CN110032684A - 基于共享账户的信息跨域并行序列推荐方法、介质及设备 - Google Patents

Abstract

本公开提供了一种基于共享账户的信息跨域并行序列推荐方法、介质及设备，通过提取给定的账户在不同领域的观看序列，并对其进行编码，得到给定账户在单个领域的混合表示；通过学习混合表示来识别不同的用户行为，过滤出可能对另一个域有用的信息；将各领域的有用信息迁移至对应的其他领域中；整合不同领域过滤的有用信息，对每一个相关信息进行评价，根据评价结果，推荐相关的信息给对应账号。解决推荐系统中常出现的冷启动和数据稀疏性问题。

Description

基于共享账户的信息跨域并行序列推荐方法、介质及设备

技术领域

本公开属于信息处理领域，具体涉及一种基于共享账户的信息跨域并行序列推荐方法、介质及设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

序列推荐是根据用户在某一时间段内的浏览或者购买记录来捕捉用户短期或者长期的兴趣爱好的方法。在此之中，用户的记录有着明确的时间顺序，同一时间段内的记录可能反映了用户相同的兴趣和目的。

共享账户推荐是针对多个用户共用一个账号提出的问题，近年来各个平台中家庭成员共用账号尤为普遍。一个账号下的多个用户可能会有共同的兴趣和各自的爱好，因此如何准确识别出每个用户并对其做出精确的个性化推荐变得愈发重要。

跨领域推荐是面向多个领域的，旨在通过研究其中一个领域下用户的兴趣分布来提升其他领域推荐性能的算法。该项任务的基本假设是基于用户在不同领域下的记录能够反映同一个用户相同的兴趣，从而可以通过研究一个领域中用户的兴趣进而提升其他领域的推荐性能以改善推荐系统经常存在的数据稀疏和冷启动问题，因此引起了学术界的广泛重视。

据发明人了解，传统的序列推荐都是针对单个用户在某个特殊领域做出的研究，目前循环神经网络被广泛的用来捕捉用户记录中的时序特性。在以往有关共享账户的研究工作中，通常都是先在高维的空间下建模出多个用户与公共账户之间的复杂映射关系以此来捕捉各用户的兴趣爱好，然后针对特定用户去做个性化推荐。在以往有关跨领域推荐的研究工作中，目前主流的基础做法有两种，一种是聚合多个域的信息，另外一种用到了知识迁移。但是上述的方法都不能在基于共享账户的跨领域序列推荐上直接使用，原因有两点，一是因为他们没有考虑到时序的特点，二是因为这些方法严重依赖显式的用户评分，然而这种信息在序列推荐中是不具备的。

发明内容

本公开为了解决上述问题，提出了一种基于共享账户的信息跨域并行序列推荐方法、介质及设备，本公开根据同一时间段中账户在不同领域下的记录，同时过滤出特定用户的信息来同时给两个领域做出用户的个性化推荐以互相提升每个领域的推荐性能，保证了信息推荐的正确性、有效性和及时性。

根据一些实施例，本公开采用如下技术方案：

一种基于共享账户的信息跨域并行序列推荐方法，包括以下步骤：

提取给定的账户在不同领域的观看序列，并对其进行编码，得到给定账户在单个领域的混合表示；

通过学习混合表示来识别不同的用户行为，过滤出可能对另一个域有用的信息；

将各领域的有用信息迁移至对应的其他领域中；

整合不同领域过滤的有用信息，对每一个相关信息进行评价，根据评价结果，推荐相关的信息给对应账号。

上述方案中，通过挖掘并互相传递特定用户在多个领域的信息，可以同时提升每个领域的推荐性能，还可以很好的解决推荐系统中常出现的冷启动和数据稀疏性问题。

作为一些可能的实施方式，采用循环神经网络提取给定的账户在不同领域的观看序列。

作为一些可能的实施方式，利用门机制过滤对另一域有用信息。

作为一些可能的实施方式，选择对于另外一个领域有帮助的信息进行传递，且信息的传递为双向的。

一种基于共享账户的信息跨域并行序列推荐系统，包括：

序列编码器模块，被配置为提取给定的账户在不同领域的观看序列，编码当前用户的行为序列以获得相应领域的信息表示；

共享账户过滤单元模块，被配置为学习指定用户的信息表示，以识别不同的用户行为，利用门机制筛选出可能对另一个域有用的信息；

跨域迁移单元模块，被配置为将各领域的有用信息迁移至对应的其他领域中；

混合推荐解码器模块，被配置为根据不同领域的信息来对每一个待推荐信息给出评价结果，推荐相关的信息给对应账号。

作为进一步的限定，共享账户过滤单元模块和跨域迁移单元模块为并行模块，即在每一个时间点上两个模块在不同领域中共享信息。

作为进一步的限定，所述序列编码器模块中采用门控循环单元对观看记录进行编码。

作为进一步的限定，所述共享账户过滤单元，基于账户每个用户的编码表示，计算在某领域中第i个时间步下对于某用户的隐状态表示，进而计算同一账户中所有用户在该时刻下的隐状态表示的加和。

