CN115601098A - 基于物品属性与时序模式耦合关系的序列推荐方法和系统 - Google Patents

基于物品属性与时序模式耦合关系的序列推荐方法和系统 Download PDF

Info

Publication number
CN115601098A
CN115601098A CN202211171763.3A CN202211171763A CN115601098A CN 115601098 A CN115601098 A CN 115601098A CN 202211171763 A CN202211171763 A CN 202211171763A CN 115601098 A CN115601098 A CN 115601098A
Authority
CN
China
Prior art keywords
sequence
attribute
article
relation
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211171763.3A
Other languages
English (en)
Inventor
张全贵
李鑫
冯勰
罗代忠
马新强
黄羿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Arts and Sciences
Original Assignee
Chongqing University of Arts and Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Arts and Sciences filed Critical Chongqing University of Arts and Sciences
Priority to CN202211171763.3A priority Critical patent/CN115601098A/zh
Priority to LU503730A priority patent/LU503730B1/en
Priority to PCT/CN2023/070574 priority patent/WO2023138381A1/zh
Publication of CN115601098A publication Critical patent/CN115601098A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于物品属性与时序模式耦合关系的序列推荐方法和系统，属于智能推荐技术领域，本发明要解决的技术问题为如何充分利用用户以及物品的交互会话序列模式与物品属性信息之间存在的耦合关系有效提高推荐的准确性，采用的技术方案为：该方法具体如下：构建数据集；划分数据集；构建序列推荐模型：通过GRU网络学习用户与物品交互时序关系、物品属性时序关系，并通过注意力机制网络学习物品属性与时序模式耦合关系，再结合候选物品交互预测层构建序列推荐模型；训练序列推荐模型：将训练集输入到序列推荐模型中，序列推荐模型学习融合物品属性与时序模式耦合关系的交互序列模式表示，进而训练出序列推荐模型的可学习参数；序列推荐模型预测。

