[发明专利]一种基于注意力机制的神经协同过滤推荐方法

说明书

本发明公开了一种基于注意力机制的神经协同过滤推荐方法，步骤为：数据采集和处理；划分数据集：将处理好的数据按照leave‑one‑out机制的划分为训练集和测试集；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；模型训练和结果展示，将所得到的训练数据集和测试数据集用于训练和评估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。本发明在引入注意力机制来分配权重值的同时，并结合MLP多层感知机捕获用户和项目之间的多层交互信息，来提升推荐的性能。

技术领域

本发明属于信息推荐的技术领域，尤其涉及一种基于注意力机制的神经协同过滤推荐方法。

背景技术

随着科技技术的发展和人们生活水平的提高，互联网规模和覆盖面越来越大，所产生的信息数据量呈爆炸式增长。过量的信息使得用户必须花费大量时间做信息过滤和整合来筛选有效信息。信息过载成为当前信息时代急需解决的问题。

为了提高人们对信息的有效利用，推荐系统作为一种重要信息过滤的重要手段，从众多过滤技术之中脱颖而出。它既能够满足主流需求，又可以为用户提供快捷高效的个性化服务。协同过滤算法是推荐系统的主要组成部分，目前主要可分为基于内容的过滤推荐、基于协同过滤的推荐和混合推荐等。其中基于协同过滤的推荐作为推荐系统中应用最广泛、最成功的推荐算法，其核心思想是利用其他用户的行为和反馈，来为目标用户推荐其可能感兴趣的产品。即和某用户相似的用户喜欢的资源，该用户很可能也喜欢；某用户喜欢某资源，他很有可能也喜欢与该资源相似的其他资源。

传统的协同过滤模型涉及到建模的关键因素—用户和项目特征之间的交互时，都是采用矩阵分解的方式，并将内积作为用户和项目的潜在特征点乘。然而，这种通过用户项目交互得到的隐式反馈往往会给系统带来一些问题。例如：如果用户u和项目i存在交互记录，这并不意味着用户u真的喜欢项目i，同样，如果用户u和项目i没有交互记录，这也并不意味着用户u不喜欢项目i，只是可能是因为用户u根本不知道有这个项目i。稀疏的用户项目数据会造成推荐排名的误差变大，同时如果使用大量的潜在因子去解决也可能对推荐系统的泛化能力造成不利影响。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于注意力机制的神经协同过滤推荐方法，解决传统协同过滤算法内积操作存在限制，推荐误差影响较大的问题，具有良好的推荐准确性和可解释性。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供一种基于注意力机制的神经协同过滤推荐方法，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机制的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。

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。