[发明专利]一种基于改进循环神经网络算法的推荐召回方法及系统

权利要求书

1.一种基于改进循环神经网络算法的推荐召回方法，其特征在于，包括以下步骤：

S1、对目标用户交互数据进行时间交互序列化过滤，得到用户-对象交互记录；

S2、对步骤S1中用户-对象交互记录提取目标用户的交互对象类别特征；

S3、基于改进RNN循环神经网络对步骤S1中用户-对象交互记录与步骤S2中对象类别特征进行融合预测，得到召回生成结果；

所述步骤S3具体包括以下分步骤：

S31、根据步骤S1中用户-对象交互记录构建序列化交互记录模型，计算用户-对象的隐藏式表达向量；

S32、构建改进RNN循环神经网络，对步骤S2中对象类别信息与步骤S31中用户-对象的隐藏式表达向量的融合；

S33、对步骤S33中融合后的用户-对象各隐藏式表达向量进行解码，得到召回生成结果；

所述步骤S31具体包括以下分步骤：

S311、根据步骤S1中用户-对象交互记录构建序列化交互记录模型，并对序列化交互记录模型中对象信息进行定义计算，得到各对象转换的低维空间表达向量，定义计算式表示为：

其中，m_j→i,r为第r个对象转换的低维空间表达向量，c_i,j为消息的规范化常数，W_r为序列化交互记录模型中第r个对象的权重参数，x_j为序列化交互记录模型中第j个对象的表示向量；

S312、对步骤S311中低维空间表达向量进行序列数据编码，表示为：

其中，h_i为序列化编码操作结果，merge()为序列融合操作，m_j→i,r、m_j→i,R分别为第r个以及第R个对象转换的低维空间表达向量，Ni表示当前序列数据编码操作中待处理对象总数；

S313、对步骤S312中编码后结果进行线性变换，得到用户-对象各隐藏式表达向量，分别表示为：

u_i＝σ(W_uh_i)；

v_i＝σ(W_vh_i)；

其中，u_i为用户的隐式表达向量，W_u为用户权重参数，v_i为对象的隐式表达向量，W_v为对象权重参数，σ为非线性激活函数，h_i为序列化编码操作结果。

2.根据权利要求1所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤S1具体包括以下分步骤：

S11、对目标用户交互数据进行数据清理；

S12、对步骤S11中清理后交互数据进行时间序列范围内过滤，得到目标用户在预设时间范围内用户-对象交互行为信息；

S13、对步骤S12中用户-对象交互行为信息进行信息转换，得到用户-对象交互记录。

3.根据权利要求1所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、根据步骤S1中用户-对象交互记录构建对象信息提取模型，并提取目标用户的交互对象信息；

S22、计算步骤S21中目标用户的交互对象信息中各类别特征的统计学特征；

S23、对步骤S22中各类别特征的统计学特征进行整理，得到目标用户的交互对象类别特征。

4.根据权利要求3所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤S21具体包括以下分步骤：

S211、根据步骤S1中用户-对象交互记录构建对象信息提取模型；

S212、利用步骤S211中对象信息提取模型根据步骤S1中用户-对象交互记录进行提取，得到目标用户在预设时间范围内目标用户的交互对象信息；

S213、对步骤S212中目标用户的交互对象信息进行类别划分，并对划分结果进行数据转换，得到转换后目标用户的交互对象信息。