[发明专利]一种基于兴趣感知和用户相似度的新闻推荐方法

权利要求书

1.一种基于兴趣感知和用户相似度的新闻推荐方法，其特征在于，包括以下步骤：

步骤1：利用多通道CNN，学习包括新闻标题、新闻正文和新闻实体在内的新闻文本表征；

步骤2：挖掘用户的长期和短期兴趣偏好，获得初始用户表征；

步骤3：构建异构图；对于一个异构图，每个节点的节点类型包括用户居住地域、用户使用设备、用户使用系统以及用户阅读环境；根据节点类型不同，节点之间的关系也不同；根据不同的用户属性，直接从原数据集中提取基于用户属性的解释三元组，用于推荐解释；

步骤4：根据不同的解释依据，采样对应的邻居；

步骤5：利用邻居增强用户表征；利用内部注意力机制，学习不同朋友对用户的影响；

步骤6：利用用户属性增强用户表征；利用外部注意力机制学习不同属性增强的用户表征；

步骤7：对于每个用户，将步骤2得到的初始用户表征和步骤6得到的基于属性增强的用户表征拼接起来，得到最终用户表征；

步骤8：将步骤1得到的新闻表征和步骤7的得到的最终用户表征相乘，再经过一个softmax函数，得到所有新闻的预测概率分布；

其中，概率分布的每一项表示对应的新闻被用户点击的概率，并取概率值最大的前K个新闻作为当前用户的推荐项目，K由用于自行设定；

根据步骤7，得到注意力权重最大的值对应的用户属性，即，用户对这种用户属性关注度最高，称为推荐给用户的解释；

步骤9：使用真实的概率分布与步骤8得到的预测概率分布之间的交叉熵，作为损失函数来训练模型；

步骤10：判断迭代次数是否满足预先设置的迭代数，或者步骤9的损失值是否小于设定的阈值；

如果迭代次数满足预设的迭代数，或者损失值小于设定阈值，则结束训练流程，如果不满足，则返回步骤1继续下一轮迭代训练；

结束训练之后，即可得到概率值最大的前K个新闻组成的推荐列表。

2.如权利要求1所述的一种基于兴趣感知和用户相似度的新闻推荐方法，其特征在于，步骤1包括以下步骤：

步骤1.1：利用多通道CNN中的标题通道，学习新闻标题表征；

首先使用词嵌入生成固定长度的词向量，之后将标题的所有词表征依次拼接获取标题嵌入矩阵，然后对标题嵌入矩阵进行卷积运算获得标题特征图，最后把标题特征图送入最大池化层，得到有效的标题特征；

步骤1.2：利用多通道CNN中的正文通道，学习新闻正文表征；

首先使用与标题通道共享的词嵌入层来生成固定长度的词向量，然后使用卷积核从标题嵌入矩阵获取正文特征图，最后采取最大池化层从正文特征图中获取到有效的正文特征；

步骤1.3：利用多通道CNN中的实体通道，学习新闻实体表征；

首先使用独热编码获得每个实体表示向量，并将这些独热编码向量通过实体嵌入层转换为低维嵌入；然后将所有低维嵌入进行拼接作为实体嵌入向量，最后把实体嵌入向量送到全连接层来学习实体表示；

步骤1.4：将标题表征、正文表征和实体表征实现拼接并输入全连接层，获取全面的新闻表征。

3.如权利要求1所述的一种基于兴趣感知和用户相似度的新闻推荐方法，其特征在于，步骤2包括以下步骤：

步骤2.1：获取用户的短期兴趣表征；

首先使用嵌入层将用户近期连续点击序列初始化为低维向量，然后采用GRU处理低维向量，以捕获用户的短期兴趣表示；

步骤2.2：获取用户的长期兴趣表征；

首先使用嵌入层将用户全部点击历史序列初始化为低维向量表示，然后把低维向量通过稠密层，获取用户的长期兴趣表示；

步骤2.3：把用户短期兴趣和用户长期兴趣拼接起来，得到初始用户表征。

4.如权利要求3所述的一种基于兴趣感知和用户相似度的新闻推荐方法，其特征在于，GRU为使用带有Gated Recurrent Unit的递归神经网络。