[发明专利]一种推荐模型的目标函数的构建方法及终端

说明书

本发明提供了一种推荐模型的目标函数的构建方法，包括：获取目标用户历史项目的第一历史特征向量和目标特征向量；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；获得初始特征交互向量；获取初始交互层的注意力机制权重；计算带权特征向量历史项目；基于交互结果获得深层交互模型注意力权重值；计算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。以通过优化目标函数，对参数使用自适应学习率，每次随机选择训练事例，使每个模型参数向负梯度方向更新。

技术领域

本发明涉及推荐模型的函数构建领域，尤其涉及一种推荐模型的目标函数的构建方法及终端。

背景技术

本发明公布了一种融合时间因子和双层注意力机制的协同过滤算法。涉及推荐系统领域。本发明针对时间对用户行为的影响，提出了引入时间影响因子方法。考虑到用户喜好具有稳定性，并且设置了阈值。同时发现用户即使选择了同类商品，却存在选择原因可能不同的现象，为了更加准确预测用户下一行为，提出了引入注意力机制。考虑推荐系统存在越喜欢越推荐，越陌生越不推荐的现象，推荐的多样性不足的问题，从而导致信息闭环。所以本专利设计先进行特征交互，发掘深层特征，再计算特征间的注意力机制。为防止推荐准确度不高，设计了双层注意力机制。提出了使用不同的方式进行特征处理，初始交互层使用特征间乘积的方式进行交互，深层交互层使用拼接向量的方式交互。

随着互联网科技的普及，信息量呈爆炸式增长，用户获取信息的方式和途径改变。推荐系统根据用户的历史行为数据，挖掘用户喜好，可以帮助用户从海量数据中推荐用户可能感兴趣的项目，有助于减少用户在海量数据中搜索信息的时间。推荐系统具有一定的商业价值，在电商领域中帮助用户选购合适的商品，从而增加商品销量，带动经济增长。

然而推荐系统现存的方法中存在一些问题，用户需求是模糊不确定的，很长时间前的喜好可能与现在不同，用户选择同类商品时选择的原因可能不相同，推荐系统算法存在推荐多样性低，信息闭环的特点。为此，我们对这类问题进行了研究。

在时间影响因素中，用户对于很久之前的喜好，用户的喜好很可能会发生改变。比如用户四年前爱看文艺片，最近半年学习压力大，喜欢看轻松愉悦的喜剧片。因为四年前的历史行为数大，在模型学习的过程中，更偏向推荐文艺片，但这与用户现在行为不符，四年前的喜好应该对现在的偏好选择影响小，现在的喜剧片的特征向量应该权重更大，我们考虑时间对用户喜好的影响。同时用户喜好具有稳定性，一定时间不会发生变化。

在注意力机制中，由于用户选择相同类物品结果相同，但选择的原因可能不同，为了区分用户对某一特征的喜好，所以引入了注意力机制。比如用户看了电影A和B，发现共同都有女主角a，但是结合历史数据分析，发现电影B中男主角是b，用户对于女主角a来说，更喜欢男演员b，那么下一部推荐的电影，倾向于推荐男演员b的电影，为了更好的预测用户行为，我们深究其原因，对用户行为进行量化，引入了注意力机制。注意力模型最近几年在深度学习各个领域被广泛使用，无论是图像处理、语音识别还是自然语言处理的各种不同类型的任务中，都很容易遇到注意力模型的身影。

目前推荐系统容易存在推荐多样性低，容易形成信息闭环。基于物品的协同过滤ItemCF，常用的衡量方法有jacarrd相似度、余弦相似度、皮尔逊相似度等等。基本思想是通过用户所有历史评分项目的相似性，计算目标项目和历史项目的距离来判断是否要给用户推荐，存在项目间向量表达不足的问题。如果出现用户较陌生的物品，则相似度很小不会推荐，会造成越喜欢越推荐，越陌生越不推荐的现象，使推荐物品多样性降低。

发明内容

本发明的目的在于提供一种推荐模型的目标函数的构建方法及终端，以通过优化目标函数，对参数使用自适应学习率，每次随机选择训练事例，使每个模型参数向负梯度方向更新。

为实现上述目的，本发明采用以下技术手段：

一种推荐模型的目标函数的构建方法，包括以下步骤：