[发明专利]基于交互序列数据挖掘深度用户相似性的推荐方法

权利要求书

1.一种基于交互序列数据挖掘深度用户相似性的推荐方法，其特征在于，包括：

对用户与物品交互的原始记录数据进行预处理，以获得用户与物品的交互序列数据，包括：将每个用户与物品交互的原始记录数据转换成n-gram，根据n-gram挖掘用户的相似性；对每个用户，将原始记录数据根据时间戳进行排序形成一序列，对所述序列进行修正，并去除修正后序列的时间戳，以获得用户与物品的交互序列数据；

根据所述交互序列数据生成用户-物品交互矩阵和用户-gram矩阵；

根据所述用户-物品交互矩阵和所述用户-gram矩阵构建推荐模型，并训练所述推荐模型，包括：根据所述用户-物品交互矩阵构建用户对物品偏好预测模型；根据所述用户-gram矩阵构建用户对n-gram偏好预测模型；将用户、物品和n-gram的ID的高维one-hot稀疏向量转化成低维向量；利用矩阵分解模型预测用户对物品的偏好和用户对n-gram的偏好，分别采用如下公式表示：

其中，u、i和j分别表示用户、物品和n-gram；p_u表示用户u的低维向量，q_i表示物品i的低维向量，o_j表示n-gramj的低维向量；利用神经网络模型预测用户对物品的偏好和用户对n-gram的偏好；使用逻辑回归模型整合利用矩阵分解模型预测的结果和利用神经网络模型预测的结果，以构建推荐模型；

基于经过训练的推荐模型，计算出每个用户对所有物品的偏好，并根据偏好值由高到低对所有物品进行排序；

去除用户已交互过的物品，将剩余物品中预定个偏好值最高的物品作为个性化推荐的结果推荐给对应用户。

2.如权利要求1所述的基于交互序列数据挖掘深度用户相似性的推荐方法，其特征在于，所述对所述序列进行修正过程如下：

检查相邻两个交互记录的时间间隔，如果时间间隔大于预定阈值，则所述序列需要在这两个记录之间切分成两个子序列。

3.如权利要求1所述的基于交互序列数据挖掘深度用户相似性的推荐方法，其特征在于，所述用户-物品交互矩阵中元素的取值基于如下公式确定：

其中，r_ui表示用户-物品交互矩阵中的元素；u和i分别表示用户和物品；当r_ui取值为1时，表明用户u喜欢物品i；当r_ui取值为0时，表明用户u不喜欢物品i或者用户u还未发现物品i。

4.如权利要求3所述的基于交互序列数据挖掘深度用户相似性的推荐方法，其特征在于，所述将用户、物品和n-gram的ID的高维one-hot稀疏向量转化成低维向量，分别采用如下公式表示：

其中，P、Q和O分别表示用户、物品和n-gram的向量表达矩阵；p_u表示用户u的低维向量，q_i表示物品i的低维向量，o_j表示n-gramj的低维向量；和分别表示用户u、物品i和n-gramj的one-hot向量表达。

5.如权利要求4所述的基于交互序列数据挖掘深度用户相似性的推荐方法，其特征在于，利用神经网络模型预测用户对物品的偏好采用如下公式表示：

其中，h是权重矩阵；σ是sigmoid函数；z_L表示第L层隐藏层的输出；φ_L(·)表示第L层隐藏层的神经网络函数；W_L和b_L分别表示神经网络的第L层隐藏层的权重和偏置参数；a_L是第L层隐藏层的激活函数；

利用神经网络模型预测用户对n-gram的偏好采用如下公式表示：

其中，h是权重矩阵；σ是sigmoid函数；z_L表示第L层隐藏层的输出；φ_L(·)表示第L层隐藏层的神经网络函数；W_L和b_L分别表示神经网络的第L层隐藏层的权重和偏置参数；a_L是第L层隐藏层的激活函数。