[发明专利]基于用户兴趣编辑的商品序列推荐方法及系统

说明书

本公开提供了一种基于用户兴趣编辑的商品序列推荐方法及系统，包括：获取与用户产生交互行为的商品历史序列；将所述商品历史序列输入预训练的序列预测模型，输出推荐的商品；其训练过程采用兴趣编辑策略，使所述序列预测模型学习不同商品历史序列之间的公有性和特有性，获得重新组合后的序列表示，利用重新组合的序列对所述序列预测模型进行训练。所述方案通过自监督技术解决了序列推荐中用户兴趣抽取和表示的问题，并基于兴趣编辑策略，迫使序列推荐模型能够分辨出用户在与推荐系统交互中的不同序列之间公有性和特有性，从而获取更加准确的用户兴趣，提高序列推荐的准确性。

技术领域

本公开属于商品序列推荐技术领域，尤其涉及一种基于用户兴趣编辑的商品序列推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

序列推荐是根据用户在某一时间段内的浏览或者购买记录来捕捉用户短期或者长期的兴趣爱好以此来对用户作出推荐的方法。序列推荐在推荐系统中占有非常重要的地位，它通过对用户的购买或浏览行为记录来建模，以此学习出用户的兴趣表示和变化，从而能够对用户的下一次点击进行预测和推荐。此外，利用这些技术的相关产品如今已被广泛应用至各个领域，比如淘宝会推荐符合用户兴趣的商品、网易云音乐会推荐符合用户心情的音乐、美团会推荐适合用户喜好的外卖和餐厅等，这极大的便利了人们的生活也促进了销售行业的收益。与此同时，随着大数据时代到来，用户数量以及用户记录激增，为了充分挖掘数据背后的关联，学术界和工业界对此广为关注。

发明人发现，在序列推荐中，已有的方法基于卷积神经网络(CNN)，循环神经网络(RNN)以及转换器(Transformer)等技术大多都假设用户的兴趣是集中且混合的，他们通常会认为在一个序列中会存在一个主要的用户兴趣，因此他们通常会用一个混合的向量来表示用户的整体兴趣并据此去做推荐，这并没有区分用户的不同兴趣并分别表示出来，导致推荐结果准确性不高且对于推荐的可解释性没有帮助。同时，已有方法通常依赖用户交互序列中的下一项点击记录来监督模型的学习过程，这些方法虽然对于用户兴趣的捕捉很有效，但是他们忽视了数据内在的其他关联。此前一些应用自监督技术的方法也只是简单在序列内部寻找表层的自监督信号，并没有扩展到序列之间来找寻更深层的关联关系。

发明内容

本公开为了解决上述问题，提供了一种基于用户兴趣编辑的商品序列推荐方法及系统，所述方案通过自监督技术解决了序列推荐中用户兴趣抽取和表示的问题，并基于兴趣编辑策略，迫使序列推荐模型能够分辨出用户在与推荐系统交互中的不同序列之间公有性和特有性，从而获取更加准确的用户兴趣，提高序列推荐的准确性。

根据本公开实施例的第一个方面，提供了一种基于用户兴趣编辑的商品序列推荐方法，包括：

获取与用户产生交互行为的商品历史序列；

将所述商品历史序列输入预训练的序列预测模型，输出推荐的商品；

其中，所述序列预测模型包括序列编码器、兴趣分辨器以及序列解码器，其训练过程采用兴趣编辑策略，使所述序列预测模型学习不同商品历史序列之间的公有性和特有性，获得重新组合后的序列表示，利用重新组合的序列对所述序列预测模型进行训练。

进一步的，所述兴趣编辑策略包括兴趣分离和兴趣交换两种操作，通过兴趣分辨器获得不同序列的多兴趣表示，然后通过兴趣分离操作迫使所述序列预测模型学习序列间的公有性和独特性，所述兴趣交换操作交换序列各自的公有性表示部分，对每一条序列生成重新组合之后的序列表示。

进一步的，在所述序列编码器中，对于每个商品序列均拼接若干特殊标记，其中，每个标记表示用户特殊的兴趣，并且通过所述序列编码器将标记后的商品序列编码成隐状态表示。

进一步的，在所述兴趣分辨器中，计算每一个特殊标记对于序列中的所有商品的注意力分布，同时，引入了兴趣覆盖机制，避免不同的特殊标记都关注相同的商品。