一种基于改进循环神经网络算法的推荐召回方法及系统与流程

技术特征：
1.一种基于改进神经网络的推荐系统在线召回方法，其特征在于，包括以下步骤：s1、对目标用户交互数据进行时间交互序列化过滤，得到用户
‑
对象交互记录；s2、对步骤s1中用户
‑
对象交互记录提取目标用户的交互对象类别特征；s3、基于改进rnn循环神经网络对步骤s1中用户
‑
对象交互记录与步骤s2中对象类别特征进行融合预测，得到召回生成结果。2.根据权利要求1所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤s1具体包括以下分步骤：s11、对目标用户交互数据进行数据清理；s12、对步骤s11中清理后交互数据进行时间序列范围内过滤，得到目标用户在预设时间范围内用户
‑
对象交互行为信息；s13、对步骤s12中用户
‑
对象交互行为信息进行信息转换，得到用户
‑
对象交互记录。3.根据权利要求1所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤s2具体包括以下分步骤：s21、根据步骤s1中用户
‑
对象交互记录构建对象信息提取模型，并提取目标用户的交互对象信息；s22、计算步骤s21中目标用户的交互对象信息中各类别特征的统计学特征；s23、对步骤s22中各类别特征的统计学特征进行整理，得到目标用户的交互对象类别特征。4.根据权利要求3所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤s21具体包括以下分步骤：s211、根据步骤s1中用户
‑
对象交互记录构建对象信息提取模型；s212、利用步骤s211中对象信息提取模型根据步骤s1中用户
‑
对象交互记录进行提取，得到目标用户在预设时间范围内目标用户的交互对象信息；s213、对步骤s212中目标用户的交互对象信息进行类别划分，并对划分结果进行数据转换，得到转换后目标用户的交互对象信息。5.根据权利要求1所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤s3具体包括以下分步骤：s31、根据步骤s1中用户
‑
对象交互记录构建序列化交互记录模型，计算用户
‑
对象的隐藏式表达向量；s32、构建改进rnn循环神经网络，对步骤s2中对象类别信息与步骤s31中用户
‑
对象的隐藏式表达向量的融合；s33、对步骤s33中融合后的用户
‑
对象各隐藏式表达向量进行解码，得到召回生成结果。6.根据权利要求5所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤s31具体包括以下分步骤：s311、根据步骤s1中用户
‑
对象交互记录构建序列化交互记录模型，并对序列化交互记录模型中对象信息进行定义计算，得到各对象转换的低维空间表达向量，定义计算式表示为：
其中，m
j
→
i,r
为第r个对象转换的低维空间表达向量，c
i
,
j
为消息的规范化常数，w
r
为序列化交互记录模型中第r个对象的权重参数，x
j
为序列化交互记录模型中第j个对象的表示向量；s312、对步骤s311中低维空间表达向量进行序列数据编码，表示为：其中，h
i
为序列化编码操作结果，merge()为序列融合操作，m
j
→
i,r
、m
j
→
i,r
分别为第r个以及第r个对象转换的低维空间表达向量，ni表示当前序列数据编码操作中待处理对象总数；s313、对步骤s312中编码后结果进行线性变换，得到用户
‑
对象各隐藏式表达向量，分别表示为：u
i
＝σ(w
u
h
i
)；v
i
＝σ(w
v
h
i
)；其中，u
i
为用户的隐式表达向量，w
u
为用户权重参数，v
i
为对象的隐式表达向量，w
v
为对象权重参数，σ为非线性激活函数，h
i
为序列化编码操作结果。7.根据权利要求6所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤s32具体包括以下分步骤：s321、在基础rnn循环神经网络中增加全连接层，构建改进rnn循环神经网络；s322、利用步骤s321中改进rnn循环神经网络，将步骤s2中交互对象类别特征转换为对象类别低维空间表达向量，表示为：f
i
＝σ(w
f
x
i
b)其中，f
i
为对象类别低维空间表达向量，x
i
为交互对象类别特征的第i个表示向量，w
f
为交互对象类别特征处理的权重参数，b为交互对象类别特征处理的偏置参数；s323、对步骤s31中用户
‑
对象的隐藏式表达向量与步骤s322中对象类别低维空间表达向量进行融合扩展，得到融合后的用户
‑
对象各隐藏式表达向量分别表示为：u'
i
＝σ(w
u
h
i
w
i
f
i
)；v'
i
＝σ(w
v
h
i
w
i
f
i
)；其中，u'
i
为用户转换融合的隐式表达向量，v'
i
为对象转换融合的隐式表达向量，w
i
为对象类别信息转换的权值参数，f
i
为对象类别信息转换的低维空间表达向量。8.根据权利要求7所述的基于改进循环神经网络算法的推荐召回方法，其特征在于，所述步骤s33具体包括以下分步骤：s331、根据步骤s32中融合后的用户
‑
对象各隐藏式表达向量计算在不同交互等级上用户对对象的预测交互概率分布，表示为：
其中，为用户对对象的预测交互概率分布，q
r
为训练参数矩阵，q
s
为线性转换矩阵，[]
t
为转置函数；s332、根据步骤s331中预测交互概率分布计算召回生成结果，表示为：其中，g(u
′
i
,v'
j
)为用户对对象的预测交互，e[]为期望函数，为召回生成结果，为预测交互在不同交互等级上的概率分布。9.一种应用权利要求1至权利要求8任一所述的基于改进循环神经网络算法的推荐召回方法的系统，其特征在于，包括交互记录过滤模块、对象类别统计模块以及在线召回生成模块；所述交互记录过滤模块用于对目标用户交互数据进行时间序列化过滤，得到用户
‑
对象交互记录；所述对象类别统计模块用于基于交互记录提取用户
‑
对象交互记录的对象类别特征；所述在线召回生成模块用于构建改进rnn循环神经网络对用户
‑
对象交互记录与对象类别特征进行融合预测，得到召回生成结果。

技术总结
本发明公开了一种基于改进神经网络的推荐系统在线召回方法及系统，对目标用户交互数据进行时间序列化过滤，得到用户


技术研发人员：李欣悦 陈武 肖伦山 钟侃 李杨柳
受保护的技术使用者：西南大学
技术研发日：2021.07.30
技术公布日：2021/10/29