[发明专利]基于自注意力自编码器的序列推荐方法

权利要求书

1.基于自注意力自编码器的序列推荐方法，其特征在于，包括以下步骤：

S1：获取用户商品序列和评分矩阵，并对商品序列进行预处理；

S2：使用自注意力模型对商品序列进行训练，预测用户与商品的关联性得分；

S3：使用自编码器对评分矩阵重建，计算用户喜爱度指数；

S4：结合用户与商品的关联性得分和用户喜爱度指数，得到高得分的商品为用户优先推荐。

2.根据权利要求1所述的基于自注意力自编码器的序列推荐方法，其特征在于，在所述步骤S1中，对商品序列进行预处理预处理的过程具体为：

将用户u浏览的商品序列S^u拆成输入序列(S₁,S₂,...,S_|su-1|)和输出序列(S₂,S₃,...,S_|su|)，其中，输入序列作为自注意力模型编码部分的输入，输出序列作为自注意力模型解码部分的输入；

设定超参数为n的商品序列最长长度，若用户商品序列超过最长长度，则对其进行截断，保留前n个商品序列；若用户原始商品序列小于最长长度，则对其左侧进行填补，最后得到长度为n的商品序列(S₁,S₂,...,S_n)，完成商品序列的预处理。

3.根据权利要求2所述的基于自注意力自编码器的序列推荐方法，其特征在于，所述步骤S2具体包括以下步骤：

S21：利用网络嵌入方法训练商品序列，将用户浏览的商品序列转化为低维稠密向量，结合位置编码方式得到模型的输入向量；

S22：采用多头自注意力机制对商品序列的输入向量进行建模，构建自注意力模型；

S23：将自注意力模型加上一个两层的前馈神经网络进行数据拟合，对用户与商品的关联性得分进行预测。

4.根据权利要求3所述的基于自注意力自编码器的序列推荐方法，其特征在于，所述步骤S21具体为：

利用网络嵌入方法对商品进行词向量学习，得到商品序列的嵌入矩阵M∈R^|I|*d，其中|I|为商品的总数，d为嵌入向量的维度，M的每一行表示一个商品对应的向量；

使用位置编码方式，记录商品序列相对位置信息，具体计算公式为：

PE_(pos,2i)＝sin(pos/10000^2i/d)

PE_(pos,2i+1)＝cos(pos/10000^2i/d)

其中，pos表示商品序列第几个商品，d表示嵌入向量的维度，2i和2i+1表示pos为偶数或奇数对应的公式；通过三角函数的方式得到商品序列的位置向量P∈R^n*d；将商品序列的嵌入矩阵和位置向量行拼接，得到输入向量具体为：

其中：M_si和P_si(i＝1,...,n)分别表示商品S_i的词向量和位置向量。