本發(fā)明專利技術(shù)公開了一種行為感知推薦方法、終端及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，方法包括：獲取目標(biāo)對象的下一行為與當(dāng)前行為的注意力分?jǐn)?shù)，并將注意力分?jǐn)?shù)作為異構(gòu)行為信息加入感知推薦模型的輸入層中；在感知推薦模型的輸出側(cè)引入目標(biāo)行為，并根據(jù)目標(biāo)行為對感知推薦模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的感知推薦模型；根據(jù)訓(xùn)練后的感知推薦模型對目標(biāo)對象的目標(biāo)行為進(jìn)行預(yù)測，得到目標(biāo)行為對應(yīng)的下一行為預(yù)測結(jié)果，并將得到的預(yù)測結(jié)果推薦至目標(biāo)對象所在的客戶端。本發(fā)明專利技術(shù)通過在輸入層應(yīng)用注意力機(jī)制，使用下一行為與當(dāng)前行為之間的注意力分?jǐn)?shù)作為異構(gòu)行為信息，解決了異構(gòu)性無法區(qū)分的問題；同時(shí)，通過在輸出側(cè)引入真實(shí)的下一行為，解決了異構(gòu)性預(yù)測不準(zhǔn)確的問題。測不準(zhǔn)確的問題。測不準(zhǔn)確的問題。
【技術(shù)實(shí)現(xiàn)步驟摘要】
一種行為感知推薦方法、終端及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)
[0001]本專利技術(shù)涉及數(shù)據(jù)挖掘應(yīng)用領(lǐng)域，尤其涉及的是一種行為感知推薦方法、終端及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。
技術(shù)介紹
[0002]推薦系統(tǒng)已經(jīng)成為當(dāng)今互聯(lián)網(wǎng)不可缺少的一部分，它被廣泛應(yīng)用于各大網(wǎng)站平臺(tái)，可以極大地緩解信息過載問題，從而實(shí)現(xiàn)個(gè)性化推薦。現(xiàn)有的推薦算法根據(jù)用戶的歷史交互記錄來給用戶推薦他/她未來可能感興趣的物品。序列推薦算法是推薦算法中的一個(gè)研究熱點(diǎn)，它通過按照時(shí)間順序考慮用戶的歷史交互序列，來對用戶的下一個(gè)交互進(jìn)行推薦，符合我們的真實(shí)應(yīng)用場景。大部分序列推薦算法只針對單種行為類型的交互序列(如用戶的歷史購買序列)進(jìn)行推薦，這種算法又被稱為順序單類協(xié)同過濾算法(SOCCF)。雖然順序單類協(xié)同過濾算法已經(jīng)能夠很好地利用用戶的歷史行為，但是在實(shí)際場景中，用戶的行為類型往往不止一種。例如，在某個(gè)購物網(wǎng)站中，用戶的行為通常有點(diǎn)擊、購買、添加購物車、收藏等多種類型，如果只考慮一種行為，會(huì)丟失大量的可用信息。
[0003]在順序單類協(xié)同過濾中，已經(jīng)出現(xiàn)了很多同構(gòu)序列推薦算法，比如：基于RNN的方法GRU4Rec、基于CNN的方法Caser和NextItNet，以及基于注意力的算法SASRec等。但是，這些方法無法區(qū)分序列中針對同一物品的不同行為，因?yàn)檫@些算法在設(shè)計(jì)時(shí)僅考慮對單一類型的行為進(jìn)行建模；為了解決此問題，最近的一些順序異構(gòu)單類協(xié)同過濾(SHOCCF)算法工作嘗試對異構(gòu)序列進(jìn)行建模，例如RLBL、RIB和BINN。循環(huán)對數(shù)雙線性模型(RLBL)將一個(gè)序列劃分為多個(gè)時(shí)間窗口，使用對數(shù)雙線性模型(LBL)來聚合每個(gè)時(shí)間窗口的交互信息，引入了與行為相關(guān)的轉(zhuǎn)移矩陣來區(qū)分不同的行為，從而得到該窗口內(nèi)的短期偏好。由于一個(gè)序列被劃分為多個(gè)窗口，RLBL進(jìn)一步使用RNN聚合不同窗口的偏好，從而得到用戶的長期偏好。結(jié)合微觀行為序列建模的推薦(RIB)考慮用戶的異構(gòu)行為序列，將異構(gòu)序列中每一個(gè)物品對應(yīng)的行為特征向量與該物品的特征向量進(jìn)行拼接，作為一個(gè)整體輸入到LSTM中，從而讓LSTM能夠在一步一步的建模中捕捉到不同行為之間的轉(zhuǎn)移模式。行為密集型神經(jīng)網(wǎng)絡(luò)(BINN)提出了新型的基于RNN結(jié)構(gòu)的上下文感知長短期記憶網(wǎng)絡(luò)(CLSTM)，在LSTM中引入了對異構(gòu)行為的建模，從而使得BINN在運(yùn)行過程中能區(qū)分和保留與行為相關(guān)的記憶。它們都是基于循環(huán)神經(jīng)網(wǎng)絡(luò)的方法，并通過行為潛在特征矩陣來區(qū)分不同的行為。