Description

基于物品属性与时序模式耦合关系的序列推荐方法和系统
技术领域
本发明涉及智能推荐技术领域，具体地说是一种基于物品属性与时序模式耦合关系的序列推荐方法和系统。
背景技术
随着推荐系统的普遍使用，基于序列的推荐逐渐成为推荐系统领域的一个重要子领域。与传统的推荐方法大多基于对用户信息建模不同，序列推荐方法并不过多关注用户的信息，而是通过挖掘会话序列数据中各个物品之间的关系为用户产生推荐。但现有的序列推荐方法往往都过度聚焦于序列数据本身，而忽略了一些辅助信息的重要性，没有充分利用物品属性信息以及物品属性信息与时间序列之间的耦合关系对推荐结果的影响，因而产生的推荐结果往往是不够准确的。实际上，用户与物品的交互会话序列模式与物品属性信息之间是存在耦合关系的，故如何充分利用用户以及物品的交互会话序列模式与物品属性信息之间存在的耦合关系有效提高推荐的准确性，进而提高用户的满意度是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于物品属性与时序模式耦合关系的序列推荐方法和系统，来解决如何充分利用用户以及物品的交互会话序列模式与物品属性信息之间存在的耦合关系有效提高推荐的准确性，进而提高用户的满意度的问题。
本发明的技术任务是按以下方式实现的，一种基于物品属性与时序模式耦合关系的序列推荐方法，该方法具体如下：
构建数据集：对用户与物品交互历史数据进行清洗，并按照用户与物品交互时间的先后顺序构建用户行为序列数据集；
划分数据集：将用户行为序列数据集划分为训练集、测试集和验证集；其中，验证集用于训练阶段调整序列推荐模型的超参数。
构建序列推荐模型：通过GRU网络学习用户与物品交互时序关系、物品属性时序关系，并通过注意力机制网络学习物品属性与时序模式耦合关系，再结合候选物品交互预测层构建序列推荐模型；
训练序列推荐模型：将训练集输入到序列推荐模型中，序列推荐模型学习融合物品属性与时序模式耦合关系的交互序列模式表示，进而训练出序列推荐模型的可学习参数；
序列推荐模型预测：将测试集输入到序列推荐模型中，序列推荐模型预测所有候选物品的交互概率并进行排序，选取前K个物品作为推荐列表。
作为优选，每个用户行为序列数据集包括多个子序列数据集，子序列数据集包括物品ID子序列数据集和物品属性子序列数据集，物品属性子序列数据集按照物品各个属性构建。
更优地，构建序列推荐模型具体如下：
获取用户与物品交互时序关系：将用户在t个时刻交互过的物品使用物品ID构建成序列数据，并使用GRU网络学习用户与物品的隐式交互关系表示向量q；
获取物品属性时序关系：将用户与物品交互序列中的物品按照物品每个属性形成多个属性序列，并使用GRU网络学习各个物品属性序列的时序关系表示向量；
获取物品属性与时序模式耦合关系：将用户与物品的隐式交互关系表示向量q作为查询向量，使用注意力机制网络学习各个物品属性序列的时序关系表示向量与查询向量的耦合关系，从而生成最终的基于耦合关系分析的序列表示向量；
候选物品交互预测：最终的基于耦合关系分析的序列表示向量与候选物品的嵌入向量进行相似性运算后，输入全连接网络中最终产生各个候选物品与用户的交互概率，根据交互概率排序结果产生Top-K推荐。
更优地，获取物品属性时序关系具体如下：
构建物品属性序列：根据用户与物品交互时序关系将序列数据中物品的各个属性值分别形成属性序列，如物品品牌序列、物品类别序列等；
将各个属性序列中的属性值使用one-hot编码进行表示，并分别通过单层全连接网络转换为低维度稠密向量，即嵌入向量；
将每个属性序列分别输入到GRU网络中，分别学习各个属性序列的表示向量sai。
更优地，获取物品属性与时序模式耦合关系具体如下：
将用户与物品的隐式交互关系表示向量q作为查询向量，用户与物品的隐式交互关系表示向量q与各个属性序列的表示向量sai通过点积进行相似度计算从而得到权重，并使用Softmax函数计算得到归一化后的权重αi，公式如下：
αi＝softmax(dot(Wqq,Wksai))；
将权重αi和相应的属性序列表示向量加权求和从而得到向量s，
s＝∑iαi(Wvsai)；
其中，Wq、Wk和Wv分别为变换矩阵，属于可学习的参数；
将向量s经过一层或多层全连接网络进一步学习得到最终的物品属性与时序模式谋和关系表示c；
候选物品交互预测具体如下：
相似性计算：将候选物品i的ID通过单层全连接网络转换为低维度稠密向量后与最终的物品属性与时序模式谋和关系表示c进行对应元素相乘计算候选物品与最终的物品属性与时序模式谋和关系表示c的相似性向量d；
将相似性向量d通过一层或多层全连接网络进一步学习；
使用Sigmoid激活函数将输出压缩到[0,1]范围内得到候选物品作为t+1时刻用户交互的物品的概率，即最终的预测结果。
