[发明专利]一种基于小样本数据的实时推荐方法和系统

权利要求书

1.一种基于小样本数据的实时推荐方法，其特征在于，所述方法包含：

步骤S1: 数据分割，具体为：对原始序列数据根据时间段t进行分割，分割后的数据元素中每个元素D中包含的数据均在一个时间跨度范围内；将数据元素分割成元素重叠的K元组，其中：K为预测模型中记忆神经元的个数；两个相邻的K元组中存在K-1个重叠元素；两个相邻的第ti和ti+1的K元组分别为：(D_ti，D_ti+1，…，D_ti+K−1)和(D_ti+1，D_ti+1，…，D_ti+K)；其中：K值的设置和神经网络模型中神经元的数量相关；

所述K为动态设置的，随着原始序列数据的数量增加K值；

步骤S2:作数据向量化表示；具体的：将元组中的数据元素输入特征空间转化函数f(X)→𝒳，获得一个维度变小的向量表示；

步骤S3：预测模型的初始化；具体的：初始化权重文件，从第1个K元组开始，使用已有的K元组对预测模型进行初始化训练；

步骤S4：预测模型的训练；收集随着时间增长的新时间段的数据，对初始化后的预测模型进行不断的更新学习；实时检测是否需要进行用户推荐，如果是，则进入步骤S5，否则，重复步骤S4；

步骤S5：预测用户交互数据；输入当前时间段的数据，输入预测模型以预测生成下一时间段的数据；

步骤S6，推荐阶段：基于所预测的用户交互数据进行实时推荐；

其中：预测模型包括数据表示层、记忆层，全连接层和输出层；数据表示层为对输入的向量化表示进行学习；将向量化表示的特征输入预测模型的数据表示层；

通过预测模型对输入的向量化特征表示进行表示学习；其输出用于作为预测模型的记忆层的输入，对下一时间段的交互进行预测；

记忆层包含K个神经元；每个神经元的输入为K元组中一个元素的向量化表示，每个神经元的输出被输入到全连接层对神经元的输出进行全连接；

输出层用于输出下一时间段的预测数据。

2.根据权利要求1所述的基于小样本数据的实时推荐方法，其特征在于，时间段t包含的原始序列数据为S={s₁,s₂,s₃,…,s_n}，n为序列数据的长度。

3.根据权利要求2所述的基于小样本数据的实时推荐方法，其特征在于，原始序列数据中的每一个元素代表一次交互。

4.根据权利要求3所述的基于小样本数据的实时推荐方法，其特征在于，原始序列数据采用one-hot编码方式编码。

5.根据权利要求4所述的基于小样本数据的实时推荐方法，其特征在于，一次交互元素包含m个属性。

6.根据权利要求5所述的基于小样本数据的实时推荐方法，其特征在于，

设置K的初始值为K=3，每次K值更新时在原K值上加上增量值；

作并行分割，设置两个K值，K=K1和K2，分别同时进行基于K1和K2的分割，分割得到的K元组包含K1元组和K2元组，K2比K1大一个增量值；

步骤S1还包括：实时监测原始序列数据的长度n，当所述长度n超过动态长度阈值时，相应的动态更新K值，使得K1^‘=K2；K2^‘=K2+INC；其中：K1^‘和K2^‘是更新后的K值；INC是每次K值更新时的增量值；动态长度阈值是随着原始序列数据长度的增加而动态增长的；

在K值被更新后，第一预测模型被换出缓存空间；第二预测模型成为第一预测模型，重新训练基于K2^‘的第二预测模型；基于K2^‘作数据的分割，数据向量化表示以及第二预测模型的初始化和训练；在K值再次被更新后，重复换出更替，

所述步骤S3还包括：将经过初始化训练的第一预测模型和第二预测模型同时加载到推荐系统的缓存空间中，当小样本数量达到动态长度阈值时，做两个预测模型的替换；此时，第二预测模型成为第一预测模型，并用于进行推荐，而第一预测模型被换出缓存空间；相应的旧的K1元组被删除。