[0004]最近，很多工作使用RNN來建模異構(gòu)序列。雖然RNN是一種對序列信息進(jìn)行建模的有效方法，但它存在難以并行訓(xùn)練，容易出現(xiàn)梯度消失等缺點(diǎn)。在異構(gòu)序列推薦問題中，一些同樣表現(xiàn)突出的技術(shù)，例如CNN和自注意力機(jī)制尚未被應(yīng)用于異構(gòu)序列推薦中。一方面，是這些技術(shù)本身缺乏對異構(gòu)行為進(jìn)行建模的能力。另一方面，當(dāng)它們直接用于具有多種類型行為的序列時(shí)會(huì)引起混淆。
[0005]因此，現(xiàn)有技術(shù)還有待改進(jìn)。
技術(shù)實(shí)現(xiàn)思路
[0006]本專利技術(shù)要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)缺陷，本專利技術(shù)提供一種行為感知推薦方法、終端及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，以解決現(xiàn)有的異構(gòu)預(yù)測不準(zhǔn)確的技術(shù)問題。
[0007]本專利技術(shù)解決技術(shù)問題所采用的技術(shù)方案如下：
[0008]第一方面，本專利技術(shù)提供一種行為感知推薦方法，行為感知推薦方法包括以下步驟：
[0009]獲取目標(biāo)對象的下一行為與當(dāng)前行為的注意力分?jǐn)?shù)，并將所述注意力分?jǐn)?shù)作為異構(gòu)行為信息加入感知推薦模型的輸入層中；
[0010]在所述感知推薦模型的輸出側(cè)引入目標(biāo)行為，并根據(jù)所述目標(biāo)行為對所述感知推薦模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的感知推薦模型；
[0011]根據(jù)所述訓(xùn)練后的感知推薦模型對所述目標(biāo)對象的目標(biāo)行為進(jìn)行預(yù)測，得到目標(biāo)行為對應(yīng)的下一行為預(yù)測結(jié)果，并將得到的預(yù)測結(jié)果推薦至所述目標(biāo)對象所在的客戶端。
[0012]在一種實(shí)現(xiàn)方式中，所述獲取目標(biāo)對象的當(dāng)前行為與下一行為的注意力分?jǐn)?shù)，之前包括：
[0013]將順序單類協(xié)同過濾模型作為表征模塊，對預(yù)設(shè)物品序列進(jìn)行建模及輸出對應(yīng)的序列特征，得到所述感知推薦模型。
[0014]在一種實(shí)現(xiàn)方式中，所述對預(yù)設(shè)物品序列進(jìn)行建模及輸出對應(yīng)的序列特征，包括：
[0015]將所述目標(biāo)對象的長度為L的歷史物品序列作為輸入；
[0016]利用行為注意力層在所述表征模塊的輸入層對不同的行為信息進(jìn)行區(qū)分，得到異構(gòu)序列中每個(gè)位置所包含的信息；
[0017]根據(jù)所述歷史物品序列輸出對應(yīng)的序列特征。
[0018]在一種實(shí)現(xiàn)方式中，所述異構(gòu)序列中每個(gè)位置所包含的信息為：
[0019][0020]其中，P
λ
∈R
d
×1，分別代表物品的潛在特征，行為的潛在特征以及位置λ的潛在特征。
[0021]在一種實(shí)現(xiàn)方式中，所述獲取目標(biāo)對象的下一行為與當(dāng)前行為的注意力分?jǐn)?shù)，并將所述注意力分?jǐn)?shù)作為異構(gòu)行為信息加入感知推薦模型的輸入層中，包括：
[0022]確定所述行為注意力層的輸入：
[0023][0024]其中，X
att
∈R
4d
×1為下一行為與當(dāng)前特征X
λ
之間的關(guān)聯(lián)信息；
⊙
為逐元素相乘；
[0025]計(jì)算所述下一行為與所述當(dāng)前行為的注意力分?jǐn)?shù)：
[0026]H
λ
＝ReLU(W
att
X
att
+b
att
)；
[0027]α
λ
＝Tanh(W
o
H
λ
+b
o
)；
