[发明专利]一种带权多兴趣类别增强的推荐系统召回方法

权利要求书

1.一种带权多兴趣类别增强的推荐系统召回方法，其特征在于，包括以下步骤：

步骤1，从全体数据集合中提取用户u最近n个历史交互物品序列S^u和对应的物品类别序列Q^u；

步骤2，将用户的历史交互物品序列和物品类别序列进行向量化；

步骤3，将步骤2向量化后的结果送入自注意力网络，得到序列的总体信息；

步骤4，将序列的总体信息送入多兴趣提取网络中提取用户u的多兴趣向量；

步骤5，将多兴趣向量送入带权多兴趣演变层学习下一时刻多兴趣向量的权重；

步骤6，结合用户u的多兴趣向量和权重来计算出与其他物品的得分，根据物品得分的大小进行推荐。

2.根据权利要求1所述的方法，其特征在于，步骤1中，所述全体数据集合中包括用户编号u、物品编号i、物品类别号c和物品交互时间t，根据用户编号u聚合历史交互物品序列，如果序列长度超过n个则截取最近n个，如果不满n个则左边补0，直到长度为n，得到历史交互物品序列S^u及其对应的物品类别序列Q^u。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：将物品的编号向量化表示为e，其中表示e的维度为d；用户u的历史交互物品序列S^u向量化表示为其中代表用户u历史交互的第2个物品；物品类别序列向量化为δ表示取物品类别的操作。

4.根据权利要求3所述的方法，其特征在于，步骤3-1，定义可学习参数W_Q、W_K、W_V，将C^u分别与W_K和W_V相乘得到中间参数K和V，将历史交互物品序列的向量化表示E^u与W_Q相乘得到中间参数Q，其中Q、K、

Q＝E^u·W_Q，

K＝C^u·W_K，

V＝c^u·W_V；

步骤3-2，采用如下公式计算历史交互物品序列向量化表示与物品类别序列向量化表示之间的注意力权重R₁：

其中softmax为针对数组数据的归一化操作；T代表矩阵的转置操作，d_k为K的最后一维的维度；

步骤3-3，采用如下公式计算历史交互物品序列与物品类别序列关联的结果H：

H＝K₁·V+E^u，

5.根据权利要求4所述的方法，其特征在于，步骤4包括如下步骤：

步骤4-1，所述多兴趣提取网络用于从H中提取用户u的k个兴趣，定义W₁和W₂为可训练参数，计算得到A₁是历史交互物品序列中每一个物品对应的k个兴趣，多兴趣提取网络首先是对原始输入H进行非线形压缩，将其从压缩至表达式如下，

A₁＝softmax(tanh(HW₁)W₂)

其中tanh为激活函数，e^x为指数函数，e为自然对数的底数；

步骤4-2，计算得到用户的k个兴趣的向量化表示V_u：

6.根据权利要求5所述的方法，其特征在于，步骤5包括如下步骤：

步骤5-1，建模用户每个兴趣的区分度，基于V_u、H、E^u和C^u得到用户购买物品过程中多兴趣的权重A₂：

步骤5-2，使用多头自注意力机制来学习用户多兴趣变化过程，取最后一个的结果代表下一时刻用户的k个兴趣重要度得分A₃，“：”为取数组中全部数据操作：

其中multi_attention为多头的注意力机制。

7.根据权利要求6所述的方法，其特征在于，步骤6包括如下步骤：

步骤6-1，训练阶段，先找出与目标物品e_t最为相近的兴趣M_u作为当前阶段用户的兴趣：

M_u＝V_u[argmax(softmax(V_ue_t)A₃)，:]

其中argmax为取数组最大元素的下标，公式中：为取数组中全部数据操作；

最大化用户u和目标物品e_t的概率，使用采样softmax方法来计算用户u和其他目标物品交互的概率，通过如下所示的目标函数来训练模型：

其中Sample为随机采样操作，e_i是随机采样操作的结果；

步骤6-2，通过下述计算表达式得到用户u的推荐物品集合S(u，I)：

得到每个兴趣对应的具体得分后，与兴趣权重得分加权后再统一排序，将其中得分排名前N个物品推荐给用户。