[发明专利]一种融合多方面时域信息的序列推荐方法、设备和介质

说明书

本发明提出一种融合多方面时域信息的序列推荐方法、设备和介质。本发明考虑三种时域信息来提高序列推荐的性能，构建融合多方面时域信息的序列推荐模型，模型包含三个部分，每一部分利用一种多粒度时域信息生成下一个用户可能感兴趣的物品表示。所述模型具体包括绝对时间模块，相对物品时间间隔模块和相对推荐时间间隔模块。三个模块经过有效的融合生成最终用户下一时刻感兴趣的物品表示，从而大大提高序列推荐性能。

技术领域

本发明属于序列推荐技术领域，特别是涉及一种融合多方面时域信息的序列推荐方法、设备和介质。

背景技术

推荐系统作为一种有效处理信息过载问题的工具已经被广泛应用于许多真实场景，其目的是用于提升用户的使用性和帮助企业留住用户，促进商业发展。在推荐系统的众多领域当中，序列推荐在捕获用户动态偏好方面表现出强大的能力，成为研究的热点，因此，序列推荐被广泛应用于各种场景，例如：电子商务，新闻推荐和广告推荐等等。

序列推荐旨在对用户行为序列，例如购买物品的序列进行建模，学习到用户表征，用于预测用户下一次可能购买的物品。随着深度学习技术的发展，已有多种深度模型用于建模用户行为的序列性，例如循环神经网络、卷积神经网络、自注意力机制、以及图神经网络。然而，越来越多的研究者发现时间信息对于序列信息建模有着至关重要的作用，也因此成为最近的研究热点。

其中一条研究路线是Wang等人利用绝对时间信息建模用户的个性化场合(生日，纪念日)和全局性场合(父亲节，母亲节)。另外一条研究线路是Wang等人发现时间间隔信息可以揭示某一些物品之间的关系，因此提出利用相对物品时间间隔来建模物品与物品之间的相关性。最后Wu等人认为用户过去行为对当前行为的影响是变化的，因此提出多种时间核函数来建模这种变化。对此，对在序列推荐中使用时间信息的工作进行了相关的调查，发现了有三种时间信息，但是这些工作都只是利用了其中一种时间信息，并没有充分的考虑所有的时间信息，并且针对时间信息的使用还存在严重的问题：(1)绝对时间信息应该是由物品驱动的，而不是建模用户的信息，比如，拖鞋通常在夏天被购买，羽绒服在冬天被购买。(2)在用户刚购买一件物品后，不应该再去给用户推荐类似的物品，应该考虑推荐的多样化。(3)时间信息的利用是有限制性的，并不能很好的建模时间信息。

发明内容

本发明目的是针对序列推荐问题，克服现有技术的不足，充分利用所有的时间信息，挖掘时间信息对序列推荐的影响，提出了一种融合多方面时域信息的序列推荐方法、设备和介质。

本发明是通过以下技术方案实现的，本发明提出一种融合多方面时域信息的序列推荐方法，所述方法具体包括以下步骤：

步骤1：获得序列数据，对数据集预处理将其分为训练集，验证集和测试集；

步骤2：构建融合多方面时域信息的序列推荐模型；

步骤3：对步骤2所述融合多方面时域信息的序列推荐模型进行训练；

步骤4：将当前序列数据输入到步骤3训练后的融合多方面时域信息的序列推荐模型，计算候选物品相对于学习到的用户下一时刻感兴趣的物品表示的推荐得分，根据得分选择出用户感兴趣的物品。

进一步地，所述步骤1包括以下步骤：

步骤1.1：从序列数据集中，提取用户的交互记录以及用户ID信息、物品ID信息和时间ID信息；

步骤1.2：过滤数据集中过短的用户交互记录以及过于冷门的物品；

步骤1.3：应用数据增强技术，对于数据中每一条序列，将其划分为多个子序列；

步骤1.4：按留一法规则，将数据中最后一个物品用于测试，倒数第二个物品用于验证，剩下数据用于训练。

进一步地，所述步骤2包括以下步骤：

步骤2.1：获得物品初始嵌入表示和时间嵌入表示；