一种序列推荐模型建模方法及装置

本技术涉及计算机，尤其涉及一种序列推荐模型建模方法及装置。

背景技术：

1、推荐算法的目的在于帮助用户从海量的数据中，挑选出用户感兴趣的目标数据，很多商业产品已经开始应用了相应的推荐算法帮助推荐自己的产品或者服务。

2、现有的利用图神经网络技术的序列推荐算法都需要按照一定的规则事先预定义好邻接矩阵，并且在学习过程中邻接矩阵不改变。而由于序列中“噪音点”的存在，有些项目与序列中其余的项目不是很相关甚至不相关，所以现有的基于图神经网络的序列推荐算法在利用图神经网络聚合信息的时候会得到不精确的项目嵌入表示，因此会对下游的预测任务产生负面的影响，最终导致推荐预测准确度的下降。

技术实现思路

1、本技术提供了一种序列推荐模型建模方法及装置，用于解决现有的序列推荐模型推荐预测准确度低的技术问题。

2、为解决上述技术问题，本技术第一方面提供了一种序列推荐模型建模方法，包括：

3、获取用户集合以及所述用户集合对应的历史交互项目数据，并分别基于所述用户集合以及所述历史交互项目数据，生成用户特征和交互项目序列特征；

4、基于所述用户特征和所述交互项目序列特征，通过预设的特征门控模型，对用户特征与交互项目序列特征之间关系进行聚合计算，得到聚合特征；

5、获取输入的目标项目序列，结合所述用户特征与所述聚合特征，结合因果效应计算公式，得到所述目标项目序列对应的事实预测分数和反事实因果分数；

6、根据所述事实预测分数与所述反事实因果分数，计算所述目标项目序列的推荐预测分数，以根据所述推荐预测分数与贝叶斯因果效应损失函数，对所述特征门控模型的参数进行训练，当满足预设的训练条件时，基于训练后的所述特征门控模型，形成序列推荐模型。

7、优选地，所述基于所述用户特征和所述交互项目序列特征，通过预设的特征门控模型，对用户特征与交互项目序列特征之间以及不同交互项目序列特征之间的关系进行聚合计算，得到聚合特征具体包括：

8、将所述用户特征和所述交互项目序列特征输入至预设的第一特征门控子模型，以通过所述第一特征门控子模型的运算，确定所述用户特征和所述交互项目序列特征的关联关系，得到第一聚合特征；

9、将所述第一聚合特征和所述用户特征输入预设的第二特征门控子模型，以通过所述第二特征门控子模型的运算，确定所述用户特征和所述第一聚合特征的关联关系，得到第二聚合特征；

10、对所述第二聚合特征进行池化处理，输出池化处理后的第二聚合特征。

11、优选地，所述第一特征门控子模型具体为：

12、

13、式中，为第i个用户的第l个序列的第一聚合特征，si,l第i个用户的第l个序列的交互项目序列特征，wg1、wg2均为第一特征门控子模型的网络权重，ui为第i个用户的用户特征，bg为偏置系数，σ是激活函数。

14、优选地，所述第二特征门控子模型具体为：

15、

16、式中，为第i个用户的第l个序列的第二聚合特征，为第i个用户的第l个序列的第一聚合特征，均为第二特征门控子模型的网络权重的转置，为第i个用户的用户特征的转置，σ是激活函数。

17、优选地，所述因果效应计算公式具体为：

18、

19、yk*,i,u＝yu,i

20、yu,i＝u·q,q∈q

21、式中，yk,i,u为所述事实预测分数，yk*,i,u为所述反事实因果分数，为第i个用户的用户特征的转置，u为各用户特征，qj是目标项目序列的第j列，为池化处理后的第二聚合特征，ek是交互项目序列特征si,l中的第k列特征，σ是激活函数，上标t代表矩阵转置，q为目标项目序列的特征嵌入，q为所述目标项目序列。

