[发明专利]基于特征重要性和双线性特征交互的移动应用推荐方法

说明书

本发明公开了基于特征重要性和双线性特征交互的移动应用推荐方法，嵌入层是将稀疏表示后的原始输入特征嵌入到稠密的向量中。SENET层将嵌入层转化为类SENENT的嵌入特征，以此来提升特征的可分辨性。接下来双线性交互层分别对原始嵌入与类SENENE嵌入进行二阶特征交互建模。随后，连接层将双线性交互层的输出连接整合在一起。最后，将交叉组合后的特征灌入到神经网络中，并在预测层输出预测得分。本发明属于移动应用技术领域，具体是指基于特征重要性和双线性特征交互的移动应用推荐方法。

技术领域

本发明属于移动应用技术领域，具体是指基于特征重要性和双线性特征交互的移动应用推荐方法。

背景技术

随着移动应用在各大移动应用商店的迅速发展，用户如何选择自己想要的移动应用成为一个挑战。因此，有必要提供一种高质量的移动应用推荐机制来满足用户的期望。虽然现有的方法在移动应用推荐方面取得了显著的效果，但推荐的准确率还可以进一步提高。更确切地说，它们主要关注如何更好地在移动应用程序的功能之间进行交互，而忽略了这些功能本身的重要性或权重。

发明内容

为了解决上述难题，本发明基于压缩激励网络机制和双线性函数，结合内积和Hadamard积，提供了基于特征重要性和双线性特征交互的移动应用推荐方法。

本发明采取的技术方案如下：基于特征重要性和双线性特征交互的移动应用推荐方法，包括如下步骤：

1)嵌入层：稀疏输入层对原始输入特征采用稀疏表示，嵌入层能够将稀疏特征嵌入到低维、连续的实值向量中，通过线性变换将稀疏矩阵变成密集矩阵进行矩阵的稠密化、提取矩阵的隐含特征，同时提升模型的泛化能力；嵌入层的输出表示如下：

E＝[e₁，e₂，...，e_i，...，e_f] (1)

其中f代表域的数量，e_i∈R^k则表示第i个域的表征，向量的大小为k；

2)SENET层：不同的特征对目标任务应有不同的重要性，对于特定的CTR预测任务，通过SENET机制动态增大重要特征的权重，减少信息不足特征的权重；SENET通过三步组成：特征压缩、激励和重赋权值；首先对上一步得到的嵌入特征进行Squeeze操作，得到全局特征，然后对全局特征进行Excitation操作，学习各个特征间的关系，得到不同特征的权重，最后乘以原来的嵌入特征得到最终特征；

3)双线性交互层：结合内积和哈达玛积来学习具有额外参数的特征交互；交互向量p_ij可通过以下三种方式进行计算：

所有域

p_ij＝v_i·W⊙v_j (5)

W∈R^k×^k所有的向量(v_i，v_j)共用一个W；在双线性交互层中额外的参数量为k×k；

单个域

p_ij＝v_i·W_i⊙v_j (6)

W∈R^k×k对应第i个域的参数矩阵，因此该层共需要维护f×k×k个参数；

域之间交互

p_ij＝v_i·W_ij⊙v_j (7)

W∈R^k×k对应第i个域与第j个域之间的权重矩阵，另外需要额外大小为的参数量；