一种基于物品属性与时序模式耦合关系的序列推荐系统，该系统包括，
数据集构建单元，用于对用户与物品交互历史数据进行清洗，并按照用户与物品交互时间的先后顺序构建用户行为序列数据集；
数据集划分单元，用于将用户行为序列数据集划分为训练集、测试集和验证集；
模型构建单元，用于通过GRU网络学习用户与物品交互时序关系、物品属性时序关系，并通过注意力机制网络学习物品属性与时序模式耦合关系，再结合候选物品交互预测层构建序列推荐模型；
模型训练单元，用于将训练集输入到序列推荐模型中，序列推荐模型学习融合物品属性与时序模式耦合关系的交互序列模式表示，进而训练出序列推荐模型的可学习参数；
预测单元，用于将测试集输入到序列推荐模型中，序列推荐模型预测所有候选物品的交互概率并进行排序，选取前K个物品作为推荐列表。
作为优选，所述模型构建单元包括，
用户与物品交互时序关系获取模块，用于将用户在t个时刻交互过的物品使用物品ID构建成序列数据，并使用GRU网络学习用户与物品的隐式交互关系表示向量q；
物品属性时序关系获取模块，用于将用户与物品交互序列中的物品按照物品每个属性形成多个属性序列，并使用GRU网络学习各个物品属性序列的时序关系表示向量；
物品属性与时序模式耦合关系获取模块，用于将用户与物品的隐式交互关系表示向量q作为查询向量，使用注意力机制网络学习各个物品属性序列的时序关系表示向量与查询向量的耦合关系，从而生成最终的基于耦合关系分析的序列表示向量；
候选物品交互预测模块，用于最终的基于耦合关系分析的序列表示向量与候选物品的嵌入向量进行相似性运算后，输入全连接网络中最终产生各个候选物品与用户的交互概率，根据交互概率排序结果产生Top-K推荐。
更优地，所述物品属性时序关系获取模块包括，
物品属性序列构建子模块，用于根据用户与物品交互时序关系将序列数据中物品的各个属性值分别形成属性序列，如物品品牌序列、物品类别序列等；
编码及转换子模块，用于将各个属性序列中的属性值使用one-hot编码进行表示，并分别通过单层全连接网络转换为低维度稠密向量，即嵌入向量；
学习子模块一，用于将每个属性序列分别输入到GRU网络中，分别学习各个属性序列的表示向量sai；
所述物品属性与时序模式耦合关系获取模块包括，
点积子模块，用于将用户与物品的隐式交互关系表示向量q作为查询向量，用户与物品的隐式交互关系表示向量q与各个属性序列的表示向量sai通过点积进行相似度计算从而得到权重，并使用Softmax函数计算得到归一化后的权重αi，公式如下：
αi＝softmax(dot(Wqq,Wksai))；
加权求和子模块，用于将权重αi和相应的属性序列表示向量加权求和从而得到向量s，
s＝∑iαi(Wvsai)；
其中，Wq、Wk和Wv分别为变换矩阵，属于可学习的参数；
学习子模块二，用于将向量s经过一层或多层全连接网络进一步学习得到最终的物品属性与时序模式谋和关系表示c。
所述预测单元包括，
相似性计算子模块，用于将候选物品i的ID通过单层全连接网络转换为低维度稠密向量后与最终的物品属性与时序模式谋和关系表示c进行对应元素相乘计算候选物品与最终的物品属性与时序模式谋和关系表示c的相似性向量d；
学习子模块三，用于将相似性向量d通过一层或多层全连接网络进一步学习；
压缩子模块，用于使用Sigmoid激活函数将输出压缩到[0,1]范围内得到候选物品作为t+1时刻用户交互的物品的概率，即最终的预测结果。
一种电子设备，包括：存储器和至少一个处理器；
其中，所述存储器上存储有计算机程序；
所述至少一个处理器执行所述存储器存储的计算机程序，使得所述至少一个处理器执行如上述的基于物品属性与时序模式耦合关系的序列推荐方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如上述的基于物品属性与时序模式耦合关系的序列推荐方法。
本发明的基于物品属性与时序模式耦合关系的序列推荐方法和系统具有以下优点：
(一)本发明将用户与物品的交互序列模式和物品各个属性之间的耦合关系融入到序列推荐模型中，充分利用用户以及物品的交互会话序列模式与物品属性信息之间存在的耦合关系有效提高推荐的准确性，进而提高用户的满意度；
(二)本发明通过构建并训练由物品时序关系学习网络、物品属性时序关系学习网络、耦合关系学习网络，候选物品交互预测层构成的网络模型学习融合物品属性与时序模式耦合关系的交互序列模式表示，产生对候选物品交互概率的预测，从而实现Top-K推荐；
(三)本发明考虑了用户与物品交互序列模式与物品属性之间的耦合关系，提高了推荐的准确性；
(四)本发明分别考虑物品各个属性形成的子序列对最终推荐结果的影响；
