[发明专利]一种推荐方法及系统

说明书

一种推荐方法及系统，该方法包括如下步骤：S100：将原始数据转化为数值数据，将大规模稀疏特征转化为低维密集特征；S200：获得用户的兴趣表示；S300：分别提取用户和项目的高阶特征交互和低阶特征交互，基于线性的全局注意力机制监视高阶特征交互和低阶特征交互对于点击率预测的不同贡献；S400：预测用户是否点击候选项，最终完成向用户推荐项目。该方法及系统的有效性和性能明显优于现有方法，并提供了良好的解释性。

技术领域

本公开属于人工神经网络及个性化推荐技术领域，特别涉及一种推荐方法及系统。

背景技术

随着互联网服务和移动设备的发展，互联网用户可以轻松访问大量的在线产品和服务。然而，当人们在享受着互联网带来便利的同时，也面临着信息过载的问题。为了减少信息过载，满足用户的需求，推荐系统被发展起来并在现代生活中发挥着越来越重要的作用。其目的是帮助用户从互联网平台的海量信息(产品、服务)中选择合适的信息，已成功应用于各类线上互联网平台产品及服务的个性化推荐。

推荐系统的关键任务之一是预测点击率，即估计用户点击推荐项目的概率。在许多推荐系统中，目标是最大化点击次数，以便根据估计的点击率对推荐项目进行排序。正确估计点击率都是至关重要的，由于其重要性，越来越多的研究者开始致力于点击率预测的研究。

有效地学习用户点击行为背后的隐含特征交互是点击率预测的一个重要挑战。传统的点击率预测方法，如经典的线性模型，虽然结构简单，但在学习特征交互方面存在局限性，如：1)缺乏学习特征交互的能力，2)过度依赖人工提取的特征交互。因此传统的方法在大规模系统中是不可行的。近年来，随着深度学习在计算机视觉、语音识别、自然语言处理等领域的成功应用，许多点击率预测模型从传统的方法向深度点击率模型转变。这些深度点击率预测模型减轻了特征工程的负担，提高了模型的性能。例如，基于产品的神经网络(PNN)，深度交叉网络(Deep Crossing Network)、宽深模型(WideDeep)、深度兴趣网络(DIN)等，这些方法利用多层非线性神经网络自动提取高阶特征交互，提高了模型的性能。类似的模型，DeepCross网络，深度神经网络(DNN)，在一定程度上改善了点击率预测。然而，这种方法有两个局限性：1)只捕获高阶特征交互2)缺乏对哪些特征交互更有意义的解释。

发明内容

为了解决上述问题，本公开提供了一种推荐方法，包括如下步骤：

S100：将原始数据转化为数值数据，将大规模稀疏特征转化为低维密集特征；

S200：获得用户的兴趣表示；

S300：分别提取用户和项目的高阶特征交互和低阶特征交互，基于线性的全局注意力机制监视高阶特征交互和低阶特征交互对于点击率预测的不同贡献；

S400：预测用户是否点击候选项，最终完成向用户推荐项目。

本公开还提供了一种推荐系统，包括特征向量化层、兴趣提取层、特征提取层和预测层；其中，

所述特征向量化层将原始数据转化为数值数据，将大规模稀疏特征转化为低维密集特征

所述兴趣提取层获得用户的兴趣表示；

所述特征提取层分别提取用户和项目的高阶特征交互和低阶特征交互，基于线性的全局注意力机制监视高阶特征交互和低阶特征交互对于点击率预测的不同贡献；

所述预测层预测用户是否点击候选项，最终完成向用户推荐项目。

上述技术方案不仅考虑了高阶特征交互，还考虑了低阶特征交互，而且不需要特征工程。此外，我们还根据用户的历史行为计算用户的兴趣，以提高预测精度。技术上，本技术方案提出了一个层次注意力模型，可以提高点击率预测的准确性；还提出了一个特征交互提取器来学习高阶特征交互和低阶特征交互，以提高特征提取的准确性。