本技术涉及推荐,尤其涉及一种用户的兴趣推荐方法、电子设备及存储介质。
背景技术:
1、近年来,随着电子商务、社交媒体等平台的快速发展,导致互联网中的信息总量激增,信息过载问题严重,大量信息使用户无暇顾及。因此,如何使用户从海量信息中高效获取感兴趣的信息成为推荐算法的研究热点。
2、现有的推荐算法大多通过挖掘用户与项目之间的静态相关性,捕捉用户的长期兴趣,更多的关注长期兴趣建模,仅将前一个交互项目的嵌入作为短期兴趣,未考虑用户长短期兴趣相互纠缠的问题,导致兴趣推荐准确率较低。
技术实现思路
1、本技术提供了一种用户的兴趣推荐方法、电子设备及存储介质,以解决未考虑用户长短期兴趣相互纠缠,导致兴趣推荐准确率较低的问题。
2、第一方面,本技术提供了一种用户的兴趣推荐方法,包括:
3、获取用户的长期兴趣集和短期兴趣集,长期兴趣集包括在第一时长内用户的历史行为序列中的至少一个项目,短期兴趣集包括在第二时长内历史行为序列中的至少一个项目,第一时长大于第二时长;
4、计算长期兴趣集中每一个项目的项目嵌入和时间位置权重分值,得到长期兴趣特征序列;
5、计算短期兴趣集中每一个项目的项目嵌入和潜在意图权重分值,得到短期兴趣特征序列;
6、基于预先确定的融合公式,根据长期兴趣特征序列和短期兴趣特征序列计算用户的最终兴趣特征表示。
7、在一种可能的实现方式中,预先确定的融合公式包括:
8、
9、其中,ut表示在时间t时用户的最终兴趣特征表示,α表示自适应融合权重,表示在时间t时的短期兴趣特征序列,表示在时间t时的长期兴趣特征序列。
10、在一种可能的实现方式中,计算长期兴趣集中每一个项目的项目嵌入和时间位置权重分值,得到长期兴趣特征序列,包括:
11、基于预先确定的个性化位置嵌入公式,将长期兴趣集转换为长期兴趣向量集,长期兴趣向量集中包括长期兴趣集中每一个项目的项目嵌入;
12、基于预先确定的时间位置多头注意力计算公式,计算长期兴趣向量集中每一个项目嵌入的时间位置权重分值;
13、基于预先确定的长期聚合公式,将长期兴趣向量集中的每一个项目嵌入和项目嵌入对应的时间位置权重分值进行聚合,得到长期兴趣特征序列。
14、在一种可能的实现方式中,预先确定的个性化位置嵌入公式,包括:
15、hj=γ⊙pj⊙lj
16、其中,hj表示长期兴趣向量集中的第j个融入个性化位置后的项目嵌入,γ表示用于调整数量级的全局可训练参数,pj表示用户的第j个个性化时间位置嵌入,lj表示历史行为序列中的第j个项目的向量;
17、预先确定的时间位置多头注意力计算公式,包括:
18、
19、
20、其中,αi表示长期兴趣向量集中的第i个项目嵌入的时间位置权重分值,hi表示长期兴趣向量集中的第i个项目嵌入,表示长期兴趣向量集中的第i个项目嵌入的长期注意力得分,ls表示长期兴趣向量集的长度,σ表示sigmoid函数,和是可训练参数,2df表示att(.)嵌入的维度,w1表示第一可训练权重矩阵,w2表示第二可训练权重矩阵,b1表示第一偏差向量,b2表示第二偏差向量;
21、预先确定的长期聚合公式包括:
22、
23、其中,表示用户的长期兴趣特征序列,αi表示长期兴趣向量集中的第i个项目嵌入的时间位置权重分值,hi表示长期兴趣向量集中的第i个项目嵌入,ls表示长期兴趣向量集的长度,⊙表示内积运算符。
24、在一种可能的实现方式中,计算短期兴趣集中每一个项目的项目嵌入和潜在意图权重分值,得到短期兴趣特征序列,包括:
