一种用于网站会话场景的推荐方法

摘要

本发明属于计算机技术推荐方法领域，涉及用于网站会话场景的推荐方法。本发明的主要方法包括：用户会话中长短期数据划分；用户偏好建模；推荐结果集生成。本方法的有益效果为，克服了传统会话推荐方法中默认当前会话用户偏好和用户历史偏好无差异，即用户在本次会话和历史会话的偏好不会发生巨大改变。然而，这与某些特定场景相违背，如账号当前的使用者并非账号的常用人，又如用户当前会话在为他人购买物品。因此，本发明提出了一种基于深度学习的会话推荐算法。解决了用户历史偏好和当前会话偏好可能存在巨大差异的推荐问题。

说明书

技术领域

本发明属于计算机技术推荐方法领域，涉及一种用于网站会话场景的推荐方法。

背景技术

随着互联网的普及，用户与网站的交互多为会话形式，因此，如何基于会话为用户提供推荐正逐渐成为推荐系统领域的一个富有挑战性的问题。

近几年来，现有工作提出了多种用于网站会话场景的推荐方法。但是，它们或多或少存在着一些问题。比如，默认当前会话用户偏好和用户历史偏好无差异，即用户在本次会话和历史会话的偏好不会发生巨大改变。因此，传统的会话推荐算法无法满足用户的需求。

为了解决现有工作的不足，我们提出一种用户会话偏好建模算法，对会话用户的历史会话偏好和当前会话偏好进行单独学习。我们通过所提出的用户会话偏好建模算法能有效解决用户历史偏好和当前会话偏好可能存在巨大差异的推荐问题。

发明内容

本发明提出了一种新颖的基于深度学习的会话推荐方法。该方法在学习用户偏好中区分性的学习了用户的历史会话偏好，当前会话短期偏好，当前会话长期偏好，有效的提供了用户偏好的学习表达能力。之后将用户各个类型的偏好进行融合得到用户的最终偏好，最终再通过用户最终偏好计算用户对物品的预测得分。本发明包括以下步骤：

a.根据已获得的用户历史交互数据，通过语境长短期记忆网络结合注意力网络学习用户的历史会话偏好。

b.根据已获得的用户当前会话交互数据，进行当前会话数据长短期划分阶段，将当前会话中距离当前时刻的前10个时间步的交互数据作为短期交互数据，将当前时刻的前30个时间步的交互数据作为长期交互数据。

c.根据已获得的用户当前会话短期交互数据，通过语境长短期记忆网络学习用户当前会话的短期偏好。

d.根据已获得的用户当前会话长期交互数据，通过语境长短期记忆网络结合注意力网络学习用户当前会话的长期偏好。

e.根据a学习到的用户的历史会话偏好和d学习到的用户当前会话的长期偏好，通过双线性神经网络学习用户融合偏好。

f.根据e学习到的用户融合偏好和c学习到的用户当前会话的短期偏好，通过双线性神经网络学习用户最终偏好。

g.根据f学习到的用户最终偏好和物品的嵌入向量，通过双线性神经网络学习用户对物品的预测得分。

本发明的有益效果为，克服了传统方法的强假设问题，即已知用户的分组信息，提出了一种基于群组的潜因子模型，解决了未知用户分组信息的场景下的群组推荐问题。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图，详细描述本发明的技术方案：

如图1所示，本发明的主要流程为：

a.根据已获得的用户历史交互数据，通过语境长短期记忆网络结合注意力网络学习用户的历史会话偏好。下面分别列出了语境长短期记忆网络和注意力网络的结构。

h

其中每个交互的隐藏状态h

其中h

b.根据已获得的用户当前会话交互数据，进行当前会话数据长短期划分阶段，将当前会话中距离当前时刻的前10个时间步的交互数据作为短期交互数据，将当前时刻的前30个时间步的交互数据作为长期交互数据。

c.根据已获得的用户当前会话短期交互数据，通过语境长短期记忆网络学习用户当前会话的短期偏好。其使用的语境长短期记忆网络与a步中所用境长短期记忆网络结构一致。

d.根据已获得的用户当前会话长期交互数据，通过语境长短期记忆网络结合注意力网络学习用户当前会话的长期偏好。其使用的语境长短期记忆网络结合注意力网络与a步中所用的语境长短期记忆网络结合注意力网络组件相同。

e.根据a学习到的用户的历史会话偏好和d学习到的用户当前会话的长期偏好，通过双线性神经网络学习用户融合偏好。其学习模型结构如下：

q

其中h

f.根据e学习到的用户融合偏好和c学习到的用户当前会话的短期偏好，通过双线性神经网络学习用户最终偏好。其学习模型结构与e中所使用的双线性神经网络结构相同。

g.根据f学习到的用户最终偏好和物品的嵌入向量，通过双线性神经网络学习用户对物品的预测得分。其学习模型结构与e中所使用的双线性神经网络结构相同。

h.对物品集的预测得分递减排序，然后进行Top-K推荐。