[发明专利]一种基于自适应网络深度的序列推荐方法和系统

权利要求书

1.一种基于自适应网络深度的序列推荐方法，包括以下步骤：

构建序列推荐模型，该序列推荐模型设有多个空洞卷积残差块作为主体网络，并设有用于管理主体网络深度的策略网络；

以设定的损失函数为目标，利用样本集训练所述序列推荐模型，获得经训练的主体网络，并且对于所述多个空洞卷积残差块中的每一个，策略网络输出用于表征该空洞卷积残差块保留或跳过的决策指示；

将待推荐用户的历史浏览序列输入经训练的序列推荐模型，并根据策略网络的决策指示确定需跳过的空洞卷积残差块，以输出后续时刻用户推荐项的预测结果。

2.根据权利要求1所述的方法，其中，根据以下步骤训练所述序列推荐模型：

以设定的第一损失函数为目标，利用样本集训练主体网络，获得预训练的主体网络；

以设定的第二损失函数为目标，利用所述样本集端到端联合训练所述预训练的主体网络和策略网络，获得用于表征主体网络中每个空洞卷积残差块保留或跳过的决策指示。

3.根据权利要求2所述的方法，其中，所述第一损失函数和所述第二损失函数一致，均设置为正确项与预测项之间的交叉熵。

4.根据权利要求1所述的方法，其中，策略网络包括一个空洞卷积残差块，其以用户历史浏览序列X＝{x₁,x₂,...,x_n-1}为输入，并经过Gumbel-softmax采样产生决策指示序列{a₁,a₂,...,a_N}，其中N为主体网络中空洞卷积残差块的数量，每一个决策动指示分别用于指导主体网络在进入对应的空洞卷积残差块前是选择保留该空洞卷积残差块或是跳过该空洞卷积残差块。

5.根据权利要求1所述的方法，其中，每个空洞卷积残差块包括多个叠加的空洞卷积层、层归一化层和激活层。

6.根据权利要求1所述的方法，其中，所述主体网络是NextItNet模型。

7.一种基于自适应网络深度的序列推荐系统，包括：

模型构建单元；用于构建序列推荐模型，该序列推荐模型设有多个空洞卷积残差块作为主体网络，并设有用于管理主体网络深度的策略网络；

模型训练单元：用于以设定的损失函数为目标，利用样本集训练所述序列推荐模型，获得经训练的主体网络，并且对于所述多个空洞卷积残差块中的每一个，策略网络输出用于表征该空洞卷积残差块保留或跳过的决策指示；

序列推荐单元：用于将待推荐用户的历史浏览序列输入经训练的序列推荐模型，并根据策略网络的决策指示确定需跳过的空洞卷积残差块，进而输出后续时刻用户推荐项的预测结果。

8.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至6中任一项所述方法的步骤。