25、基于预先确定的项目嵌入公式,将短期兴趣集转换为短期兴趣向量集,短期兴趣向量集中包括短期兴趣集中每一个项目的项目嵌入;
26、基于预先确定的潜在意图注意力计算公式,计算短期兴趣向量集中每一个项目嵌入的潜在意图权重分值;
27、基于预先确定的短期聚合公式,将短期兴趣向量集中的每一个项目嵌入和项目嵌入对应的潜在意图权重分值进行聚合,得到短期兴趣特征序列。
28、在一种可能的实现方式中,预先确定的项目嵌入公式包括:
29、hk=g(xkw+hk-1u+b)
30、其中,hk表示短期兴趣向量集中的第k个项目嵌入,hk-1表示短期兴趣向量集中第k-1个项目嵌入,g表示激活函数,xk表示短期兴趣集中的第k个项目,u表示可训练参数,b表示第三偏差向量;
31、预先确定的潜在意图注意力计算公式,包括:
32、
33、其中,表示短期兴趣向量集中第k个项目嵌入的潜在意图权重分值,表示短期兴趣向量集中更新后的第k个项目嵌入,表示短期兴趣向量集中更新后的第j个项目嵌入,ep表示预测项目的嵌入向量,表示第三可训练权重矩阵,bu表示所述短期兴趣集中的项目数;
34、预先确定的短期聚合公式,包括:
35、
36、其中,表示短期兴趣特征序列,表示短期兴趣向量集中第j个项目嵌入的潜在意图权重分值。
37、在一种可能的实现方式中,在根据长期兴趣特征序列和短期兴趣特征序列计算用户的最终兴趣特征表示之后,方法还包括:
38、获取待预测的推荐项目;
39、基于预先确定的交互概率公式,计算待预测的推荐项目的交互概率得分。
40、在一种可能的实现方式中,预先确定的交互概率公式,包括:
41、
42、其中,表示在时间t+1时用户u和推荐项目v的交互概率得分,ut表示在时间t时用户的最终兴趣特征表示,||表示串联计算,mlp(·)表示多层感知器,e(v)表示推荐项目的嵌入向量。
43、第二方面,本技术提供了一种用户的兴趣推荐装置,包括:
44、获取模块,用于获取用户的长期兴趣集和短期兴趣集,长期兴趣集包括在第一时长内用户的历史行为序列中的至少一个项目,短期兴趣集包括在第二时长内历史行为序列中的至少一个项目,第一时长大于第二时长;
45、第一计算模块,用于计算长期兴趣集中每一个项目的项目嵌入和时间位置权重分值,得到长期兴趣特征序列;
46、第二计算模块,用于计算短期兴趣集中每一个项目的项目嵌入和潜在意图权重分值,得到短期兴趣特征序列;
47、第三计算模块,用于基于预先确定的融合公式,根据长期兴趣特征序列和短期兴趣特征序列计算用户的最终兴趣特征表示。
48、第三方面,本技术提供了一种电子设备,包括存储器和处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式用户的兴趣推荐方法的步骤。
49、第四方面,本技术提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式用户的兴趣推荐方法的步骤。
50、本技术提供一种用户的兴趣推荐方法、电子设备及存储介质,通过获取用户的长期兴趣集和短期兴趣集;计算长期兴趣集中每一个项目的项目嵌入和时间位置权重分值,得到长期兴趣特征序列;计算短期兴趣集中每一个项目的项目嵌入和潜在意图权重分值,得到短期兴趣特征序列;基于预先确定的融合公式,根据长期兴趣特征序列和短期兴趣特征序列计算用户的最终兴趣特征表示。通过别计算分离得到用户的长期兴趣特征序列和短期兴趣特征序列,解决了用户长短期兴趣相互纠缠的问题,能更加准确的向用户推荐兴趣项目。