[发明专利]基于多维霍克斯过程和注意力机制的下一个物品推荐方法

说明书

本发明公开了一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法，包括：S1基于多维霍克斯过程和注意力机制的物品关键特征向量和用户兴趣向量的获取；S2用户动态兴趣的预测与建模；S3序列感知的推荐。本发明利用多维霍克斯过程和注意力机制从用户物品交互序列中提取物品的特征向量和用户兴趣向量，再结合用户的交互序列记录预测用户的动态兴趣，最后在推荐的时候综合考虑用户的兴趣偏好和物品的关键特征向量，从而改进推荐效果，提升推荐准确率。

技术领域

本发明属于数据挖掘及推荐技术领域，具体涉及一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法。

背景技术

推荐系统能够帮助用户从海量在线内容中找到相关项目来降低搜索成本，而预测用户的行为是实现个性化推荐系统的核心之一。然而，传统方法通常遭遇诸如低精度和数据利用不充分之类的问题，尤其是无法满足用户的实时需求。下一个物品推荐算法通过结合传统推荐算法与用户的交互序列来预测用户的下一个行为，在一定程度上提高了推荐的准确率和用户的满意率。然而，现有方法无法充分利用用户物品的交互序列数据，难以针对序列所反映的用户的动态兴趣进行准确建模并结合用户的长期兴趣。因此，如何充分利用丰富的序列信息，从中准确提取物品的关键特征和用户的长期和短期动态兴趣并进行建模，是实现更好推荐的关键之一。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法，能够改善推荐的效果和性能。

一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法，包括如下步骤：

(1)收集用户物品交互序列数据用户物品交互序列为用户与物品的交互行为的有序集合其中用户集合和物品集合分别为U和I。

(2)根据用户u_j的交互序列将用户u_j、历史交互行为{(i₁,t₁),(i₂,t₂),…,(i_m-1,t_m-1)}和目标物品i_m的条件密度函数建模为：

其中：是用户u_j对目标物品i_m的一般兴趣，代表历史行为h影响用户u_j对目标物品i_m兴趣的程度，k(t-t_h)是用于表示时间衰减的指数核函数，f(x)＝log(1+exp(x))是softplus函数，用于保证的非负性。

上述指数核函数k(t-t_h)定义为：

k(t-t_h)＝exp(-δ_u(t-t_h))，

其中：δ_u是与用户相关的参数，用来表示对于不同用户，历史行为h对目标物品i_m的影响是不同的。

上述用户u_j对目标物品i_m的一般兴趣用余弦相似度函数定义为：

其中：是物品i_m的特征向量表示，是用户u_j的兴趣向量表示。

上述历史行为h影响用户u_j对目标物品i_m兴趣的程度定义为：

其中：是历史物品h的特征向量表示，是用户u_j的兴趣向量表示，是用户和历史行为感知的注意力机制权重，以soft-max函数形式定义为：