(五)本发明将循环神经网络、注意力机制以及协同过滤有效结合，以提高序列推荐的可解释性。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于物品属性与时序模式耦合关系的序列推荐方法的流程框图；
附图2为构建序列推荐模型的流程框图；
附图3为基于物品属性与时序模式耦合关系的序列推荐系统的结构框图；
附图4为序列推荐模型的示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于物品属性与时序模式耦合关系的序列推荐方法和系统作以下详细地说明。
实施例1：
如附图1所示，本实施例提供了一种基于物品属性与时序模式耦合关系的序列推荐方法,该方法具体如下：
S1、构建数据集：对用户与物品交互历史数据进行清洗，并按照用户与物品交互时间的先后顺序构建用户行为序列数据集；其中，每个用户行为序列数据集包括多个子序列数据集，子序列数据集包括物品ID子序列数据集和物品属性子序列数据集，物品属性子序列数据集按照物品各个属性构建。
以Amazon数据集为例，用户与物品交互历史数据示例如下表所示：
Figure BDA0003863165070000071
物品属性信息示例如下表所示：
Figure BDA0003863165070000072
S2、划分数据集：将用户行为序列数据集划按照6:2:2的比例分为训练集、测试集和验证集；
S3、构建序列推荐模型：通过GRU网络学习用户与物品交互时序关系、物品属性时序关系，并通过注意力机制网络学习物品属性与时序模式耦合关系，再结合候选物品交互预测层构建序列推荐模型；
S4、训练序列推荐模型：将训练集输入到序列推荐模型中，序列推荐模型学习融合物品属性与时序模式耦合关系的交互序列模式表示，进而训练出序列推荐模型的可学习参数；
S5、序列推荐模型预测：将测试集输入到序列推荐模型中，序列推荐模型预测所有候选物品的交互概率并进行排序，选取前K个物品作为推荐列表。
如附图2所示，本实施例步骤S3中的构建序列推荐模型具体如下：
S301、获取用户与物品交互时序关系：将用户在t个时刻交互过的物品使用物品ID构建成序列数据，并使用GRU网络学习用户与物品的隐式交互关系表示向量q；
S302、获取物品属性时序关系：将用户与物品交互序列中的物品按照物品每个属性形成多个属性序列，并使用GRU网络学习各个物品属性序列的时序关系表示向量；
S303、获取物品属性与时序模式耦合关系：将用户与物品的隐式交互关系表示向量q作为查询向量，使用注意力机制网络学习各个物品属性序列的时序关系表示向量与查询向量的耦合关系，从而生成最终的基于耦合关系分析的序列表示向量；
S304、候选物品交互预测：最终的基于耦合关系分析的序列表示向量与候选物品的嵌入向量进行相似性运算后，输入全连接网络中最终产生各个候选物品与用户的交互概率，根据交互概率排序结果产生Top-K推荐。
如附图4所示，本实施例步骤S302中的获取物品属性时序关系具体如下：
S30201、构建物品属性序列：根据用户与物品交互时序关系将序列数据中物品的各个属性值分别形成属性序列，如物品品牌序列、物品类别序列等；
S30202、将各个属性序列中的属性值使用one-hot编码进行表示，并分别通过单层全连接网络转换为低维度稠密向量，即嵌入向量；
S30203、将每个属性序列分别输入到GRU网络中，分别学习各个属性序列的表示向量sai。
本实施例步骤S303中的获取物品属性与时序模式耦合关系具体如下：
S30301、将用户与物品的隐式交互关系表示向量q作为查询向量，用户与物品的隐式交互关系表示向量q与各个属性序列的表示向量sai通过点积进行相似度计算从而得到权重，并使用Softmax函数计算得到归一化后的权重αi，公式如下：
αi＝softmax(dot(Wqq,Wksai))；
S30302、将权重αi和相应的属性序列表示向量加权求和从而得到向量s，
s＝∑iαi(Wvsai)；
其中，Wq、Wk和Wv分别为变换矩阵，属于可学习的参数；
S30303、将向量s经过一层或多层全连接网络进一步学习得到最终的物品属性与时序模式谋和关系表示c；
本实施例步骤S304中的候选物品交互预测具体如下：
S30401、相似性计算：将候选物品i的ID通过单层全连接网络转换为低维度稠密向量后与最终的物品属性与时序模式谋和关系表示c进行对应元素相乘计算候选物品与最终的物品属性与时序模式谋和关系表示c的相似性向量d；
S30402、将相似性向量d通过一层或多层全连接网络进一步学习；
S30403、使用Sigmoid激活函数将输出压缩到[0,1]范围内得到候选物品作为t+1时刻用户交互的物品的概率，即最终的预测结果。
实施例2：
如附图3所示，本实施例提供了一种基于物品属性与时序模式耦合关系的序列推荐系统，该系统包括，
