[发明专利]一种用户兴趣偏好捕获方法

说明书

本发明涉及一种用户兴趣偏好捕获方法，属于运用于点击率预测领域。该方法使用融合用户经验直觉与逻辑推理的双认知过程构建兴趣偏好捕获系统，通过该兴趣偏好捕获系统并行学习用户的历史交互序列数据，挖掘其历史交互行为的动态变化与顺序联系，捕获下一时刻用户的兴趣偏好；该方法包括以下步骤：S1、数据输入；S2、数据处理；S3、潜在兴趣偏好捕获；S4、动态兴趣偏好捕获；S5、兴趣偏好融合。本发明可以更精确的描述用户的兴趣偏好，提升用户与项的交互体验。

技术领域

本发明属于运用于点击率预测领域，涉及一种用户兴趣偏好捕获方法。

背景技术

随着互联网的发展以及人类互动和沟通需求的扩展，社交网络和社交媒体开始影响着人们的生活。社交网络正处于一个蓬勃发展的时期，各种形式的社交网络应用层出不穷的出现，使得社交网络由仅包含用户或项的同构社交网络发展为具有多样实体的异构社交网络。与此同时，互联网信息的海量，使得人们的个性化内容诉求开始逐渐觉醒，从以前单纯对信息“量”的追求渐渐转变为对更优质、更精准内容的渴求。而海量数据使得分析和预测用户行为成为可能。因此推荐系统作为一种信息过滤工具，已经体现了其在个性化内容分发的作用。其中点击率预测作为推荐系统的关键任务评估了用户点击给定项的概率。

近年来，随着深度学习在计算机视觉和自然语言处理等许多研究领域的巨大成功，国内外研究人员已经基于深度学习在点击率预测领域进行了深入的研究。Huang T,Zhang Z,Zhang J在“FiBiNET:combining feature importance and bilinear featureinteraction for click-through rate prediction”【In the 13th ACM Conference onRecommender Systems,pp.167-177,2019】中提出一种新的结合特征重要性和双线性特征交互进行点击率预测模型，FiBiNET利用SENET机制动态学习特征的重要性，并利用双线性函数有效地学习特征交互。Liu B,Tang R,Chen Y,et al在“Feature generation byconvolutional neural network for click-through rate prediction”【In the WorldWide Web Conference,pp.1119-1129,2019】中提出一种新的基于卷积神经网络的特征生成模型，特征生成利用CNN的强度生成局部模式，并将它们重新组合以生成新的特征，深度分类器采用IPNN的结构，从增强特征空间学习交互。

现有关于点击率预测模型还存在以下问题：

1)从用户经验直觉认知角度出发研究的特征提取方法虽然关注了用户兴趣偏好特征之间的交互，但是实际的用户项交互过程还包含着基于用户逻辑推理的决策；

2)随着时间的推移用户的兴趣偏好是动态变化和不断发展的，并且具有顺序依赖性，而传统的基于静态方式构建的模型并不能捕捉这种动态进化过程。因此，需要提出一种符合真实用户认知过程的兴趣偏好捕获方法，以更精确的描述下一阶段用户的兴趣偏好特征，提升用户与项的交互体验。

发明内容

有鉴于此，本发明的目的在于提供一种用户兴趣偏好捕获方法，该方法首先根据用户与项的交互特性将用户的历史交互序列划分为多个同质序列，将之作为潜在兴趣偏好捕获阶段与动态兴趣偏好捕获阶段的输入；其次，受用户双认知过程启发，潜在兴趣偏好捕获阶段基于用户经验直觉认知从距离当前最近的同质序列中捕获用户的潜在兴趣偏好，同时动态兴趣偏好捕获阶段基于用户逻辑推理认知从划分后的同质序列集合中捕获用户的动态兴趣偏好；最后，拼接融合两阶段生成的潜在兴趣偏好与动态兴趣偏好完成下一阶段用户兴趣偏好捕获。本发明可以更精确的描述用户的兴趣偏好，提升用户与项的交互体验。

为达到上述目的，本发明提供如下技术方案：