[发明专利]一种基于小样本数据的实时推荐方法和系统

说明书

本发明涉及一种基于小样本数据的实时推荐方法，所述方法提供实时学习，实时的范围t可以根据不同应用环境进行调整。具体来说，本发明基于历史时间段t−1数据训练的模型，加入当前时间段t收集的数据，经过重训练之后对时间段t+1的用户交互进行预测。本发明从样本选取、模型测试到模型使用均利用了样本的时序特征，从而使得训练速度更快，检测精度更高，降低了异常检测误报率。

技术领域

本发明涉及用户推荐技术领域，尤其涉及一种基于小样本数据的实时推荐方法和系统。

背景技术

随着信息化时代的快速发展，各种互联网产品在人们的日常生活中扮演着越来越重要的角色。例如通讯软件，电子商务平台以及线上教学平台等，可以实现远距离通讯，线上购物和线上学习，极大地便利了人们的生活。以线上学习为例，从早期的网上查阅学习资料，到现在的各大线上教育平台的普及，线上教学的重要性越来越明显，它为广大学生提供了更多的学习机会。尤其对于一些基础较差的学生，线上教育可以为他们提供巩固知识，锻炼解题思路的平台，从而使得学生能够提升自身的学习表现。那么，实现个性化教学就是线上教学技术一个重大需求。平台能够更好的实现因材施教，才会为学生提供最合适的帮助，才能达到共赢的目的。同样，对于一些其他线上推荐系统来说，个性化推荐也扮演着重要角色。对于线上推荐平台来说，实现个性化推荐的一个关键挑战在于用户行为的多少。原则上，获取到更多的用户的行为，可以实现更好的推荐。然而，值得注意的是，新用户在短期内产生的行为数据并不充分，若平台无法利用现有数据尽早的对用户实现个性化推荐，那么用户可能会因为体验感太差，在使用某段时间之后因失去耐心而放弃使用，这就使得初期推荐达不到效果，而且起到相反的作用。现有的推荐方法要么为了追求更高的准确性，忽略了用户早期的体验。这种方法会随着时间线的推移展线出其优越的性能，但与此同时也会在早期失去大部分的用户；部分方法在早期就对用户建模，从而实现尽早的个性化推荐，并随着用户行为的增加，使得推荐性能逐步提高。但随着时间推移，该方法在建模时会产生大量的计算，使得后期维护代价过高，无法实现广泛使用。本发明为了解决上述方法的不足，本发明通过对小样本数据建模，解决用户早期行为数据过少，个性化推荐性能较低的问题，从而实现早期的个性化推荐；首先：通过设计适当的时间段，基于记忆神经网络，在历史模型状态的基础上，只需对新加入时间段的数据进行训练，然后融合历史状态和当前状态对模型进行更新，从而对下一个时间段的用户交互进行预测，减少模型重训练的代价的同时也满足了不同系统的实时性需求。

发明内容

为了解决现有技术中的上述问题，本发明提出了一种基于小样本数据的实时推荐方法，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,Dti+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；