数据集构建单元，用于对用户与物品交互历史数据进行清洗，并按照用户与物品交互时间的先后顺序构建用户行为序列数据集；
数据集划分单元，用于将用户行为序列数据集划分为训练集、测试集和验证集；
模型构建单元，用于通过GRU网络学习用户与物品交互时序关系、物品属性时序关系，并通过注意力机制网络学习物品属性与时序模式耦合关系，再结合候选物品交互预测层构建序列推荐模型；
模型训练单元，用于将训练集输入到序列推荐模型中，序列推荐模型学习融合物品属性与时序模式耦合关系的交互序列模式表示，进而训练出序列推荐模型的可学习参数；
预测单元，用于将测试集输入到序列推荐模型中，序列推荐模型预测所有候选物品的交互概率并进行排序，选取前K个物品作为推荐列表。
本实施例中的模型构建单元包括，
用户与物品交互时序关系获取模块，用于将用户在t个时刻交互过的物品使用物品ID构建成序列数据，并使用GRU网络学习用户与物品的隐式交互关系表示向量q；
物品属性时序关系获取模块，用于将用户与物品交互序列中的物品按照物品每个属性形成多个属性序列，并使用GRU网络学习各个物品属性序列的时序关系表示向量；
物品属性与时序模式耦合关系获取模块，用于将用户与物品的隐式交互关系表示向量q作为查询向量，使用注意力机制网络学习各个物品属性序列的时序关系表示向量与查询向量的耦合关系，从而生成最终的基于耦合关系分析的序列表示向量；
候选物品交互预测模块，用于最终的基于耦合关系分析的序列表示向量与候选物品的嵌入向量进行相似性运算后，输入全连接网络中最终产生各个候选物品与用户的交互概率，根据交互概率排序结果产生Top-K推荐。
如附图4所示，本实施例中的物品属性时序关系获取模块包括，
物品属性序列构建子模块，用于根据用户与物品交互时序关系将序列数据中物品的各个属性值分别形成属性序列，如物品品牌序列、物品类别序列等；
编码及转换子模块，用于将各个属性序列中的属性值使用one-hot编码进行表示，并分别通过单层全连接网络转换为低维度稠密向量，即嵌入向量；
学习子模块一，用于将每个属性序列分别输入到GRU网络中，分别学习各个属性序列的表示向量sai；
本实施例中的物品属性与时序模式耦合关系获取模块包括，
点积子模块，用于将用户与物品的隐式交互关系表示向量q作为查询向量，用户与物品的隐式交互关系表示向量q与各个属性序列的表示向量sai通过点积进行相似度计算从而得到权重，并使用Softmax函数计算得到归一化后的权重αi，公式如下：
αi＝softmax(dot(Wqq,Wksai))；
加权求和子模块，用于将权重αi和相应的属性序列表示向量加权求和从而得到向量s，
s＝∑iαi(Wvsai)；
其中，Wq、Wk和Wv分别为变换矩阵，属于可学习的参数；
学习子模块二，用于将向量s经过一层或多层全连接网络进一步学习得到最终的物品属性与时序模式谋和关系表示c。
本实施例中的预测单元包括，
相似性计算子模块，用于将候选物品i的ID通过单层全连接网络转换为低维度稠密向量后与最终的物品属性与时序模式谋和关系表示c进行对应元素相乘计算候选物品与最终的物品属性与时序模式谋和关系表示c的相似性向量d；
学习子模块三，用于将相似性向量d通过一层或多层全连接网络进一步学习；
压缩子模块，用于使用Sigmoid激活函数将输出压缩到[0,1]范围内得到候选物品作为t+1时刻用户交互的物品的概率，即最终的预测结果。
实施例3：
本实施例还提供了一种电子设备，包括：存储器和处理器；
其中，存储器存储计算机执行指令；
处理器执行所述存储器存储的计算机执行指令，使得处理器执行本发明任一实施例中的基于物品属性与时序模式耦合关系的序列推荐方法。
处理器可以是中央处理单元(CPU)，还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通过处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于储存计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现电子设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器还可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，只能存储卡(SMC)，安全数字(SD)卡，闪存卡、至少一个磁盘存储期间、闪存器件、或其他易失性固态存储器件。
实施例4：