[0028]其中，H
λ
∈R
d
×1，W
att
∈R
d
×
4d
，b
att
∈R
d
×1，α
λ
∈R，W
o
∈R1×
d
和b
o
∈R為所述行為注意層中的待學(xué)習(xí)參數(shù)；α
λ
為具有行為的物品的注意力分?jǐn)?shù)；
[0029]將所述注意力分?jǐn)?shù)作為所述異構(gòu)行為信息加入所述感知推薦模型的輸入層中。
[0030]在一種實(shí)現(xiàn)方式中，所述將注意力分?jǐn)?shù)作為所述異構(gòu)行為信息加入所述感知推薦模型的輸入層中，之后包括：
[0031]將計(jì)算得到的注意力分?jǐn)?shù)作為修正因子；
[0032]通過所述修正因子更改所述表征模塊中每個(gè)輸入物品的權(quán)重值：
[0033][0034]在一種實(shí)現(xiàn)方式中，所述在感知推薦模型的輸出側(cè)引入目標(biāo)行為，并根據(jù)所述目標(biāo)行為對所述感知推薦模型進(jìn)行訓(xùn)練，包括：
[0035]獲取所述目標(biāo)行為并將所述目標(biāo)行為作為所述感知推薦模型的先驗(yàn)信息；
[0036]將所述目標(biāo)行為與所述表征模塊輸出的序列h
t
?1進(jìn)行特征交叉，得到對應(yīng)的輸出：
[0037][00本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
【技術(shù)特征摘要】
1.一種行為感知推薦方法，其特征在于，所述行為感知推薦方法包括以下步驟：獲取目標(biāo)對象的下一行為與當(dāng)前行為的注意力分?jǐn)?shù)，并將所述注意力分?jǐn)?shù)作為異構(gòu)行為信息加入感知推薦模型的輸入層中；在所述感知推薦模型的輸出側(cè)引入目標(biāo)行為，并根據(jù)所述目標(biāo)行為對所述感知推薦模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的感知推薦模型；根據(jù)所述訓(xùn)練后的感知推薦模型對所述目標(biāo)對象的目標(biāo)行為進(jìn)行預(yù)測，得到目標(biāo)行為對應(yīng)的下一行為預(yù)測結(jié)果，并將得到的預(yù)測結(jié)果推薦至所述目標(biāo)對象所在的客戶端。2.根據(jù)權(quán)利要求1所述的行為感知推薦方法，其特征在于，所述獲取目標(biāo)對象的當(dāng)前行為與下一行為的注意力分?jǐn)?shù)，之前包括：將順序單類協(xié)同過濾模型作為表征模塊，對預(yù)設(shè)物品序列進(jìn)行建模及輸出對應(yīng)的序列特征，得到所述感知推薦模型。3.根據(jù)權(quán)利要求2所述的行為感知推薦方法，其特征在于，所述對預(yù)設(shè)物品序列進(jìn)行建模及輸出對應(yīng)的序列特征，包括：將所述目標(biāo)對象的長度為L的歷史物品序列作為輸入；利用行為注意力層在所述表征模塊的輸入層對不同的行為信息進(jìn)行區(qū)分，得到異構(gòu)序列中每個(gè)位置所包含的信息；根據(jù)所述歷史物品序列輸出對應(yīng)的序列特征。4.根據(jù)權(quán)利要求3所述的行為感知推薦方法，其特征在于，所述異構(gòu)序列中每個(gè)位置所包含的信息為：其中，P
λ
∈R
d
×1，分別代表物品的潛在特征，行為的潛在特征以及位置λ的潛在特征。5.根據(jù)權(quán)利要求1所述的行為感知推薦方法，其特征在于，所述獲取目標(biāo)對象的下一行為與當(dāng)前行為的注意力分?jǐn)?shù)，并將所述注意力分?jǐn)?shù)作為異構(gòu)行為信息加入感知推薦模型的輸入層中，包括：確定所述行為注意力層的輸入：其中，X
att
∈R
4d
×1為下一行為與當(dāng)前特征X
λ
之間的關(guān)聯(lián)信息；
⊙
為逐元素相乘；計(jì)算所述下一行為與所述當(dāng)前行為的注意力分?jǐn)?shù)：H
λ
＝ReLU(W
att
X
att
+b
att
)；α
λ
＝Tanh(W
o
H
λ
+b
o
)；其中，H
λ
∈R
d
×1，W
att
∈R
d
×
4d
，b
att
∈R
d
×1，α
λ
∈R，W
...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：何銘凱，潘微科，明仲，
申請(專利權(quán))人：深圳大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。