[发明专利]一种推荐模型的目标函数的构建方法及终端

权利要求书

1.一种推荐模型的目标函数的构建方法，其特征在于，包括以下步骤：

获取目标用户历史项目的第一历史特征向量，所述第一历史特征向量由所述历史项目的多个属性特征组成，并基于所述多个属性构建所述目标用户的目标特征向量，所述目标特征向量由所述历史项目的多个属性特征组成；

基于当前时间与历史行为时间构建时间因子模型；

获取基于所述时间因子模型影响下的第二历史特征向量；

基于所述第二历史特征向量的每一个属性特征与所述目标特征向量的每一个属性特征，获得初始特征交互向量；

基于MLP模型和交互向量，获取初始交互层的注意力机制权重，具体的所述基于MLP模型和交互向量，获取初始交互层的注意力机制权重的步骤，包括：

基于MLP模型，学习所述交互向量的注意力权重；

基于所述注意力权重，计算初始交互层的注意力机制权重Att_jt；

其中，所述注意力权重的计算公式为：

其中，W₁，W₂，W₃分别表示输入层到隐藏层、隐藏层间、隐藏层到输出层的权重参数，b₁，b₂，b₃分别是输入层到隐藏层、隐藏层间、隐藏层到输出层的偏置，ReLU是激活函数；Q_jt表示所述第二历史特征向量中第j个项目的第t个属性特征；P_it表示所述目标特征向量中第i个项目的第t个属性特征；

计算初始交互层的注意力机制权重Att_jt所采用的公式表达为：

其中，Att_jt为初始交互层的注意力机制权重，β是平滑指数；

基于所述初始交互层的注意力机制权重和所述第二历史特征向量，计算带权特征向量历史项目向量，具体的，计算带权特征向量历史项目向量的具体表达为：

其中，表示带权特征向量历史项目，Q_jt表示所述第二历史特征向量中第j个项目的第t个属性特征，n表示属性特征的数量；

将所述目标特征向量与所述权特征向量历史项目进行拼接交互，并基于交互结果获得深层交互模型注意力权重值，具体的，所述基于交互结果获得深层交互模型注意力权重值的公式表达为：

其中，表示深层交互模型注意力权重值，表示拼接向量，V₁，V₂，V₃分别是输入层到隐藏层、隐藏层间、隐藏层到输出层的权重参数，h₁，h₂，h₃分别是输入层到隐藏层、隐藏层间、隐藏层到输出层的偏置；γ表示平滑指数；ReLU是激活函数；

根据目标项目、历史项目、所述深层交互模型注意力权重值和所述带权特征向量历史项目向量，计算历史评分相似性与目标项目的乘积；

基于所述历史评分相似性与目标项目的乘积，构建推荐模型的目标函数。

2.根据权利要求1所述的推荐模型的目标函数的构建方法，其特征在于，所述时间因子模型的具体表达为：

其中，f_Tj为时间因子，其值为0至1之间；T_j是当前时间与历史行为时间的时间差，a_j为超参数；T₀表示时间阈值。

3.根据权利要求1或2所述的推荐模型的目标函数的构建方法，其特征在于，所述获取基于所述时间因子模型影响下的第二历史特征向量的具体表达为：

其中，Q_jt表示所述第二历史特征向量中第j个项目的第t个属性特征，是时间影响因子，q_jt表示所属第一历史特征向量中第j个项目的第t个属性特征。