[发明专利]一种带权多兴趣类别增强的推荐系统召回方法

说明书

本发明提供了一种带权多兴趣类别增强的推荐系统召回方法，包括物品候选池、用户‑物品历史交互数据以及后台服务器。其工作方法是：基于用户与物品的历史交互数据，通过对用户的历史物品序列和物品类别序列建模，学习用户的带权重的多兴趣向量，基于用户的带权多兴趣从物品候选池为用户推荐物品。本发明将物品类别特征与用户的带权多兴趣建模技术应用于推荐系统召回阶段中，较大程度地提升了推荐系统召回结果的准确率与召回率。

技术领域

本发明涉及推荐系统召回技术领域，具体涉及一种带权多兴趣类别增强的推荐系统召回方法。

背景技术

随着互联网技术的普及，人们通过智能手机等终端设备每天会接触到海量的数据。对于用户来说，只有部分数据是感兴趣的，冗余信息会影响用户的使用体验。推荐系统旨在帮助用户过滤无用信息，同时为用户智能地推荐信息。推荐系统通常以用户的历史行为日志作为输入，历史行为日志包括用户购买、评价、浏览过的行为日志等，通过行为日志建模得到用户的画像，得到用户画像后推荐算法可以为用户推荐其感兴趣的信息。推荐系统的应用给广大用户提供了诸多便利，准确、高效的推荐系统可以挖掘用户潜在的消费倾向，也可以增进用户的黏着度。

推荐系统一般包含召回、粗排、精排与重排环节。其中召回阶段的任务是：从全体信息集合中快速筛选出部分数据以供后续阶段使用。召回阶段的表现好坏对后续粗排、精排与重排模块有着直接的影响，因此召回阶段在推荐系统中非常重要。

现有推荐系统中的召回模块依然存在以下问题：1)现有大多召回方法在为用户建模时仅建模单个兴趣，但现实中用户的兴趣往往是多样的；2)现有召回模块出于模型设计原因不能合理利用与物品强相关的类别特征。上述两个问题都会导致对于用户的建模不准确，导致推荐的效果不佳。

发明内容

发明目的：本发明所要解决的技术问题是针对现有推荐系统召回阶段用户兴趣建模技术的不足，提供基于带权多兴趣类别增强的推荐系统召回方法。本方法通过利用用户历史物品序列及物品类别序列建模用户带权重的多兴趣向量，提高了推荐系统召回阶段的准确率与召回率。

本发明公开了一种带权多兴趣类别增强的推荐系统召回方法，包括如下步骤包括：

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和与物品对应的类别序列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，将两个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，将用户的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的多兴趣向量和兴趣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。

步骤1中，所述全体数据集合中的数据为常见的用户和物品交互数据集，包含用户编号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，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。其中n的取值可以为20或50，具体根据实际数据集情况进行设置。

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，d一般取值为64，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，同理可得E^u中的其他e所表达的含义。同理得到物品类别序列向量化表示为δ表示取物品类别的操作。

步骤3包括如下步骤：