[发明专利]基于自注意力自编码器的序列推荐方法

说明书

本发明提供的基于自注意力自编码器的序列推荐方法，包括：获取用户商品序列和评分矩阵，并对商品序列进行预处理；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；使用自编码器对评分矩阵重建，计算用户喜爱度指数；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。本发明提供的基于自注意力自编码器的序列推荐方法，利用词嵌入的方法将用户的物品浏览序列转化为低维稠密向量，结合位置编码输入自注意力模型中，再利用自编码器对评分矩阵的拟合和重建，计算用户喜爱度指数，最后得到最终的预测得分，为用户做出推荐，该方法同时考虑用户长、短期偏好等因素，有效地提升了推荐精度。

技术领域

本发明涉及序列推荐技术领域，更具体的，涉及一种基于自注意力自编码器的序列推荐方法。

背景技术

推荐系统是一种典型的主动帮助用户找到他们需要的信息的解决方式。一般的推荐系统主要根据用户的个人基本信息、历史交互数据，甚至是利用所有用户的这部分数据，将其相结合，对用户的兴趣进行建模，帮助用户在海量的数据中找到他们可能感兴趣的信息或者商品。但在实际的用户场景中，所有用户的全部信息是一个很难获得的数据，在加上用户的需求是动态变化的，其历史数据信息反映的是用户的长期偏好，而用户的短期偏好通过历史记录的数据是很难反馈的。而基于序列的推荐系统可以在没有过多的历史记录的条件下，只利用用户浏览物品的序列信息，对用户下一个浏览的物品做出预测，推荐出用户可能感兴趣的物品对象。

现有的序列推荐算法主要包括两种方法：一是从一阶马尔科夫链的角度出发进行分析；二是将序列推荐看成是一个经典的seq2seq问题。例如，分解个性化马尔科夫链模型(FPMC)结合马尔科夫链和矩阵分解以实现个性化推荐。而GRU4Rec模型使用了基于GRU的seq2seq框架来处理序列推荐问题。但是，马尔科夫链方法只能捕获用户的短期兴趣；而一般的循环神经网络模型则可能捕获过于复杂的依赖关系，因此现有的序列推荐算法并无法同时考虑用户长、短期偏好，推荐的精确度低。

发明内容

本发明为克服现有的序列推荐算法存在无法同时考虑用户长、短期偏好，推荐的精确度低的技术缺陷，提供一种基于自注意力自编码器的序列推荐方法。

为解决上述技术问题，本发明的技术方案如下：

基于自注意力自编码器的序列推荐方法，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。

其中，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。

其中，所述步骤S2具体包括以下步骤：