[发明专利]基于神经网络集合操作的用户偏好推荐方法和装置

说明书

本发明公开了一种基于神经网络集合操作的用户偏好推荐方法和装置，在获得正反馈交互序列和负反馈交互序列以及用户全局偏好信息的基础上，同时结合正反馈交互序列和负反馈交互序列对应的正反馈交互向量序列和负反馈交互向量序列，并采用集合操作获得正反馈偏好表示和负反馈偏好表示后，利用多层感知器对正反馈偏好表示和负反馈偏好表示以及用户全局偏好信息对应的用户全局偏好向量进行映射计算以获得用户综合偏好表示，最后通过计算用户综合偏好表示和候选交互项对应向量的相似度来评估推荐得分，依据推荐得分实现用户偏好推荐，这样能够提高用户偏好推荐的准确性。

技术领域

本发明涉及神经网络和推荐交叉结合的技术领域，具体涉及一种基于神经网络集合操作的用户偏好推荐方法和装置。

背景技术

推荐系统（Recommender systems，RSs）被广泛应用于在线服务和购物平台，对当今企业的成功做出了重大贡献。RSs可通过用户的历史反馈信息来学习用户的偏好表示，向用户推荐个性化的项目。在现实世界的RSs中，由于项目不被点击的情况居多，隐性反馈的数量要远远超过显性反馈，所以对于推荐系统来说，从隐性反馈中学习用户的偏好表示至关重要。在隐性反馈中，一些用户观察选择到的项被认为是正反馈，因为它们表明了用户对这些项的偏好，而未观察到的项通常被认为是负反馈。当使用推荐系统学习用户的偏好以提出个性化建议时，正反两面的用户偏好对于推荐的准确性都至关重要。

基于内存的协同过滤（Collaborative filtering，CF）方法已经成功应用于RSs。早期的CF方法利用用户-项目二进制交互矩阵直接表示用户和项目，并应用相似性函数计算每个用户和候选项目之间的匹配分数。虽然CF方法较为简易，但由于用户的偏好表示是直接从所有项目的交互中建立的，并且交互通常很少，因此存在稀疏性问题。

为了解决传统CF方法中用户偏好表示的稀疏性问题，RSs中普遍采用基于模型的CF方法，以反馈信息作为训练样本，将用户偏好作为实值向量进行学习。其中比较有代表性的是矩阵分解（Matrix Factorization，MF）技术，该MF技术学习潜在空间中的用户和项目表示，并使用点积测量匹配分数。虽然MF技术克服了稀疏性问题，但由于它假设原始表示空间和潜在空间之间存在线性映射，因此学习到的用户偏好表示的表达能力受到限制，这种线性映射也不可以得到保证。

深度神经网络（Deep Neural Networks，DNN）在表示学习领域展现出了出色的性能，DNN也被应用于改进推荐系统的性能。递归神经网络（Recurrent Neural Network，RNN）从源于历史会话的用户项目交互中学习用户偏好，使用注意力机制进行细粒度用户偏好提取。尽管基于深度学习的推荐系统可以在许多推荐任务上达到最先进的性能，但现有模型或者只关注正反馈（例如，点击）的用户偏好表示，或者忽略用户不喜欢的内容，或者直接将用户的正面和负面偏好压缩至一个固定长度的嵌入表示中。这种做法会限制用户偏好表示的信息量，导致此类模型的性能会受到影响。

发明内容

鉴于上述，本发明的目的是提供一种基于神经网络集合操作的用户偏好推荐方法和装置，同时结合用户的正反馈项目和负反馈项目以及用户全局偏好信息，并采用嵌有集合操作的神经网络学习用户综合偏好表示，根据该用户偏好表示进行偏好推荐，提升了推荐的准确性。

为实现上述发明目的，实施例提供的一种基于神经网络集合操作的用户偏好推荐方法，包括以下步骤：

从用户历史交互信息中提取所有正反馈交互项和负反馈交互项，并将所有正反馈交互项和负反馈交互项按照交互时间顺序排列分别构建正反馈交互序列和负反馈交互序列；获取用户全局偏好信息；

将正反馈交互序列和负反馈交互序列分别编码成正反馈交互向量序列和负反馈交互向量序列，将用户全局偏好信息编码成用户全局偏好向量；