本实施例还提供了一种计算机可读存储介质，其中存储有多条指令，指令由处理器加载，使处理器执行本发明任一实施例中的基于物品属性与时序模式耦合关系的序列推荐方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RYM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于物品属性与时序模式耦合关系的序列推荐方法，其特征在于，该方法具体如下：
构建数据集：对用户与物品交互历史数据进行清洗，并按照用户与物品交互时间的先后顺序构建用户行为序列数据集；
划分数据集：将用户行为序列数据集划分为训练集、测试集和验证集；
构建序列推荐模型：通过GRU网络学习用户与物品交互时序关系、物品属性时序关系，并通过注意力机制网络学习物品属性与时序模式耦合关系，再结合候选物品交互预测层构建序列推荐模型；
训练序列推荐模型：将训练集输入到序列推荐模型中，序列推荐模型学习融合物品属性与时序模式耦合关系的交互序列模式表示，进而训练出序列推荐模型的可学习参数；
序列推荐模型预测：将测试集输入到序列推荐模型中，序列推荐模型预测所有候选物品的交互概率并进行排序，选取前K个物品作为推荐列表。
2.根据权利要求1所述的基于物品属性与时序模式耦合关系的序列推荐方法，其特征在于，每个用户行为序列数据集包括多个子序列数据集，子序列数据集包括物品ID子序列数据集和物品属性子序列数据集，物品属性子序列数据集按照物品各个属性构建。
3.根据权利要求1或2所述的基于物品属性与时序模式耦合关系的序列推荐方法，其特征在于，构建序列推荐模型具体如下：
获取用户与物品交互时序关系：将用户在t个时刻交互过的物品使用物品ID构建成序列数据，并使用GRU网络学习用户与物品的隐式交互关系表示向量q；
获取物品属性时序关系：将用户与物品交互序列中的物品按照物品每个属性形成多个属性序列，并使用GRU网络学习各个物品属性序列的时序关系表示向量；
获取物品属性与时序模式耦合关系：将用户与物品的隐式交互关系表示向量q作为查询向量，使用注意力机制网络学习各个物品属性序列的时序关系表示向量与查询向量的耦合关系，从而生成最终的基于耦合关系分析的序列表示向量；
候选物品交互预测：最终的基于耦合关系分析的序列表示向量与候选物品的嵌入向量进行相似性运算后，输入全连接网络中最终产生各个候选物品与用户的交互概率，根据交互概率排序结果产生Top-K推荐。
4.根据权利要求3所述的基于物品属性与时序模式耦合关系的序列推荐方法，其特征在于，获取物品属性时序关系具体如下：
构建物品属性序列：根据用户与物品交互时序关系将序列数据中物品的各个属性值分别形成属性序列；
将各个属性序列中的属性值使用one-hot编码进行表示，并分别通过单层全连接网络转换为低维度稠密向量，即嵌入向量；
将每个属性序列分别输入到GRU网络中，分别学习各个属性序列的表示向量sai。
5.根据权利要求4所述的基于物品属性与时序模式耦合关系的序列推荐方法，其特征在于，获取物品属性与时序模式耦合关系具体如下：
将用户与物品的隐式交互关系表示向量q作为查询向量，用户与物品的隐式交互关系表示向量q与各个属性序列的表示向量sai通过点积进行相似度计算从而得到权重，并使用Softmax函数计算得到归一化后的权重αi，公式如下：
αi＝softmax(dot(Wqq,Wksai))；
将权重αi和相应的属性序列表示向量加权求和从而得到向量s，
s＝∑iαi(Wvsai)；
其中，Wq、Wk和Wv分别为变换矩阵，属于可学习的参数；
将向量s经过一层或多层全连接网络进一步学习得到最终的物品属性与时序模式谋和关系表示c；
候选物品交互预测具体如下：
相似性计算：将候选物品i的ID通过单层全连接网络转换为低维度稠密向量后与最终的物品属性与时序模式谋和关系表示c进行对应元素相乘计算候选物品与最终的物品属性与时序模式谋和关系表示c的相似性向量d；
将相似性向量d通过一层或多层全连接网络进一步学习；
使用Sigmoid激活函数将输出压缩到[0,1]范围内得到候选物品作为t+1时刻用户交互的物品的概率，即最终的预测结果。
6.一种基于物品属性与时序模式耦合关系的序列推荐系统，其特征在于，该系统包括，
数据集构建单元，用于对用户与物品交互历史数据进行清洗，并按照用户与物品交互时间的先后顺序构建用户行为序列数据集；
数据集划分单元，用于将用户行为序列数据集划分为训练集、测试集和验证集；
模型构建单元，用于通过GRU网络学习用户与物品交互时序关系、物品属性时序关系，并通过注意力机制网络学习物品属性与时序模式耦合关系，再结合候选物品交互预测层构建序列推荐模型；
模型训练单元，用于将训练集输入到序列推荐模型中，序列推荐模型学习融合物品属性与时序模式耦合关系的交互序列模式表示，进而训练出序列推荐模型的可学习参数；
预测单元，用于将测试集输入到序列推荐模型中，序列推荐模型预测所有候选物品的交互概率并进行排序，选取前K个物品作为推荐列表。
