同交互行為來定義相似性，然后根據(jù)相似性來為目標用戶生成個性化推薦。

但是，基于協(xié)同過濾的推薦方法存在著一定的缺陷。第一個缺陷就是冷啟動的問題，若目標用戶為新用戶，他的歷史交互數(shù)據(jù)是空的，那么傳統(tǒng)的基于協(xié)同過濾的推薦方法很難為該新用戶提供個性化服務(wù)。它的另一個缺陷就是在推薦過程中只利用了用戶和物品的交互行為信息進行推薦，它無法利用用戶特征、物品特征等多種不同的特征生成更全面的推薦結(jié)果。

發(fā)明內(nèi)容

本發(fā)明為了解決上述問題，提供了一種基于深度交叉特征融合的推薦方法及裝置，旨在一定程度上克服現(xiàn)有基于協(xié)同過濾推薦方法的不足，提升推薦質(zhì)量。

為解決上述技術(shù)問題，本發(fā)明的基于深度交叉特征融合的推薦方法，包括以下步驟：

步驟1：獲取初始數(shù)據(jù)；

所述初始數(shù)據(jù)，包括用戶信息集合、項目信息集合以及用戶和項目的交互矩陣；

步驟2：使用one-hot編碼將用戶信息集合中所有用戶的ID和項目信息集合中所有項目的ID均轉(zhuǎn)換為one-hot向量；

步驟3：將所有one-hot向量轉(zhuǎn)換成嵌入向量，得到用戶的初始嵌入向量和項目的初始嵌入向量；

步驟4：擴展用戶特征向量和項目特征向量，將用戶的初始嵌入向量輸入到m個MLP中得到用戶的m個特征向量，以及將項目的初始嵌入向量輸入到m個MLP中得到項目的m個特征向量；

步驟5：對用戶的m個特征向量做拼接操作得到用戶特征向量棧，以及對項目的m個特征向量做拼接操作得到項目特征向量棧；

步驟6：通過計算用戶特征向量棧的每個用戶特征向量與項目特征向量棧中的每個項目特征向量之間的影響關(guān)系，將用戶特征向量與項目特征向量做細粒度的融合，得到最終的用戶嵌入向量和項目嵌入向量；

步驟7：將用戶的最終嵌入向量和項目的最終嵌入向量做內(nèi)積，得到目標用戶可能對項目產(chǎn)生交互的預(yù)測分數(shù)；

步驟8：根據(jù)最終得到的目標用戶可能對項目產(chǎn)生交互的預(yù)測分數(shù)值，為目標用戶進行推薦。

進一步地，根據(jù)前述的基于深度交叉特征融合的推薦方法，在所述步驟3中，使用Embedding嵌入操作將所有one-hot向量轉(zhuǎn)換成嵌入向量，得到用戶的初始嵌入向量和項目的初始嵌入向量，公式如下：

e_u＝P^Tv_u (1)

e_i＝Q^Tv_i (2)