[发明专利]一种基于注意力的多兴趣序列推荐方法及系统

权利要求书

1.一种基于注意力的多兴趣序列推荐方法，其特征在于方法包括如下步骤：

步骤(1)从用户的行为日志或相关数据集中提取用户所产生的交互记录，并获取其在这些交互记录上产生的具体行为类型；

步骤(2)在上一步中得到的数据的基础上，将这些数据划分为训练集、验证集和测试集；在训练集中的每一条交互记录上，采取切分策略进行数据扩展，将一条交互记录“1、2、3、4”划分为“1、2”，“1、2、3”，“1、2、3、4”，数字编号代表一条交互内容，是浏览过的商品或新闻；

步骤(3)对于每一条划分的新纪录，尝试获取对应记录的local-level兴趣表示，即使用基于改进版本的自注意力分数计算、前馈、兴趣提取模块的网络结构，来获取用户的多重local-level兴趣表示；

步骤(4)与步骤(3)并行执行，对于每一条划分的新纪录，尝试获取对应的global-level兴趣表示，即使用结合全局上下文信息和辅助信息的全局自注意力、前馈、兴趣提取模块的网络结构，来获取用户的多重global-level兴趣表示；

步骤(5)中，针对步骤(3)和(4)中获得的两种兴趣表示，进行兴趣融合，分别计算出这两种兴趣的权重；设计了一个基于MLP的融合模块来计算local-level和global-level表示的权重，并根据此权重来进行融合，得到多重兴趣表示向量；

步骤(6)在模型的训练阶段，针对步骤(5)融合后的多重向量中的某一项进行反向传播；在模型的测试或在线服务阶段，将用户完整的交互序列作为输入，参照步骤(2)至步骤(5)中的四个步骤计算出多重兴趣表示向量，利用向量检索工具，针对多重向量中的每一个向量都召回一定数量的物品，召回数量由步骤(5)中的权重决定，从而得到最终的推荐列表。

2.根据权利要求1所述的一种基于注意力的多兴趣序列推荐方法，其特征在于：本方法提出利用基于自注意力机制的多用户兴趣提取方法进行序列推荐，迁移了在序列推荐以及其他序列任务中被广泛使用的自注意力机制来学习不同层级表征，并针对本模型中任务的特殊性，将整体会话上下文信息和辅助信息纳入了考量；设计融合模块提高运行效率。