22、本技术第二方面还提供了一种序列推荐模型建模装置，包括：

23、特征数据获取单元，用于获取用户集合以及所述用户集合对应的历史交互项目数据，并分别基于所述用户集合以及所述历史交互项目数据，生成用户特征和交互项目序列特征；

24、特征聚合处理单元，用于基于所述用户特征和所述交互项目序列特征，通过预设的特征门控模型，对用户特征与交互项目序列特征之间关系进行聚合计算，得到聚合特征；

25、序列分值计算单元，用于获取输入的目标项目序列，结合所述用户特征与所述聚合特征，结合因果效应计算公式，得到所述目标项目序列对应的事实预测分数和反事实因果分数；

26、序列推荐模型构建单元，用于根据所述事实预测分数与所述反事实因果分数，计算所述目标项目序列的推荐预测分数，以根据所述推荐预测分数与贝叶斯因果效应损失函数，对所述特征门控模型的参数进行训练，当满足预设的训练条件时，基于训练后的所述特征门控模型，形成序列推荐模型。

27、优选地，所述特征聚合处理单元具体用于：

28、将所述用户特征和所述交互项目序列特征输入至预设的第一特征门控子模型，以通过所述第一特征门控子模型的运算，确定所述用户特征和所述交互项目序列特征的关联关系，得到第一聚合特征；

29、将所述第一聚合特征和所述用户特征输入预设的第二特征门控子模型，以通过所述第二特征门控子模型的运算，确定所述用户特征和所述第一聚合特征的关联关系，得到第二聚合特征；

30、对所述第二聚合特征进行池化处理，输出池化处理后的第二聚合特征。

31、优选地，所述第一特征门控子模型具体为：

32、

33、式中，为第i个用户的第l个序列的第一聚合特征，si,l第i个用户的第l个序列的交互项目序列特征，wg1、wg2均为第一特征门控子模型的网络权重，ui为第i个用户的用户特征，bg为偏置系数，σ是激活函数。

34、优选地，所述第二特征门控子模型具体为：

35、

36、式中，为第i个用户的第l个序列的第二聚合特征，为第i个用户的第l个序列的第一聚合特征，均为第二特征门控子模型的网络权重的转置，为第i个用户的用户特征的转置，σ是激活函数。

37、优选地，所述因果效应计算公式具体为：

38、

39、yk*,i,u＝yu,i

40、yu,i＝u·q,q∈q

41、式中，yk,i,u为所述事实预测分数，yk*,i,u为所述反事实因果分数，为第i个用户的用户特征的转置，u为各用户特征，qj是目标项目序列的第j列，为池化处理后的第二聚合特征，ek是交互项目序列特征si,l中的第k列特征，σ是激活函数，上标t代表矩阵转置，q为目标项目序列的特征嵌入，q为所述目标项目序列。

42、从以上技术方案可以看出，本技术具有以下优点：

43、本技术提供的技术方案先通过获取用户集合以及这些用户集合对应的历史交互项目数据，通过基于用户特征和交互项目序列特征，通过预设的特征门控模型，对用户特征与交互项目序列特征之间关系进行聚合计算，得到聚合特征，通过聚合项目之前的关联信息来学习一个项目出现在另一个项目附近的可能性聚合用户与项目之间的关联信息来学习用户对项目的关注度，然后获取输入的目标项目序列，用于代表用户当前意图，再结合用户特征与聚合特征，结合因果效应计算公式，得到目标项目序列对应的事实预测分数和反事实因果分数，借助因果推荐逻辑区分用户的当前意图和过去互动物品对预测的影响，最后，基于事实预测分数和反事实因果分数计算目标项目序列的推荐预测分数，以根据推荐预测分数与贝叶斯因果效应损失函数，对特征门控模型的参数进行训练，训练完成后即可获得序列推荐模型，按照本技术提供的建模方法所构建的序列推荐模型能够准确地学习项目之间的真实关系，并且可以为下一个预测任务建模更准确的项目嵌入表示，从而提高序列推荐模型的推荐预测准确度。