申请/专利权人：北京工业大学

申请日：2021-12-20

公开（公告）日：2024-04-26

公开（公告）号：CN114254194B

主分类号：G06F16/9535

分类号：G06F16/9535;G06Q30/0601;G06N3/045;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.04.15#实质审查的生效;2022.03.29#公开

摘要：本发明公开了一种基于注意力的多兴趣序列推荐方法及系统，提出了一个模型MUIR，该模型使用多个向量表示用户的不同层面的兴趣，并能够为用户提供多样化的推荐结果。采用基于自注意力的方法学习低级层面的表示，并利用上下文信息和辅助信息学习另一更高层级的表示，在不增加太多额外成本的情况下，显著提高了总体综合训练效率。设计了两个基于自注意力的模块，并尝试在学习过程中非侵入地结合辅助信息和会话上下文信息，完成了对传统自注意力模型的性能超越。设计的MLP的融合模块通过考虑最近交互的项来平衡本地级和全局级表示，这个模块能够计算不同兴趣向量的召回数量，并且不需要目标项目的参与，能够在在线服务阶段提高效率。

主权项：1.一种基于注意力的多兴趣序列推荐方法，其特征在于，包括如下步骤：步骤（1）从用户的行为日志或相关数据集中提取用户所产生的交互记录，并获取其在这些交互记录上产生的具体行为类型；步骤（2）在上一步中得到的数据的基础上，将这些数据划分为训练集、验证集和测试集；在训练集中的每一条交互记录上，采取切分策略进行数据扩展，将一条交互记录“1、2、3、4”划分为“1、2”，“1、2、3”，“1、2、3、4”，数字编号代表一条交互内容，是浏览过的商品或新闻；步骤（3）对于每一条划分的新记录，尝试获取对应记录的local-level兴趣表示，即使用基于改进版本的自注意力分数计算、前馈、兴趣提取模块的网络结构，来获取用户的多重local-level兴趣表示；步骤（4）与步骤3并行执行，对于每一条划分的新记录，尝试获取对应的global-level兴趣表示，即使用结合全局上下文信息和辅助信息的全局自注意力、前馈、兴趣提取模块的网络结构，来获取用户的多重global-level兴趣表示；步骤（5）中，针对步骤3和4中获得的两种兴趣表示，进行兴趣融合，分别计算出这两种兴趣的权重；设计了一个基于MLP的融合模块来计算local-level和global-level表示的权重，并根据此权重来进行融合，得到多重兴趣表示向量；步骤（6）在模型的训练阶段，针对步骤5融合后的多重向量中的某一项进行反向传播；在模型的测试或在线服务阶段，将用户完整的交互序列作为输入，参照步骤2至步骤5中的四个步骤计算出多重兴趣表示向量，利用向量检索工具，针对多重向量中的每一个向量都召回一定数量的物品，召回数量由步骤（5）中的权重决定，从而得到最终的推荐列表。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于注意力的多兴趣序列推荐方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD