[发明专利]一种对话推荐方法、装置、电子设备及存储介质

说明书

本发明提供一种对话推荐方法，装置、电子设备及介质，采用历史序列提升推荐效率，方法包括：获取用户与项目之间的历史交互序列，并将历史交互序列输入至包含嵌入层、自注意块及预测层的推荐网络模型中进行训练，生成项目偏好值；其中，项目包含项目属性；利用项目偏好值及用户未交互过的项目生成候选项目集；当接收到用户发送的偏好项目属性时，利用偏好项目属性更新候选项目集，并利用项目相关值计算更新后的候选项目集中各候选项目的交互预测值；利用交互预测值及候选项目生成候选属性集，并利用交互预测值计算候选属性集中各候选项目属性的偏好预测值；将完成计算后的候选项目集及候选属性集输入策略网络中进行强化学习，向用户进行对话推荐。

技术领域

本发明涉及对话推荐领域，特别涉及一种对话推荐方法、装置、电子设备及存储介质。

背景技术

对话推荐系统(CRS，Conversational Recommender System)是一种可主动向用户获取偏好属性并利用该属性进行项目推荐的推荐系统。在相关技术中，对话推荐可以利用当前向用户询问的偏好属性进行推荐，并且它可以考虑用户交互过的历史项目向用户询问偏好属性或是推荐项目，但忽视了用户与历史项目之间的交互次序对推荐的影响但是却忽略掉了交互历史项目的序列的重要性，进而导致现有的对话推荐方法难以高效且准确地与用户进行对话推荐。

发明内容

本发明的目的是提供一种对话推荐方法、装置、电子设备及存储介质，可利用反映用户历史项目偏好的历史交互序列进行推荐网络模型训练及生成候选项目集，进而可确保对话推荐能够有针对性向用户进行对话，提升对话推荐的效率及准确度。

为解决上述技术问题，本发明提供一种对话推荐方法，包括：

获取用户与项目之间的历史交互序列，并将所述历史交互序列输入至包含嵌入层、自注意块及预测层的推荐网络模型中进行训练，生成项目偏好值；其中，所述项目包含项目属性；

利用所述项目偏好值及所述用户未交互过的项目生成候选项目集；

当接收到所述用户发送的偏好项目属性时，利用所述偏好项目属性更新所述候选项目集，并利用所述项目相关值计算更新后的候选项目集中各候选项目的交互预测值；

利用所述交互预测值及所述候选项目生成候选属性集，并利用所述交互预测值计算所述候选属性集中各候选项目属性的偏好预测值；

将完成计算后的候选项目集及候选属性集输入策略网络中进行强化学习，向所述用户进行对话推荐。

可选地，所述将所述历史交互序列输入至包含嵌入层、自注意块及预测层的推荐网络模型中进行训练，生成项目偏好值，包括：

利用所述历史交互序列生成预设长度的训练序列；

将所有所述项目及所述训练序列输入所述嵌入层，输出整合嵌入矩阵；

将所述整合嵌入矩阵输入所述自注意块中进行迭代特征学习，生成学习矩阵；

将所述学习矩阵输入所述预测层进行矩阵分解，计算初始项目偏好值；

利用二值交叉熵损失函数对所述推荐网络模型进行网络优化，直至所述二值交叉熵损失函数的输出值最小时，将所述输出值最小时的初始项目偏好值作为所述项目偏好值。

可选地，所述将完成计算后的候选项目集及候选属性集输入策略网络中进行强化学习，向所述用户进行对话推荐，包括：

将所述候选项目集及所述候选属性集输入所述策略网络中进行所述强化学习，生成动作决策；

利用所述动作决策向所述用户进行对话推荐。

可选地，所述利用所述动作决策向所述用户进行对话推荐，包括：