作为进一步的限定，所述跨域迁移单元接收所述共享账户过滤单元的隐状态表示的加和，将其迁移至另一领域，并和另一领域上一个时间步的信息进行结合，得到新的输出。

作为进一步的限定，所述混合推荐解码器对所有候选物品进行预测打分，选取得分高的前若干项给用户做出推荐。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于共享账户的信息跨域并行序列推荐方法。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于共享账户的信息跨域并行序列推荐方法。

与现有技术相比，本公开的有益效果为：

本公开首次提出了基于共享账户的跨领域序列推荐任务。该项任务在当前的生活场景中非常普遍，本公开通过挖掘并互相传递特定用户在多个领域的信息，可以同时提升每个领域的推荐性能，还可以很好的解决推荐系统中常出现的冷启动和数据稀疏性问题。

本公开的推荐性能相比传统方法得到了显著的提升。这对于序列推荐的进步具有重要意义。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是PINet的工作流程图；

图2是SFU单元模块图；

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一个并行的信息共享网络推荐方法，根据同一时间段中账户在不同领域下的记录，同时过滤出特定用户的信息来同时给两个领域做出用户的个性化推荐以互相提升每个领域的推荐性能。

首先，定义并行序列推荐任务，并且提出来一个并行信息共享网络，该网络基于目前热门的编码器-解码器框架，根据同一时间段内账户在不同领域的记录来给多个领域共同做推荐，名称为ParallelInformation-sharingNetwork(简称为PINet)，其中包含了四个模块：序列编码器模块、共享账户过滤单元模块(简称为SFU)、跨域迁移单元模块(简称为CTU)和混合推荐解码器模块。

序列编码器模块主要是编码当前用户的行为序列以获得特定的表示。SFU模块是通过学习特定用户的表示来识别不同的用户行为，并使用一种门机制过滤出来可能对另一个域有用的信息。CTU模块的输入是SFU模块的输出，其任务是将一个领域的信息迁移到另一个领域中。SFU模块和CTU模块是并行进行的，即在每一个时间点上他们都会在不同领域中共享信息。最后，混合推荐解码器模块根据不同领域的信息来对每一个物品给出推荐评分。

整体上该网络采用一种端到端的训练方式，在不同领域上进行联合训练。下面的描述中不妨将两个领域分别记作A领域和B领域。P/Net的工作流程图如图1所示。

具体的，序列编码器模块：

对于给定的账户在不同领域的观看序列，序列编码器采用循环神经网络(RNN)来提取出相应的特征。本实施例中采用的是门控循环单元(GRU)来编码特定的序列。

z_t＝σ(W_z*[emb(x_t)，_t-1])

r_t＝σ(W_r*[emb(x_t)，_t-1])

其中W_z，W_r，是权重矩阵，emb(x_t)指在t时间步下物品x的映射向量，σ指的是激活函数sigma。门控神经单元的初始状态设置为零向量，通过序列编码器之后，给定的包含两个领域观看记录的序列S就可以针对不同领域被分别编码成H_A＝{h_A1，h_A2，h_A3，...，h_An}和H_B＝{h_B1，h_B2，h_B3，...，h_Bm}。

共享账户过滤单元(SFU)

在共享账户的背景下，同一个账户的序列是由多个用户产生的。但是在实际的应用场景中，并非所有用户都很活跃，账户中肯定有某些用户占据主导地位，而且不同的用户会有不同的兴趣分布。

从序列编码器中得到的是同一账户在单个领域的混合表示，为了学习出单个用户的特殊表示，本实施例引入了门控单元来有选择性的过滤信息，只选择那些对于另外一个领域有帮助的信息进行传递。SFU可以进行双向的信息传递，为了方便说明，本实施例中以从A领域到B领域为例进行阐述。具体的模块图如图2所示。

为了明确的得到共享账户中某个用户的表示，需要知道账户的使用人数，但是数据中并无此信息，因此假设每个账户中有K个用户。首先要得到每个用户的嵌入表示emb(u_k)，然后在A领域中第i个时间步下对于用户u_k的表示可以表达为：

表示物品A_i是由特定用户u_k产生的可能性，该值越大则说明对于用户u_k的表示应该分配更多的注意力在上，反之则应关注之前的时间步中账户从A领域到B领域迁移的数据表示

其中，表示如下：

其中，U_f和V_f都是模型参数，b_f是偏置项，和分别是时刻i和时刻j在A领域和B领域中的表示，是i-1时间步下SFU的输出，在激活函数σ的作用下，的值介于0到1之间，控制着用户u_k从A领域到B领域迁移信息的数量。

