(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211219289.7 (22)申请日 2022.09.30 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 刘峤　曾悦　钟诣哲　高万年　 石晓军　李淳　王永安　代婷婷　 甘洋镭　侯睿　佟飘　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 张冉 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/04(2006.01) G06Q 30/06(2012.01) (54)发明名称 一种基于滑动兴趣窗口 的会话推荐方法 (57)摘要 本发明公开了一种基于滑动兴趣窗口的会 话推荐方法， 本发明属于会话推荐技术领域。 本 发明所述方法主要包括以下步骤： 初始化物品字 典和位置字典， 生成时序物品点击序列高维空间 表示； 构造基于兴趣窗口的注意力机制， 得到兴 趣窗口内局部兴趣偏好； 在时序物品点击序列中 对兴趣窗口进行滑动， 建立序列中的局部兴趣偏 好集合； 利用门控机制对局部兴趣偏好集合进行 自适应融合形成用户兴趣表征； 将用户兴趣表征 与物品字典内积得到物品字典内各候选物品的 概率值。 本发 明所述方法避免噪声信息干扰局部 兴趣偏好建模， 建立精准的用户兴趣表征。 权利要求书2页 说明书5页 CN 115495660 A 2022.12.20 CN 115495660 A 1.一种基于滑动兴趣窗口 的会话推荐方法， 其特 征在于， 包括以下步骤： 步骤1.初始化物品字典和位置字典， 得到物品字典和位置字典的高维空间表示； 生成 用户物品点击序列的物品高维空间表示和位置高维空间表示， 拼接后得到时序物品点击序 列高维空间表示； 步骤2.构造兴趣窗口， 作用在用户物品点击序列上； 在兴趣窗口内部进行缩放点积注 意力机制的计算， 得到当前兴趣窗口内的局部兴趣偏好； 步骤3.在时序物品点击序列中将兴趣窗口从用户物品点击序列的第一个物品滑动到 最后一个物品处停止， 建立序列中局部兴趣偏好 集合； 步骤4.利用门控机制对局部兴趣偏好 集合进行自适应融合形成用户兴趣表征； 步骤5.将用户兴趣表征与物品字典内积得到物品字典内各候选物品的概率值， 实现用 户下一刻点击物品的预测。 2.根据权利要求1所述的基于滑动兴趣窗口的会话推荐方法， 其特征在于， 步骤1的具 体过程为： 步骤1‑1.采用方差为0.01、 均 值为0的方式分别对物品字典和位置字典进行初始化， 得 到物品字典的高维空间表示 和位置字典的高维空间表示 其中， xt为物品字 典中第t个物品的高维空间表示， 1≤t≤ |V|， |V|为物品字典的大小， 表示|V|×d维矩阵， pm为位置字典中第 m个位置的高维空 间表示， 1≤m≤|L|， |L|为位置字典的大小， 表示|L|×d维矩阵， d为物品和位置高维空 间表示的维度； 步骤1‑2.用户物品点击序列为 vp表示用户第p次点击的物品， 1≤p≤| Is |， |Is|为用户点击的物品数量； 根据用户物品点击序列Is和物品字典的高维空 间表示X对应 得到用户物品点击序列的物品高维空间表示为 根据用户物品点击序列Is和位置字典的高维空间表示P对应得到用户物品点击序列的位置 高维空间表示为 其中， 为用户第p 次点击物品的物品高维空间表示， 为用户第p次点击物品位置高维空间表示， 表 示|Is|×d维矩阵； 步骤1‑3.将用户物品点击序列的物品高维空间表示和位置高维空间表示进行拼接， 得 到时序物品点击序列高维空间表示 seqp为拼接 后的用户第p次点击物品的高维空间表示； 其中， S eq＝tanh([S eqitem|Seqpos]W1)， tanh为激 活函数， 转换矩阵 表示2d×d维矩阵， |表示 拼接。 3.根据权利要求2所述的基于滑动兴趣窗口的会话推荐方法， 其特征在于， 步骤2 的具 体过程为： 步骤2‑1.构造长度为2k+1的兴趣窗口， 作用在用户物品点击序列上； 兴趣窗口的中心 位于用户物品点击序列的第j个物品时， 记兴趣窗口内的物品序列高维空间表示为 表示(2k+1) ×d维矩阵， 1≤j≤| Is|； Sj包含2k+1个物品高维空间表示， 其中第m个物品高维空间表示为seqm， j‑k≤m≤j+k， 当m＜1或m＞|Is|时， 令seqm为一个零向权　利　要　求　书 1/2 页 2 CN 115495660 A 2量； 步骤2‑2.利用基于兴趣窗口的注意力机制捕获兴趣窗口内的局部兴趣偏好； 即在兴趣 窗口内部进行缩放 点积注意力机制的计算， 具体 计算公式如下： 其中， a(seqj， Sj)表示以用户物品点击序列的第j个物品为中心的物品序列Sj的局部相 同兴趣偏好的物品信息， softmax 为激活函数， 上标T表示转置； 转换矩阵 用于将用户物品点击序列的第j个物品转换为缩放点积注意 力机制中的query值， 用于将兴趣 窗口内的物品序列高维空间表示Sj转换为缩放点积注 意力机制中的key值， 用于兴趣 窗口内的将物品序列高维空间表示Sj转换为缩放点积注 意力机制中的value值。 4.根据权利要求3所述的基于滑动兴趣窗口的会话推荐方法， 其特征在于， 步骤3的具 体计算过程 为： 其中， Attend(Seq， S)表示局部兴趣偏好 集合。 5.根据权利要求4所述的基于滑动兴趣窗口的会话推荐方法， 其特征在于， 步骤4的具 体计算过程 为： 步骤4‑1.根据局部兴趣偏好集合相对于序列中最后一个物品的相似度得到权重值向 量， 具体计算过程 为： g＝σ(Attend(Seq， S) ·W2+b2) 其中， 为权重值向量， σ为激活函数， 表示|Is|维向量， 转换矩阵 表示d×1维矩阵， 偏移参数 表示|Is|维向量； 步骤4‑2.根据权重值向量融合所有局部兴趣偏好信息形成用户兴趣表征， 具体计算过 程为： 其中， 为用户兴趣表征， gp为用户第p次点击的物品的权 重值， 表示d维向量。 6.根据权利要求5所述的基于滑动兴趣窗口的会话推荐方法， 其特征在于， 步骤5的具 体计算过程 为： pred＝softmax(U ·W3) 其中， 转换矩阵 表示d×|V|维矩阵； 为下一时刻各候选物品 即用户感兴趣物品的概率值排序结果， 选取概率最大值对应的候选物品作为下一时刻点击 推荐的物品。权　利　要　求　书 2/2 页 3 CN 115495660 A 3