[发明专利]一种基于用户长短期兴趣的自监督序列推荐方法

说明书

本发明公开了一种基于用户长短期兴趣的自监督序列推荐方法。步骤1：获得用户信息、项目信息及用户行为的序列数据集，将数据集进行预处理并划分为训练集和测试集；步骤2：构建基于用户长短期兴趣的自监督序列推荐模型；步骤3：利用训练集对步骤2所述基于用户长短期兴趣的自监督序列推荐模型进行训练；步骤4：将待推荐用户的个人信息和交互序列输入到步骤3中训练后的基于用户长短期兴趣的自监督序列推荐模型，计算待推荐项目相对于该用户的推荐得分，根据推荐得分将项目推荐给用户。本发明用以解决现有技术中用户的长、短期兴趣二者间所存在的相互约束关系的问题，实现对用户长期兴趣和短期兴趣有更准确的推荐。

技术领域

本发明属于序列推荐领域，具体涉及一种基于用户长短期兴趣的自监督序列推荐方法。

背景技术

人们在互联网中的行为数据可以指示重要信息，例如用户的偏好和行为模式，推荐系统可以利用这些信息为用户提供个性化服务，并提升他们的体验。

传统的序列推荐系统对用户与物品之间交互的建模可以归纳为两种主要的方式。第一种方法是基于矩阵分解的协同过滤(CF)来获得用户偏好，侧重于从用户与物品的交互中挖掘其静态关联，这些关联由传统的协同过滤模型表示。然而，这些工作仅仅从静态视图考虑了用户-物品之间特定关系，忽略了序列化交互中隐含的用户偏好的演化，没有考虑到用户偏好的演化对未来购买物品的影响。第二种方法是基于序列模式来挖掘用户与物品之间的关系从而进行个性化推荐。其中，用户稳定的长期兴趣是长期以来个人习惯导致的偏好；短期兴趣是用户近期购买的物品决定的偏好。这种类型的工作包括：根据马尔科夫链模型建模用户与商品的交互序列。用户的长期兴趣和短期兴趣都对用户选购商品起着很重要的影响，所以将二者结合起来为用户推荐可有效提高准确度。

深度神经网络凭借着在构建和捕获序列中不同实体间(例如，用户，项目，交互)综合关系所存在的自然优势，越来越多的人使用深度神经网络构造序列推荐系统。

对于序列推荐系统来说，起初提出并得到研究人员重视的是循环神经网络，这是因为它们在建模序列数据时存在结构优势，但它们也存在无法建模高阶复杂关系的缺陷。随后卷积神经网络和图神经网络为建模复杂交互关系也被应用于序列推荐系统，以此来弥补循环神经网络中的不足。

近年来，人们越来越关注通过捕获用户的长、短期兴趣以提高序列推荐性能，但现有技术只考虑到用户长、短期兴趣的互补关系，并未考虑二者间所存在的相互约束关系。另外，现有使用超图的推荐技术能够更好的学习高阶的上下文信息，从而更好的对用户短期兴趣建模，但是没有更充分的考虑用户交互项目的顺序信息，特别是没有考虑在构建超图时利用这种顺序信息。

综上所述，目前的研究工作主要是对用户长期兴趣和短期兴趣有更准确的建模方法，并且能充分利用用户长期兴趣和短期兴趣间互补和约束两种关系以达到更好的推荐效果。

发明内容

本发明提供一种基于用户长短期兴趣的自监督序列推荐方法，用以解决现有技术中用户的长、短期兴趣二者间所存在的相互约束关系的问题，实现对用户长期兴趣和短期兴趣有更准确的推荐。

本发明通过以下技术方案实现：

一种基于用户长短期兴趣的自监督序列推荐方法，包括以下步骤：

步骤1：获得用户信息、项目信息及用户行为的序列数据集，将数据集进行预处理并划分为训练集和测试集；

步骤2：构建基于用户长短期兴趣的自监督序列推荐模型；

步骤3：利用训练集对步骤2所述基于用户长短期兴趣的自监督序列推荐模型进行训练；

步骤4：将待推荐用户的个人信息和交互序列输入到步骤3中训练后的基于用户长短期兴趣的自监督序列推荐模型，计算待推荐项目相对于该用户的推荐得分，根据推荐得分将项目推荐给用户。

进一步的，所述步骤1具体包括以下步骤：