[发明专利]基于注意力机制和卷积神经网络的用户行为序列推荐方法

权利要求书

1.基于注意力机制和卷积神经网络的用户行为序列推荐方法，其特征在于，包括以下步骤：采集用户过往的行为数据作为长期偏好交互序列数据；

利用注意力机制算法计算所述长期偏好交互序列数据中各行为数据的权重，并根据所述权重计算出用户的长期偏好；

选取一段时间内的行为数据作为短期偏好交互序列数据；

根据所述短期偏好交互序列数据，利用卷积神经网络算法计算出用户的短期偏好；

将用户的长期偏好与短期偏好进行拼接，以产生用户行为序列推荐。

2.如权利要求1所述的基于注意力机制和卷积神经网络的用户行为序列推荐方法，其特征在于，所述过往的行为数据为用户在一定平台上的所有过往行为数据，或者为自当前日期起向从前计算一定时间的过往行为数据。

3.如权利要求1所述的基于注意力机制和卷积神经网络的用户行为序列推荐方法，其特征在于，所述选取一段时间内的行为数据为选取自当前日期起向从前计算一定时间的过往行为数据。

4.如权利要求1所述的基于注意力机制和卷积神经网络的用户行为序列推荐方法，其特征在于，所述利用卷积神经网络算法计算出用户的短期偏好的方法包括以下步骤：

利用水平卷积操作处理短期偏好交互序列数据，得到向量o；

利用垂直卷积操作处理短期偏好交互序列数据，得到向量

连接向量o和向量以此计算出用户的短期偏好。

5.如权利要求1所述的基于注意力机制和卷积神经网络的用户行为序列推荐方法，其特征在于，所述拼接输入到一个全连接网络中，以产生用户行为序列推荐。

6.如权利要求1所述的基于注意力机制和卷积神经网络的用户行为序列推荐方法，其特征在于，所述利用注意力机制算法计算所述长期偏好交互序列数据中各行为数据的权重包括以下步骤：

计算所述长期偏好交互序列数据中各行为数据的权重α_j，包括：

首先计算出隐藏表示h_j

其中，是线性整流函数(RELU)的激活函数，W₁和b₁为经验参数，v_j标示长期偏好交互序列数据中代表第j个项目的向量；

然后根据隐藏表示h_j计算出权重α_j

其中，u为代表当前待计算用户的向量，u^T表示该向量的转置，L^u代表该用户的长期偏好交互序列数据。

7.如权利要求6所述的基于注意力机制和卷积神经网络的用户行为序列推荐方法，

其特征在于，所述根据所述权重计算出用户的长期偏好包括以下步骤：

将考虑了权重的项目嵌入长期偏好交互序列数据的总和表征用户的长期偏好u^long：