[发明专利]基于双层注意力模型的个性化节目推荐方法、系统

说明书

本发明提供一种基于双层注意力模型的个性化节目推荐方法，通过预设的加入了双层注意力机制的协同过滤模型基于预获取的邻域向量、各个项目的隐式向量进行成对学习以优化目标函数，并将最后一次优化的目标函数作为最终目标函数，而后基于所述最终目标函数获取估计分数，并对各个项目对应的估计分数进行排序以按照所排序的顺序对各个项目进行节目推荐，如此，将基于多媒体内容推荐的双层注意力机制整合到协同过滤框架中，从而有效地深入挖掘内在隐含的用户偏好，挖掘用户更全面的兴趣，从而解决现有的节目推荐算法对用户的节目偏好信息建模不足的问题。

技术领域

本发明涉及多媒体推荐技术领域，更为具体地，涉及一种基于双层注意力模型的个性化节目推荐方法、系统。

背景技术

随着互联网的发展，信息大爆炸时代的到来，人们完成了从信息匮乏到信息过载的过渡。个性化推荐于 20 世纪 90 年代作为计算机领域的独立学科概念被提出，推荐系统的核心为替代用户对未接触的信息内容进行评估。它的出现缓解了信息过载的压力，帮助用户从海量的数据中获得真正对自身有帮助的信息。然而，大多数现有的推荐系统并不是为多媒体推荐而设计的，因为它们忽略了用户与多媒体内容交互背后隐藏的偏好信息。“注意力机制”来源于人类最自然的选择性注意的习惯，双层注意力模型的构建能充分挖掘用户与产品之间的隐式反馈，精准地定位用户潜在需求。

传统推荐算法如基于内容的推荐算法、基于协同过滤的推荐算法和混合推荐算法通过不断的发展已经可以为用户带来较为准确的推荐结果，但仍然存在一些不足：第一：这些算法不能充分挖掘用户与项目之间的更深层次信息；第二：这些算法无法感知获取互联网中图像、文本、标签等越来越多样的多源异构数据，也不能很好地利用用户丰富的特征信息和个性化需求信息的数据。如何充分利用用户和物品的其他多种特征来提高推荐系统性能，成为推荐系统研究的热点。

因此，亟需一种解决现有的节目推荐算法对用户的节目偏好信息建模不足的问题，对内容特征的提取方式进行改进，将基于多媒体内容的推荐整合到协同过滤框架中，从而挖掘用户更全面的兴趣的基于双层注意力模型的个性化节目推荐方法、系统。

发明内容

鉴于上述问题，本发明的目的是提供一种基于双层注意力模型的个性化节目推荐方法、系统，以解决现有的节目推荐算法无法学习到用户或项目的深层次特征，对用户的节目偏好信息建模不足的问题。

本发明提供的一种基于双层注意力模型的个性化节目推荐方法，包括：

通过预设的加入了双层注意力机制的协同过滤模型基于预获取的邻域向量、各个项目的隐式向量进行成对学习以优化目标函数，并将最后一次优化的目标函数作为最终目标函数；

基于所述最终目标函数获取估计分数，并对各个项目对应的估计分数进行排序以按照所排序的顺序对各个项目进行节目推荐；其中，

通过预设的加入了双层注意力机制的协同过滤模型基于预获取的邻域向量、各个项目的隐式向量进行成对学习以优化目标函数的步骤，包括：

针对预采集的广度数据集提取文本特征和图像特征，并将所述文本特征、所述图像特征和预获取的其他特征输入至预设的嵌入层中以获取组件级特征；

将所述组件级特征和预获取的用户隐式向量输入至所述双层注意力机制中的组件级注意力模块中以根据所述组件级特征和所述用户隐式向量构建内容特征；

将所述内容特征、所述用户隐式向量，以及预获取的辅助项目隐式向量输入至所述双层注意力机制中的项目级注意力模块中，以使所述项目级注意力模块基于所述内容特征、所述用户隐式向量和所述辅助项目隐式向量获取邻域向量；

基于所述邻域向量和预获取的各个隐式向量进行成对学习以优化预构建的关于所述协同过滤模型的目标函数，直至预设的优化参数收敛则结束优化。

优选地，针对预采集的广度数据集提取文本特征和图像特征的步骤，包括：