7.根据权利要求6所述的基于物品属性与时序模式耦合关系的序列推荐系统，其特征在于，所述模型构建单元包括，
用户与物品交互时序关系获取模块，用于将用户在t个时刻交互过的物品使用物品ID构建成序列数据，并使用GRU网络学习用户与物品的隐式交互关系表示向量q；
物品属性时序关系获取模块，用于将用户与物品交互序列中的物品按照物品每个属性形成多个属性序列，并使用GRU网络学习各个物品属性序列的时序关系表示向量；
物品属性与时序模式耦合关系获取模块，用于将用户与物品的隐式交互关系表示向量q作为查询向量，使用注意力机制网络学习各个物品属性序列的时序关系表示向量与查询向量的耦合关系，从而生成最终的基于耦合关系分析的序列表示向量；
候选物品交互预测模块，用于最终的基于耦合关系分析的序列表示向量与候选物品的嵌入向量进行相似性运算后，输入全连接网络中最终产生各个候选物品与用户的交互概率，根据交互概率排序结果产生Top-K推荐。
8.根据权利要求7所述的基于物品属性与时序模式耦合关系的序列推荐系统，其特征在于，所述物品属性时序关系获取模块包括，
物品属性序列构建子模块，用于根据用户与物品交互时序关系将序列数据中物品的各个属性值分别形成属性序列；
编码及转换子模块，用于将各个属性序列中的属性值使用one-hot编码进行表示，并分别通过单层全连接网络转换为低维度稠密向量，即嵌入向量；
学习子模块一，用于将每个属性序列分别输入到GRU网络中，分别学习各个属性序列的表示向量sai；
所述物品属性与时序模式耦合关系获取模块包括，
点积子模块，用于将用户与物品的隐式交互关系表示向量q作为查询向量，用户与物品的隐式交互关系表示向量q与各个属性序列的表示向量sai通过点积进行相似度计算从而得到权重，并使用Softmax函数计算得到归一化后的权重αi，公式如下：
αi＝softmax(dot(Wqq,Wksai))；
加权求和子模块，用于将权重αi和相应的属性序列表示向量加权求和从而得到向量s，
s＝∑iαi(Wvsai)；
其中，Wq、Wk和Wv分别为变换矩阵，属于可学习的参数；
学习子模块二，用于将向量s经过一层或多层全连接网络进一步学习得到最终的物品属性与时序模式谋和关系表示c。
所述预测单元包括，
相似性计算子模块，用于将候选物品i的ID通过单层全连接网络转换为低维度稠密向量后与最终的物品属性与时序模式谋和关系表示c进行对应元素相乘计算候选物品与最终的物品属性与时序模式谋和关系表示c的相似性向量d；
学习子模块三，用于将相似性向量d通过一层或多层全连接网络进一步学习；
压缩子模块，用于使用Sigmoid激活函数将输出压缩到[0,1]范围内得到候选物品作为t+1时刻用户交互的物品的概率，即最终的预测结果。
9.一种电子设备，其特征在于，包括：存储器和至少一个处理器；
其中，所述存储器上存储有计算机程序；
所述至少一个处理器执行所述存储器存储的计算机程序，使得所述至少一个处理器执行如权利要求1至5任一项所述的基于物品属性与时序模式耦合关系的序列推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如权利要求1至5中任一项所述的基于物品属性与时序模式耦合关系的序列推荐方法。
CN202211171763.3A 2022-09-26 2022-09-26 基于物品属性与时序模式耦合关系的序列推荐方法和系统 Pending CN115601098A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202211171763.3A CN115601098A (zh) 2022-09-26 2022-09-26 基于物品属性与时序模式耦合关系的序列推荐方法和系统
LU503730A LU503730B1 (en) 2022-09-26 2023-01-05 Sequence recommendation method and system based on the coupling relationship between item attributes and time sequence patterns
PCT/CN2023/070574 WO2023138381A1 (zh) 2022-09-26 2023-01-05 基于物品属性与时序模式耦合关系的序列推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211171763.3A CN115601098A (zh) 2022-09-26 2022-09-26 基于物品属性与时序模式耦合关系的序列推荐方法和系统

