[发明专利]一种基于高阶平移模型的物品推荐方法

说明书

本发明公开了一种基于高阶平移模型的推荐算法，来解决传统平移模型仅建模用户最近交互行为而导致的推荐结果不准确的不足。本发明主要关注高阶马尔科夫链对于序列化推荐的影响，在传统平移模型基础之上合理融入了高阶序列化信息。具体而言，在针对每次交互行为构造平移向量时，本发明通过建模目标用户最近的多个消费行为，使得在短期偏好中编码了更多信息。另外，本发明设计了一种能够感知位置的个性化注意力机制，使其可以学习出特定物品在不同时刻以及面对不同用户时的自适应权重。然后基于该自适应权重聚合不同阶的物品向量，从而得到一个更富表达力的平移向量，提升模型的推荐精度。

技术领域

本发明涉及机器学习领域，尤其是高阶平移模型在物品推荐上的方法。

背景技术

在当今信息过载的时代，推荐系统已成为各互联网应用的核心组件，并深刻影响着人们的日常生活。推荐系统的深入研究不仅可以改善用户体验，而且能够帮助企业获取丰厚的商业利润。现实生活中，用户的行为偏好天然具备时序动态性。就真实环境中的推荐系统而言，相比预测用户的长期偏好，预测用户下一时刻将消费何种物品(短期偏好)更有价值。这一问题通常被称为序列化推荐或下一时刻推荐，即构建一个时间感知的推荐模型用于预测用户下一时刻将消费何种物品。虽然现有平移模型使用满足三角不等式的欧式距离取代内积操作来建模用户与物品之间的交互强度，但却仅使用目标用户最近的一次消费行为建模短期兴趣，这可能导致推荐结果不准确，因此，亟需一种能够考虑高阶时序信息的平移模型来解决该问题。

发明内容

本发明针对主流平移模型无法有效建模用户短期偏好的问题，公开了一种基于高阶平移模型的物品推荐方法，旨在解决传统平移模型仅建模用户最近交互行为而导致的推荐结果不准确的问题。

首先，将所有用户和物品嵌入到一个平移空间中，本发明主要关注高阶马尔科夫链对于序列化推荐的影响，在传统平移模型基础之上合理融入了高阶序列化信息。

其次，为了自适应建模不同用户的高阶马尔科夫链，进一步设计一种位置感知的注意力机制用于刻画不同时刻下不同物品对于用户决策的影响，使其可以学习出特定物品在不同时刻以及面对不同用户时的自适应权重，并使用聚合函数得到一个更富表达力的平移向量。

最后，基于更富表达力的平移向量更精确地建模用户历史物品迁移信息和偏好信息，病使用基于序列化贝叶斯成对损失对模型的参数优化求解。

附图说明

为了更清楚的说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图简单地介绍。

图1是本发明实施例的模型结构图。

图2是本发明实施例的详细优化步骤。

图3是本发明实施例提供的推荐列表中物品命中率的比较图。

图4是本发明实施例提供的推荐列表中物品排序的归一化折损累计增益的比较图。

图5是本发明实施例提供的感知位置的个性化注意力机制的效果图。

具体实施

以下将结合具体实例及附图对本发明的技术方案进行清楚、完整地描述。图1是本发明实施例的模型结构图，此处的实例与描述仅用于解释本发明，并不用于限定本发明。

定义1(用户序列化行为)假定和分别表示用户集和物品集。给定一个用户u，其行为序列为那么，所有用户的行为序列

定义2(下一个物品推荐任务)给定用户集合物品集合每个用户u的行为序列为本发明的目标是预测用户u在下一时刻将消费哪一物品。