[发明专利]一种基于注意力机制的商品序列推荐的方法

说明书

一种基于注意力机制的商品序列推荐方法，包括：获取用户的商品历史数据集并进行数据预处理；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。最后加权融合长短期偏好得到用户最终的兴趣偏好。然后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，相关性的分数越高就代表用户下一项交互的可能性越大。本发明能更为精准的为用户推荐多个推荐结果，更加符合用户的商品推荐结果的需求。

技术领域

本发明涉及用户商品信息推荐领域，更具体涉及一种基于注意力机制的商品序列推荐的方法。

背景技术

互联网产业快速发展带来了剧烈的数据激增。推荐系统的出现，解决了数据过载问题，能更好的为用户推荐感兴趣的物品。推荐系统试图根据用户的历史行为，利用用户与物品的交互信息，挖掘用户的兴趣和偏好，预测用户的下一次交互，在现实生活中发挥着重大的作用。

但是，在现实生活中，用户的行为是有序且动态可变的，用户与物品的交互其实是一个动态序列，随着时间的流逝，用户的兴趣与偏好一般都会产生偏移。基于内容、协同过滤等传统的推荐算法没有考虑到用户的偏好演化，因此为更好的考虑用户动态兴趣，增强用户兴趣与项目之间的紧密联系，序列推荐系统应运而生。常见的序列推荐模型，比如基于马尔可夫链虽在稀疏性数据中有着不错的效果，但在更复杂的环境中很难挖掘到有效的信息。基于循环神经网络的序列推荐模型存在长距离依赖问题，且假设项目之间都有依赖，因此容易造成错误的依赖。

发明内容

本发明的目的在于提供基于一种注意力机制的商品序列推荐的方法，以解决上述背景技术中提出的问题。

为实现上诉目的，本发明提供如下技术方案：基于注意力机制的商品序列推荐的方法，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；

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。

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) (3)

S_i＝Multihead(Q,K,V) (4)