[发明专利]一种提升推荐模型时序数据挖掘能力的循环神经网络方法

权利要求书

1.一种提升推荐模型时序数据挖掘能力的循环神经网络方法，其特征在于，包括以下步骤：

步骤1，选择一种神经网络，对该神经网络进行基于时间门的网络改造，得到一个新的模型；

步骤2，根据用户时序数据发生的时间，创建有时间间隔属性的时序数据，将得到的数据输入模型中；

步骤3，计算模型的输出，得到模型在序列每一项上的预测值；

步骤4，根据步骤3得到的预测值和序列每一项的真实值计算模型的损失值，若损失值低于预设值并趋于平稳则执行步骤6，否则执行步骤5；

步骤5，根据损失值计算各个参数的梯度，并对模型参数进行更新，返回执行步骤3；

步骤6，根据当前的模型预测用户的兴趣。

2.根据权利要求1所述的提升推荐模型时序数据挖掘能力的循环神经网络方法，其特征在于，步骤1中，所述的神经网络是LSTM模型。

3.根据权利要求1所述的提升推荐模型时序数据挖掘能力的循环神经网络方法，其特征在于，步骤1中，所述的时间门的运算公式为：

T_m＝σ_t(σ_△t(△t_mW_tt)+x_mW_xt+b_t)

其中，Δt_m指用户浏览第m个商品与第m-1个商品之间的时间间隔，σ_Δt与σ_t表示两个不同的激活函数，x_m代表用户当前浏览的商品，W_xt，W_tt与b_t则表示时间门需要学习的三个参数，T_m作为该结构的输出表示对时间信息的信息提取。

4.根据权利要求1所述的提升推荐模型时序数据挖掘能力的循环神经网络方法，其特征在于，步骤1中，所述的基于时间门的网络改造方式为：

使用一个时间门结构，其输出结构的公式如下：

c_m＝f_m⊙c_m-1

+i_m⊙T_m⊙σ_c(x_mW_xc+h_m-1W_hc+b_c)，

o_m＝σ_o(x_mW_xo

+△t_mW_to+h_m-1W_ho+w_co⊙c_m+b_o)

其中，c_m-1与c_m分别表示前一时刻和当前时刻神经网络的记忆单元，⊙表示元素项对应乘法，f_m和i_m则代表遗忘门和输入门，T_m表示时间门，控制用户的兴趣随时间的变化，σ_c与σ_o分别代表记忆单元和输出单元的激活函数，x_m表示当前用户的输入，W_*和b_*则表示两式中各自需要学习的参数，该结构输出o_m作为用户对商品兴趣的衡量分数。