本技术公开了推荐系统技术领域的一种时间间隔感知的多模态序列推荐方法,步骤如下:提取项目中模态的文本特征、图片特征以及嵌入,并提取用户在模态上的交互序列的时间间隔表征,将时间间隔表征加到模态表征上以得到时间间隔感知的模态表征,建立用户基于模态学习得到的用户表征以及将用户在每个模态上的偏好分数聚合在一起得到总体偏好分数,根据总体偏好分数进行推荐,本发明通过引入时间间隔编码方法和灵活的两阶段融合策略,不仅为多模态推荐系统提供了更为丰富的用户偏好表示,还在很大程度上提高了推荐性能。
背景技术
推荐系统的技术和产品应用已经渗透到多个领域,并且在不断扩展其应用范围。已知领域如电子商务、媒体、社交网络等已经广泛应用推荐技术来提升用户体验和商业价值,而潜在领域如医疗健康、智能家居和智能交通等也正在探索如何通过推荐系统优化服务和资源配置。随着技术的不断进步,推荐系统的应用前景将更加广泛和深入。
推荐系统在解决电商平台的数据爆炸问题中占据重要的地位,为了提升推荐系统的性能,研究者们将项目属性、项目图片、交互顺序等融入到推荐系统中,这种推荐系统就称为多模态序列推荐系统。
现有方法对于交互顺序的学习方法是将用户交互过的项目按照顺序进行排列,为每个位置学习一个表征,该位置表征用于后续的用户建模。现有方法对于多模态的融合策略可以分为两种,一种是早期融合,即在用户建模之前已经被合并成一个统一的表征,另一种是后期融合,即将不同模态的独立处理结果进行融合。上述两种融合策略各有优缺点,通常需结合具体问题分析。
现有的方法仅仅使用交互顺序,而没有考虑到时间间隔对于用户偏好的影响。用户在长期不活跃之后很可能会发生偏好的改变,忽视时间间隔对用户偏好的影响可能会导致无法捕捉用户在不同时期变化的偏好进而导致推荐性能的次优化。我们对数据集中的时间间隔进行调研并发现:(1)24.25%的交互时间间隔超过100天;(2)同一对项目之间的交互间隔从1天到210天不等。上述情况证实了对于时间间隔的考虑是必要的。且现有方法粗糙的模态融合方法可能会无法探索多模态数据之间的互补特质从而造成有价值信息的损失,一个有效地多模态融合方法需要考虑到不同模态之间的共性,同时也要考虑到不同模态之间潜在的差异性。
实现思路