[发明专利]一种基于注意力机制的神经协同过滤推荐方法

权利要求书

1.一种基于注意力机制的神经协同过滤推荐方法，其特征在于，包括以下步骤：

步骤S1、数据采集和处理：在movielens-1m官网和Pinterest官网下载数据集，清理脏数据；

步骤S2、划分数据集：将处理好的数据按照leave-one-out机制划分为训练集和测试集；

步骤S3、构建基于注意力机制的神经协同过滤模型：使用公开的ESIM模型的局部推理部分构建特征融合构建注意力部分，使用多层感知机学习用户和项目的特征交互部分，并最后将两者融合进行推荐；

步骤S4、模型训练和结果展示：步骤S2中所得到的训练数据集和测试数据集用于训练和评估步骤S3构建的神经协同过滤模型，根据用户对项目的预测评分判断是否将项目推荐给用户。

2.如权利要求1所述的基于注意力机制的神经协同过滤推荐方法，其特征在于，所述步骤S1的数据采集和处理的具体步骤如下：

S11、保留movielens-1m数据集中用户含有至少20个评分的数据，最终得到了6040个用户、3706个项目和1000209个互动数据；Pinterest数据集同样也只保留有过20个pin的用户，最终得到5187个用户、9916个项目和1500809个互动数据。

3.如权利要求1所述的基于注意力机制的神经协同过滤推荐方法，其特征在于，所述步骤S3中构建基于神经协同过滤模型的具体步骤如下：

S31、构建输入层：输入层包括两个部分，用户嵌入向量和项目嵌入向量；

S32、构建ANCF层：构建基于注意力机制的神经协同过滤推荐方法的学习框架；

S33、构建输出层：预测用户对项目的评分，通过上述步骤S32得到的结果作为输入，通过一个激活函数完成对用户项目的预测评分。

4.如权利要求3所述的基于注意力机制的神经协同过滤推荐方法，其特征在于，所述步骤S32构建ANCF层的具体步骤如下：

S32-1、构建Attention模型：利用用户和项目的嵌入向量通过局部推理机制提取用户和项目嵌入的推断信息，构建Attention模型；

S32-2、构建用户项目交互MLP模型：通过用户和项目的嵌入向量拼接后，连接多层感知机，学习用户嵌入和项目嵌入之间的非线性作用；

S32-3、构建融合模型：通过将上述步骤S32和S33得到模型的输出拼接得到新的向量，输入到一个全连接层，通过全连接层的作用后将结果输出作为输出层的输入向量。

5.如权利要求4所述的基于注意力机制的神经协同过滤推荐方法，其特征在于，所述步骤S32-1构建Attention模型的具体步骤如下：

S32-1-1、用户和项目嵌入向量作为Attention模型的输入；

S32-1-2、Attention模型通过最大池化操作后，得到的输出分别通过两两相乘、求和、求平均等多种组合运算操作，捕获差异性；

S32-1-3、将上述S32-2步骤组合运算得到的三个结果分别与三个权重运算组件相乘后再互相乘积得到Attention模型输出结果。

6.如权利要求4所述的基于注意力机制的神经协同过滤推荐方法，其特征在于，所述步骤S32-2构建用户项目交互MLP模型的具体步骤如下：

S32-2-1、将用户和项目嵌入向量拼接输入到多层感知器MLP的感知层；

S32-2-2、多层感知机MLP学习用户项目的交互关系，并将输入向量转换为用户项目交互向量，作为模型的下一层输入。

7.如权利要求4所述的基于注意力机制的神经协同过滤推荐方法，其特征在于，所述步骤S33构建输出层的具体步骤如下：

将上述步骤S32-3得到的输出结果向量，使用sigmoid函数激活，从而压缩到范围[0,1]。