[发明专利]一种基于神经注意力自编码器的个性化推荐方法

说明书

本发明公开了一种基于神经注意力自编码器的个性化推荐方法，包括：利用自编码器编码用户对项目的二元评分，生成项目的评分特征表示；通过词注意力模块生成项目的描述特征表示；利用神经门控模块融合项目的评分特征表示和描述特征表示，得到项目的表示向量；通过项目表示生成模块计算得到候选项目表示向量和用户历史访问项目的表示向量，将候选项目的表示向量和用户历史访问项目的表示向量输入注意力网络,生成用户的表示向量；将用户表示向量和候选项目的表示向量进行内积操作，得到用户访问候选项目的预测概率；将计算出的不同候选项目的预测概率从大到小排列，取排名前K的候选项目作为该用户的个性化推荐列表。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于神经注意力自编码器的个性化推荐方法。

背景技术

随着互联网的飞速发展，在线内容出现爆炸式的增长，如何帮助用户从海量的在线内容中获取他们感兴趣的信息，进一步改善信息超载问题，是个性化推荐系统所要解决的主要问题。个性化推荐系统的终极目标就是能够理解用户，其中一个核心技术就是用户偏好建模。因此，如何根据用户的历史交互记录来构建用户的偏好特征，是个性化推荐系统的关键。传统的用户偏好建模方法，大多数都是根据用户历史交互的项目来刻画用户的偏好特征。然而，用户历史交互的项目仅包含有限的特征信息，根据项目特征生成的用户偏好不够准确且过于单一，无法全面地表示用户的兴趣，同时也没有考虑用户-项目交互数据的稀疏性和冷启动问题，不能准确地根据用户个性化的偏好给用户推荐感兴趣的项目。

目前已公布的发明专利“一种基于注意力机制的推荐系统及推荐方法”，公开号为CN 109087130 A，通过特征嵌入层将用户历史记录中的项目及将候选项目映射成项目的特征向量，通过自注意力机制来学习用户的表示得到用户的特征向量，通过融合输出层根据所述项目的特征向量及用户的特征向量输出用户对项目的预测值。该发明通过独热编码来生成项目的特征向量，忽略了项目本身及项目与项目之间的语义信息，这样得到的项目特征向量包含的特征信息极为有限，无法全面准确地建模用户的个性化偏好。本发明描述的“一种基于神经注意力自编码器的个性化推荐方法”首先根据用户对项目的隐式评分(评分只有0和1，也叫二元评分，0表示不喜欢，1表示喜欢)利用自编码器生成项目的评分特征表示，再根据项目的描述内容，利用词注意力模块生成项目的描述特征表示。神经门控模块融合项目评分的特征表示和项目描述的特征表示来生成用户历史访问项目和候选项目的表示向量。再将用户历史访问项目和候选项目的表示向量输入到注意力网络中计算出用户的表示向量。得到用户和候选项目的表示向量后通过内积操作计算用户访问该候选项目的概率，根据不同候选项目预测概率由大到小排列以此生成用户的推荐列表。

发明内容

有鉴于此，本发明的目的是提供一种基于神经注意力自编码器的个性化推荐方法，用词注意力模块融合项目的描述信息来得到项目的描述特征表示，更加充分地挖掘项目的特征信息。

本发明通过以下技术手段解决上述技术问题：

一种基于神经注意力自编码器的个性化推荐方法，包括：

利用自编码器编码用户对项目的二元评分，生成所述项目的评分特征表示；

通过词注意力模块生成项目的描述特征表示；

利用神经门控模块融合项目的评分特征表示和描述特征表示，得到项目的表示向量；

通过项目表示生成模块计算得到候选项目表示向量和用户历史访问项目的表示向量，将所述候选项目的表示向量和用户历史访问项目的表示向量输入注意力网络,生成用户的表示向量；

将所述用户表示向量和所述候选项目的表示向量进行内积操作，得到用户访问所述候选项目的预测概率；

将计算出的不同候选项目的预测概率从大到小排列，取排名前K的候选项目作为该用户的个性化推荐列表。

进一步，所述自编码器采用如下公式生成所述项目i的评分特征表示