是在A领域中用户u_k在时间步i下的候选表示，它基于A领域中账户的混合表示以及SFU模块中的前一步输出以及用户u_k的隐表示emb(u_k)。它可以表示如下：

同样地，W_h，U_h和V_h都是模型参数，b_h是偏置项。

是SFU在第i个时间步下在A领域的输出，可以表示为同一账户中所有用户在该时刻下的隐状态表示的加和。

跨域迁移单元CTU

从SFU中输出的仍然属于A领域，需要把这些有用的信息迁移到B领域，然后把他和B领域中原始的信息进行结合之后来提升B领域的推荐性能。因此，提出CTU模块。

在CTU模块当中，仍然使用循环神经网络(RNN)作为基本框架，可以表示如下：

CTU模块把SFU的输出以及上一个时间步CTU的输出作为输入，初始状态被设置为零向量，即

混合推荐解码器

混合推荐解码器整合了A领域和B领域的信息去计算所有候选物品的得分，然后给用户推荐得分高的物品。具体来说，在B领域中，它首先整合来自B领域的表示和从A领域迁移到B领域的表示然后对于B领域中所有候选物品，通过和物品映射矩阵做非线性变换给出预测得分，具体表示如下：

其中，W_I是B领域中所有物品的映射矩阵，b_I是偏置项。

在应用P/Net之前，需要在训练集上学习网络参数。训练集是从所有数据中随机选取了75％的数据组成的。之后采用负对数似然作为损失函数，两个领域是联合进行训练的，因此最终的loss是由两部分组成：

L(θ)＝L_A(θ)+L_B(θ)

其中θ是P/Net中的所有模型参数，L_A(θ)是A领域的损失函数，同理L_B(θ)是B领域的损失函数，可以表示如下：

PINet训练完毕后，所有参数便全部固定，然后可用于在多个领域中同时推荐物品。通过计算对所有候选物品的得分后，再选取得分高的前若干项给用户做出推荐。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于共享账户的信息跨域并行序列推荐方法，其特征是：包括以下步骤：

提取给定的账户在不同领域的观看序列，并对其进行编码，得到给定账户在单个领域的混合表示；

通过学习混合表示来识别不同的用户行为，过滤出可能对另一个域有用的信息；

将各领域的有用信息迁移至对应的其他领域中；

整合不同领域过滤的有用信息，对每一个相关信息进行评价，根据评价结果，推荐相关的信息给对应账号。

2.如权利要求1所述的一种基于共享账户的信息跨域并行序列推荐方法，其特征是：采用循环神经网络提取给定的账户在不同领域的观看序列；

或，利用门机制过滤对另一域有用信息。

3.如权利要求1所述的一种基于共享账户的信息跨域并行序列推荐方法，其特征是：选择对于另外一个领域有帮助的信息进行传递，且信息的传递为双向的。

4.一种基于共享账户的信息跨域并行序列推荐系统，其特征是：包括：

序列编码器模块，被配置为提取给定的账户在不同领域的观看序列，编码当前用户的行为序列以获得相应领域的信息表示；

共享账户过滤单元模块，被配置为学习指定用户的信息表示，以识别不同的用户行为，利用门机制筛选出可能对另一个域有用的信息；

跨域迁移单元模块，被配置为将各领域的有用信息迁移至对应的其他领域中；

混合推荐解码器模块，被配置为根据不同领域的信息来对每一个待推荐信息给出评价结果，推荐相关的信息给对应账号。

5.如权利要求4所述的一种基于共享账户的信息跨域并行序列推荐系统，其特征是：共享账户过滤单元模块和跨域迁移单元模块为并行模块，即在每一个时间点上两个模块在不同领域中共享信息。

6.如权利要求4所述的一种基于共享账户的信息跨域并行序列推荐系统，其特征是：所述序列编码器模块中采用门控循环单元对观看记录进行编码。

7.如权利要求4所述的一种基于共享账户的信息跨域并行序列推荐系统，其特征是：所述共享账户过滤单元，基于账户每个用户的编码表示，计算在某领域中第i个时间步下对于某用户的隐状态表示，进而计算同一账户中所有用户在该时刻下的隐状态表示的加和。

8.如权利要求4所述的一种基于共享账户的信息跨域并行序列推荐系统，其特征是：所述跨域迁移单元接收所述共享账户过滤单元的隐状态表示的加和，将其迁移至另一领域，并和另一领域上一个时间步的信息进行结合，得到新的输出。

9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-3中任一项所述的一种基于共享账户的信息跨域并行序列推荐方法。

10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-3中任一项所述的一种基于共享账户的信息跨域并行序列推荐方法。