[發明專利]一種基于物品多方面特征和絕對時間關系的序列推薦方法

在審

• 申請號: 202310092526.6
• 申請日: 2023-02-07
• 公開（公告）號: CN116308544A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 張宜浩;陳睿禎;胡佳昊;張光建;朱俊霖;廖瑋雯
• 申請（專利權）人: 重慶理工大學
• 主分類號: G06Q30/0251
• 分類號: G06Q30/0251;G06Q30/0282;G06N20/00
• 代理公司: 重慶天成卓越專利代理事務所(普通合伙) 50240
• 代理人: 王宏松

本發明提出了一種基于物品多方面特征和絕對時間關系的序列推薦方法，包括：S1，獲取目標用戶的歷史交互序列，通過嵌入層將物品多方面特征嵌入用戶歷史交互序列中，建模用戶對于多個屬性的偏好，同時對輸入的歷史序列進行增強，得到嵌入物品多方面特征并增強后的輸入序列，同時通過絕對時間關系層得出各交互之間的絕對時間關系；S2，將絕對時間關系和交互序列輸入至基于絕對時間關系的多層自注意力網絡序列推薦模型進行推薦學習，獲得用戶多方面偏好表示；S3，利用該表示和物品組合嵌入對用戶給每個物品的得分進行預測。本發明方法不僅考慮了物品在序列中的的相對位置，而且還考慮了任意兩個物品之間的絕對時間關系，提高了模型預測的準確性。

技術領域

本發明涉及一種序列推薦方法，特別是涉及一種基于物品多方面特征和絕對時間關系的序列推薦方法。

背景技術

隨著互聯網上信息和人們接收信息的途徑增多，信息過載的問題也愈發嚴重。為了解決這個問題，許多平臺加入了個性化推薦系統(RS)，能夠將信息進行過濾和篩選。傳統的推薦算法將用戶的偏好視為靜態的，而用戶在不同的時間和地點感興趣的物品可能完全不同，意味著用戶偏好會隨著時間動態變化。因此，近幾年利用時間信息對用戶偏好進行動態建模的序列推薦(SRSs)系統飛速發展，將用戶的歷史行為與基于用戶最近行為的“上下文”概念相結合，預測出用戶下一個想要交互的物品。

為了對用戶交互的順序關系進行建模，最早的研究依賴于馬爾科夫鏈(MC)和因子分解機。隨著深度學習的飛速發展，各種基于深度學習的序列推薦方法將模型的性能大幅度優化，模型學習用戶偏好表示的能力也得到了較大的提升，因此，基于深度學習的序列推薦方法成為了目前序列推薦的主流方法。由于Transformer框架的提出，自注意力機制被廣泛應用在各種推薦模型中。此外，大量的研究表明，用戶交互數據規模較大，且長期和短期依賴的行為模式在用戶交互序列中共存。SASRec模型首次嘗試把自適應注意力機制(Self-Attention)模型應用于用戶行為序列模型研究中，它可以用于處理一些較長的數據，并且可以同時用于建模用戶行為的長短期依賴；AttRec通過限制用戶輸入的序列長度并使用自注意力機制針對特定用戶的短期偏好進行學習建模，同時通過度量學習來建模特定用戶的長期偏好；SSE-PT將用戶嵌入信息融入模型，其變體SSE-PT++利用動態序列處理長數據，且引用了隨即共享嵌入(SSE)的正則化方法改善過擬合的問題。

雖然這些方法取得了良好的性能，并證明了其在改進序列推薦模型方面的有效性，但仍存在幾個關鍵問題有待解決。在序列推薦模型中，通過序列關系進行建模，強調交互動作的順序性。然而，在現實生活中，部分用戶不會經常進行交互行為，或者還未來得及進行交互行為，導致可用的歷史數據較為稀疏；同時，針對不同的物品，用戶對其各方面的偏好是不同的。因此，忽略物品各方面的特征，僅依靠用戶歷史交互序列進行預測并不能準確地捕捉到用戶的動態興趣變化以及對物品某個特定方面的偏好。此外，為提高模型的準確率等性能指標，序列推薦系統利用相對位置關系來建立預測模型是一個常見的選擇。然而，現實生活中，即便兩個用戶短期內擁有著相同的用戶-物品交互序列，如果交互的時間間隔不同，那么對他們各自的推薦也應該不同，即時間間隔更近的物品對下一個物品的影響顯然會更大。因此，兩個用戶的交互物品即使具有相同的相對順序位置，在時間間隔不同的情況下也應該對下一個物品產生不同的影響。傳統的序列推薦系統認為這兩種情況是相同的，它們往往只會考慮每個交互在序列中的順序位置。

發明內容

本發明旨在至少解決現有技術中存在的技術問題，特別創新地提出了一種基于物品多方面特征和絕對時間關系的序列推薦方法。

為了實現本發明的上述目的，本發明提供了基于物品多方面特征和絕對時間關系的序列推薦方法，包括以下步驟：

S1，獲取目標用戶的歷史交互序列，所述歷史交互序列包括物品多方面特征和交互的時間戳，通過嵌入層將物品多方面特征嵌入用戶歷史交互序列中，建模用戶對于多個屬性的偏好，同時對輸入的歷史序列進行增強，得到嵌入物品多方面特征并增強后的輸入序列，同時通過絕對時間關系層得出各交互之間的絕對時間關系；