[发明专利]一种基于多兴趣胶囊网络的会话推荐方法

说明书

本发明公开了一种基于多兴趣胶囊网络的会话推荐方法。该方法建立一个模型对当前会话进行建模，并预测用户点击目标物品的概率。很多方法用一个向量来表示用户的兴趣，这样是远远不够的。用户在一个会话中，不一定只有一个兴趣，可能有多种兴趣。因此，本方法提出多兴趣胶囊网络方法，方法向前传播部分主要由二个部分组成：第一部分是根据用户当前会话中的物品序列，采用多兴趣胶囊网络生成用户的多兴趣表征。本方法将胶囊网络中的信息融合部分算法改成序列算法，且该序列算法的输入的权重不同。所以本方法进一步改进门控循环单元网络的神经元单元，来处理权重不同的输入序列。第二部分是根据用户多兴趣表征，预测用户对目标物品的点击率。

技术领域

本发明属于互联网服务技术领域，尤其是涉及一种基于多兴趣胶囊网络的会话推荐方法。

背景技术

随着在线服务的发展和流行，在线平台记录着大量的用户行为数据。从海量数据中找出用户最感兴趣的物品并推荐给用户，可以极大地提升用户的满意度和公司的收益。此时，推荐系统显得非常重要。推荐系统可以从海量物品中挖掘出用户最喜欢的物品。

传统的方法，例如基于内容的推荐方法和协同过滤方法，仅仅捕捉到用户的静态交互信息。实际上，用户的属性和交互活动是不断地更新的，这种序列数据反映出用户兴趣的变化性。因此，基于序列数据的推荐系统吸引了越来越多的关注，会话推荐方法正是一种基于序列数据的推荐方法。会话是一段时间内的用户交互序列，可以及时捕捉到用户兴趣的动态变化。很多方法用一个向量来表示用户的兴趣，这样是远远不够的。用户在一个会话中，不一定只有一个兴趣，可能有多种兴趣。

本方法用胶囊网络(capsule network)从当前会话的物品序列中抽取出用户的多兴趣，胶囊网络最先是在2017年由Hinton在图像视觉领域中提出并使用。胶囊网络应用在图像领域中时，网络的输入是图像中的块(patch),而块之间不具有序列性。但是用户会话中的物品序列具有时间先后性，且物品之间的先后依赖关系明显。所以处理无序输入的原始胶囊网络并不适用于有序序列。本方法将对原始胶囊网络进行改进，并应用于物品推荐领域。

发明内容

本方法是一种基于会话的物品点击率预测方法，也就是建立一个模型对当前会话进行建模，并预测用户点击目标物品的概率。很多方法用一个向量来表示用户的兴趣，这样是远远不够的。用户在一个会话中，不一定只有一个兴趣，可能有多种兴趣。本方法用胶囊网络(capsule network)从当前会话的物品序列中抽取出用户的多兴趣，胶囊网络最先是在2017年由Hinton在图像视觉领域中提出并使用。胶囊网络应用在图像领域中时，网络的输入是图像中的块(patch),而块之间不具有序列性。但是用户会话中的物品序列具有时间先后性，且物品之间的先后依赖关系明显。所以处理无序输入的原始胶囊网络并不适用于有序序列。为此，本发明采用以下技术方案：

一种基于多兴趣胶囊网络的会话推荐方法，包括以下步骤：

根据用户当前会话中的物品序列，采用多兴趣胶囊网络生成用户的多兴趣表征。对于一个用户会话可以表示为X＝[x₁,…,x_l]，其中是物品向量特征，通过模型训练得到，d是特征向量长度。采用多兴趣胶囊网络从物品序列中抽取出用户多兴趣，多兴趣胶囊网络的低层(low layer)是物品，高层(high layer)是兴趣。得到用户多兴趣表征的伪代码为：