[发明专利]一种基于注意力机制的商品序列推荐的方法

权利要求书

1.一种基于注意力机制的商品序列推荐的方法，其特征在于，包括：获取用户所需数据并进行数据预处理；利用多头注意力机制来捕捉用户最近历史行为中物品与物品的之间的关系依赖，得到用户短期兴趣偏好向量；将用户与项目在隐式空间的相似度系数加入注意力机制的权重中，为长期兴趣分配不同的权重，得到长期偏好的最终表示；融合长短期偏好得到用户最终的兴趣偏好；将其与候选集中每一个物品进行交互，在预测层得到该相关性分数值，然后将所得到的分数值按照由高到低排序得到推荐序列。

2.一种基于注意力机制的商品序列推荐的方法，其特征在于，包括如下步骤：

S1：数据预处理；

S2：利用多头注意力机制构造用户短期兴趣偏好向量；

S3：为长期兴趣分配不同的权重，得到长期偏好的最终表示；

S4：加权融合长短期偏好得到用户最终的兴趣偏好，与候选集中每一个物品进行交互，在预测层得到该相关性分数值，然后将所得到的分数值按照由高到低排序得到用户的推荐列表。

3.根据权利要求2所述的一种基于注意力机制的商品序列推荐的方法，其特征在于，所述步骤S1具体包括以下步骤：

S1.1：采集待分析的数据集，设用户的短期意图来自于最近L个商品交互，历史数据为用户长期偏好；

S1.2：针对短期意图，其行为序列的长度如果大于L,则取前L个；若小于L,则采用0左边填充至长度L；

S1.3：因为矩阵能方便GPU的计算,因此经过Embedding操作，得到矩阵，定义如下：

S1.4：借鉴Transformer引入位置项量p进行嵌入得到向量矩阵

4.根据权利要求2所述的一种基于注意力机制的商品序列推荐的方法，其特征在于：所述步骤S2具体包括以下步骤：

S2.1：设置目标相关的查询向量Q、键向量K、值向量V、以及注意力机制；具体定义如下：

MultiHead(Q,K,V)＝Contact(head₁...head_n)

S_i＝Multihead(Q,K,V)

Q、K、V都等于接着结合多个单独的注意力机制就形成了多头注意力机制模型，该模型就是将查询向量Q扩展为多个查询，从而并行地从输入中选取多组信息；接着结合多个单独的注意力机制就形成了多头注意力机制模型S_i，该模型就是将查询向量Q扩展为多个查询，从而并行地从输入中选取多组信息；

S2.2：在S2.1基础上再叠加采取两层的前馈网络，赋予了模型非线性，最终得到短期偏好向量表示F_i。

5.根据权利要求2所述的一种基于注意力机制的商品序列推荐的方法，其特征在于：所述步骤S3长期兴趣偏好定义如下：

P_t^u为长期兴趣偏好，m_u为内积相似度；获取长期偏好的方式和获取短期偏好类似，让序列向量通过嵌入层后，在自注意力机制中引入用户和物品在隐空间上的内积相似度，并用相似度进行加权；从而增加了注意力机制的的协同性；与Transformer类似，为学习更复杂的特征变换，叠多个注意力层。

6.根据权利要求2所述的一种基于注意力机制的商品序列推荐的方法，其特征在于：所述步骤S4加权兴趣偏好定义如下：

最后加权融合长短期偏好，然后与每一个目标候选物品进行交互，得到该值越高越能说明物品的相关性越大，然后按照相关性进行Top-N排序，并完成物品最终的筛选，得到用户最可能交互的下一项物品，完成推荐。