Publications (1)

Publication Number Publication Date
CN115601098A true CN115601098A (zh) 2023-01-13

Family

ID=84844082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211171763.3A Pending CN115601098A (zh) 2022-09-26 2022-09-26 基于物品属性与时序模式耦合关系的序列推荐方法和系统

Country Status (3)

Country Link
CN (1) CN115601098A (zh)
LU (1) LU503730B1 (zh)
WO (1) WO2023138381A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703529B (zh) * 2023-08-02 2023-10-20 山东省人工智能研究院 基于特征空间语义增强的对比学习推荐方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200311585A1 (en) * 2019-03-31 2020-10-01 Palo Alto Networks Multi-model based account/product sequence recommender
CN112084407B (zh) * 2020-09-08 2024-03-12 辽宁工程技术大学 一种融合图神经网络和注意力机制的协同过滤推荐方法
CN112269927B (zh) * 2020-10-22 2024-05-28 辽宁工程技术大学 一种基于会话序列动态行为偏好耦合关系分析的推荐方法
CN112328893B (zh) * 2020-11-25 2022-08-02 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法

Also Published As

Publication number Publication date
WO2023138381A1 (zh) 2023-07-27
LU503730B1 (en) 2023-10-27

Similar Documents

Publication Publication Date Title
CN109891897B (zh) 用于分析媒体内容的方法
CN111741330B (zh) 一种视频内容评估方法、装置、存储介质及计算机设备
CN110795657B (zh) 文章推送及模型训练方法、装置、存储介质和计算机设备
CN110717099B (zh) 一种推荐影片的方法及终端
CN112052948B (zh) 一种网络模型压缩方法、装置、存储介质和电子设备
WO2023273628A1 (zh) 一种视频循环识别方法、装置、计算机设备及存储介质
CN110414005A (zh) 意图识别方法、电子设备及存储介质
CN115098789B (zh) 基于神经网络的多维兴趣融合推荐方法、装置及相关设备
Jie et al. Anytime recognition with routing convolutional networks
CN115168721A (zh) 融合协同变换与时态感知的用户兴趣推荐方法及系统
CN114971748A (zh) 预测数据生成、模型训练方法、计算机设备以及存储介质
CN115601098A (zh) 基于物品属性与时序模式耦合关系的序列推荐方法和系统
CN109242089B (zh) 递进监督深度学习神经网络训练方法、系统、介质和设备
CN112269943B (zh) 一种信息推荐系统及方法
CN115705706A (zh) 视频处理方法、装置、计算机设备和存储介质
CN113609337A (zh) 图神经网络的预训练方法、训练方法、装置、设备及介质
CN112100509A (zh) 信息推荐方法、装置、服务器和存储介质
CN116628332A (zh) 一种基于提示学习的个性化推荐方法
CN114692012A (zh) 一种基于Bert的神经协同过滤的电子政务推荐方法
CN115017413A (zh) 推荐方法、装置、计算设备及计算机存储介质
CN110874553A (zh) 一种识别模型训练方法及装置
CN115393132A (zh) 基于知识追踪模型的预测方法及相关设备
CN114707021A (zh) 一种智能电视平台用户购买单点付费视频预测方法及系统
CN114420075A (zh) 音频处理方法及装置、设备、计算机可读存储介质
He et al. Interest HD: An interest frame model for recommendation based on HD image generation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination