[发明专利]一种行为感知推荐方法、终端及计算机可读存储介质

说明书

本发明公开了一种行为感知推荐方法、终端及计算机可读存储介质，方法包括：获取目标对象的下一行为与当前行为的注意力分数，并将注意力分数作为异构行为信息加入感知推荐模型的输入层中；在感知推荐模型的输出侧引入目标行为，并根据目标行为对感知推荐模型进行训练，得到训练后的感知推荐模型；根据训练后的感知推荐模型对目标对象的目标行为进行预测，得到目标行为对应的下一行为预测结果，并将得到的预测结果推荐至目标对象所在的客户端。本发明通过在输入层应用注意力机制，使用下一行为与当前行为之间的注意力分数作为异构行为信息，解决了异构性无法区分的问题；同时，通过在输出侧引入真实的下一行为，解决了异构性预测不准确的问题。

技术领域

本发明涉及数据挖掘应用领域，尤其涉及的是一种行为感知推荐方法、终端及计算机可读存储介质。

背景技术

推荐系统已经成为当今互联网不可缺少的一部分，它被广泛应用于各大网站平台，可以极大地缓解信息过载问题，从而实现个性化推荐。现有的推荐算法根据用户的历史交互记录来给用户推荐他/她未来可能感兴趣的物品。序列推荐算法是推荐算法中的一个研究热点，它通过按照时间顺序考虑用户的历史交互序列，来对用户的下一个交互进行推荐，符合我们的真实应用场景。大部分序列推荐算法只针对单种行为类型的交互序列(如用户的历史购买序列)进行推荐，这种算法又被称为顺序单类协同过滤算法(SOCCF)。虽然顺序单类协同过滤算法已经能够很好地利用用户的历史行为，但是在实际场景中，用户的行为类型往往不止一种。例如，在某个购物网站中，用户的行为通常有点击、购买、添加购物车、收藏等多种类型，如果只考虑一种行为，会丢失大量的可用信息。

在顺序单类协同过滤中，已经出现了很多同构序列推荐算法，比如：基于RNN的方法GRU4Rec、基于CNN的方法Caser和NextItNet，以及基于注意力的算法SASRec等。但是，这些方法无法区分序列中针对同一物品的不同行为，因为这些算法在设计时仅考虑对单一类型的行为进行建模；为了解决此问题，最近的一些顺序异构单类协同过滤(SHOCCF)算法工作尝试对异构序列进行建模，例如RLBL、RIB和BINN。循环对数双线性模型(RLBL)将一个序列划分为多个时间窗口，使用对数双线性模型(LBL)来聚合每个时间窗口的交互信息，引入了与行为相关的转移矩阵来区分不同的行为，从而得到该窗口内的短期偏好。由于一个序列被划分为多个窗口，RLBL进一步使用RNN聚合不同窗口的偏好，从而得到用户的长期偏好。结合微观行为序列建模的推荐(RIB)考虑用户的异构行为序列，将异构序列中每一个物品对应的行为特征向量与该物品的特征向量进行拼接，作为一个整体输入到LSTM中，从而让LSTM能够在一步一步的建模中捕捉到不同行为之间的转移模式。行为密集型神经网络(BINN)提出了新型的基于RNN结构的上下文感知长短期记忆网络(CLSTM)，在LSTM中引入了对异构行为的建模，从而使得BINN在运行过程中能区分和保留与行为相关的记忆。它们都是基于循环神经网络的方法，并通过行为潜在特征矩阵来区分不同的行为。

最近，很多工作使用RNN来建模异构序列。虽然RNN是一种对序列信息进行建模的有效方法，但它存在难以并行训练，容易出现梯度消失等缺点。在异构序列推荐问题中，一些同样表现突出的技术，例如CNN和自注意力机制尚未被应用于异构序列推荐中。一方面，是这些技术本身缺乏对异构行为进行建模的能力。另一方面，当它们直接用于具有多种类型行为的序列时会引起混淆。

因此，现有技术还有待改进。

发明内容

本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种行为感知推荐方法、终端及计算机可读存储介质，以解决现有的异构预测不准确的技术问题。

本发明解决技术问题所采用的技术方案如下：

第一方面，本发明提供一种行为感知推荐方法，行为感知推荐方法包括以下步骤：

获取目标对象的下一行为与当前行为的注意力分数，并将所述注意力分数作为异构行为信息加入感知推荐模型的输入层中；