[发明专利]一种社交行为融合的自注意力序列推荐方法

说明书

本发明提供了一种社交行为融合的自注意力序列推荐方法，社会化推荐算法能很好的缓解用户历史数据稀疏问题，但一般的社会化推荐方法忽略了用户兴趣的动态变化，针对这一问题提出了一种社交行为融合的自注意力序列推荐方法、系统及装置。该方法首先构建用户的短期兴趣模型，然后利用注意力机制构建用户当前时刻的社交兴趣，最后结合上述短期兴趣和社交兴趣得到用户的最终兴趣向量，并根据该兴趣向量将匹配度最佳的物品推荐给用户。与已有方法相比，本发明方法能更加充分的利用社交信息进行更准确的推荐。

技术领域

本发明涉及一种社会化推荐技术领域，具体为一种社交行为融合的自注意力序列推荐方法、计算机设备及存储介质。

背景技术

随着当今技术的飞速发展，数据量也与日俱增，人们越来越感觉在海量数据面前束手无策。互联网上的大量数据内容，使用户难以在短时间内做出选择。例如，音乐电影图片的网站上，内容提供商上传了大量的音频视频文件，以及多种格式的图像，供用户欣赏，但基于每个个体用户的欣赏水平的不同，用户如果需要从大量文件搜索到自己喜欢的，导致信息过载的问题，会造成时间的大量浪费，导致用户体验度的下降。为了解决信息过载(Information overload)的问题，提出了推荐系统。

现有的推荐系统往往利用用户的历史评分来预测用户对为评分物品的兴趣，但得到的评分矩阵通常为稀疏矩阵，导致推荐效果不佳。社交关系理论一般假设在强社交关系的影响下，用户与社交邻居之间有相似的偏好，因此可以作为额外信息缓解数据稀疏问题。现存的大多数社会化推荐算法通常假设用户的社交情况是不变的，但事实上用户的社交关系是随着时间而变化的。

发明内容

本发明的目的在于提出一种社交行为融合的自注意力序列推荐方法、计算机设备及存储介质，通过引入用户社交关系缓解了现有的协同过滤和矩阵分解算法所需数据集稀疏的问题，同时使社会化推荐更具有时效性。

本发明提供了一种社交行为融合的自注意力序列推荐方法，包括：

接收目标用户的商品推荐请求，提取目标用户及其朋友的历史交互记录，并将交互记录中的商品id映射到一商品隐空间，并加入位置嵌入；

利用自注意力机制构建用户的短期兴趣向量，添加多头注意力机制通过不同head捕捉不同方向信息；

利用得到的用户短期兴趣向量融合朋友的历史交互商品嵌入特征，挖掘朋友历史交互行为中与用户当前时刻相似的商品，生成用户当前时刻的社交兴趣；利用权重融合用户当前时刻的短期兴趣向量和社交兴趣得到用户的最终兴趣向量；

将二元交叉熵作为损失函数，利用adam算法优化商品隐空间参数；

计算融合后的用户兴趣向量与商品的相似度，将最佳近似的商品特征作为预测结果，根据预测结果，将相似度最大的前K项商品id推荐给用户。

其中，在将交互列表中的商品id映射到一商品隐空间，并加入位置嵌入的步骤中，包括步骤：

用户u的历史交互记录为用户a的历史交互记录为其中用户a是用户u的朋友；

构建d维的商品隐空间，将预处理过的用户历史交互序列作为输入，通过检索d维的商品隐空间得到用户u的商品特征，

G^u＝embedding(I,R^u)

其中在G^u矩阵的第t行表示用户u在第t时刻交互商品的嵌入向量；

对每个位置映射到位置隐空间得到位置向量再结合位置向量和物品特征，得到包含位置信息的物品特征，表示为：

其中在H^u矩阵的第t行表示用户在第t时刻交互的商品在t位置的表示；

其中，自注意力机制表示为：