[发明专利]一种基于长短期兴趣的序列化推荐方法

说明书

本发明提供一种基于长短期兴趣的学历恶化推荐方法，通过处理数据集中的用户购买序列数据以及用户提问数据，据此得到用户与商品的序列化交互数据，提取用户对于商品的评论内容来表示商品的特征；接下来使用递归神经网络从用户的历史购买序列数据中学习用户稳定的长期偏好，同时使用提问数据来建模用户的即时兴趣；最后，对于稳定的长期偏好和动态的即时兴趣，本文使用注意力(Attention)机制来刻画不同用户对这两个特征的依赖程度；能够有效解决由于用户偏好演化而导致的推荐不准确的问题，同时可以有效表示不同用户对于长期偏好与即时兴趣不同的依赖程度。

技术领域

本发明涉及序列化推荐和基于深度学习的推荐系统领域，尤其涉 及基于长短期偏好的序列化商品推荐的方法。

背景技术

近推荐系统作为现代电子商务网站的重要组成部分，试图根据用 户的兴趣或偏好来推荐未来用户想要购买或交互的物品。随着电子商 务机制的发展，大量的用户交互(如浏览、点击、收集、购物车、购 买)被记录下来，其中隐藏着用户的消费模式。这些包含充分信息量 的日志为研究用户的偏好以及个性化推荐提供了数据基础。

现有的推荐系统对用户与物品之间交互的建模可以归纳为两种 主要的方式。第一种方法是基于矩阵分解的协同过滤(CF)来获得用户 偏好，这些工作侧重于从用户与物品的交互中挖掘其静态关联，这些 关联由传统的协同过滤模型表示。然而，这些工作仅仅从静态视图考 虑了用户-物品之间特定关系，忽略了序列化交互中隐含的用户偏好 的演化，没有考虑到用户偏好的演化对未来购买物品的影响。

第二种方法是基于序列模式来挖掘用户与物品之间的关系从而 进行个性化推荐。其中用户稳定的长期偏好是长期以来个人习惯导致 的偏好；短期偏好是用户近期购买的物品决定的偏好。这种类型的工 作包括：根据马尔科夫链模型建模用户与商品的交互序列；根据RNN 模型建模用户与商品的交互序列。

现有的序列模型虽然可以基于交互行为序列预测用户下一次购 买时可能购买的项目，但是存在以下两点不足：第一，这些方法侧重 于直接使用物品之间的序列性表示物品之间关系，但由于不同的用户 在购买相同的产品时关注不同的方面，导致直接使用物品之间的相似 性表示的物品向量无法直接代表用户的偏好，第二，现有的模型忽略 了用户的即时兴趣，不同于用户的短期偏好，即时兴趣是当用户想要 购买一个产品或一系列产品时，即时的、特定的需求。

发明内容

针对以上缺陷，本发明提供一种基于用户稳定的长期偏好以及动 态的即时兴趣进行聚合可以更好的进行个性化推荐的方法。本发明的 技术方案为：

一种基于长短期兴趣的序列化推荐方法，所述方法包括以下步 骤：

S1：获取数据，对数据进行预处理；

S2：对所有的评论文本、提问文本进行处理，对每个商品的相关 文本中选择得分最高的多个词作为提取特征，通过所有特征的集合来 对商品进行描述，构建商品的特征表示矩阵；

S3：构建用户购买序列的向量表示：根据商品的特征表示矩阵以 及用户的历史购买序列得到每个用户购买序列的向量表示；

S4：分别对用户的长期兴趣偏好和短期兴趣偏好进行表示；

S5：将用户的长期兴趣偏好和短期兴趣偏好通过Attention机制 获得用户聚合偏好；

S6：通过确定聚合偏好和目标物品之间的关系，获得用户提问之 后与物品交互的概率；

S7：使用交叉熵损失函数来学习模型的参数，得到提问时刻后每 个物品被购买的概率。

进一步的，一种基于长短期兴趣的序列化推荐方法，所述S1中 预处理包括：将每个用户的购买数据、评论数据以及提问数据按照时 间顺序排序、过滤总购买数低的用户。