CN114201683B 一种基于多级匹配的兴趣激活新闻推 荐方法及系统 （齐鲁工业大学(山东省科学院)）

一种基于多级匹配的兴趣激活新闻推荐方本发明提供了一种基于多级匹配的兴趣激点击新闻的不同相似度下的局部兴趣匹配排名新闻的概率，基于预测概率向用户推荐候选新2获取候选新闻和用户历史点击新闻，分别进行新闻编码，得到候基于候选新闻表示和用户历史点击新闻表示，采用目标注意力机制基于候选新闻表示和用户历史点击新闻表示，在多个不同的相似度卷积神经网络与最大池化函数得到每个候选新闻与用户历史点击新闻的局部兴趣匹配排联合用户全局兴趣特征、动态兴趣特征和局部兴趣匹配排名特基于所述用户全局兴趣特征、动态兴趣特征和候选新闻表示，联合基于用户全局兴趣的匹配分数、基于动态兴趣的匹配分数和局部兴趣匹配分数，基于用户全局兴趣的匹配分数为所述用户全局兴趣特征和候选基于动态兴趣的匹配分数为所述动态兴趣特征和候选3行时实现如权利要求1-5中任一项所述的一种基于多级匹配的兴趣激活新闻推荐方法中的8.一种计算机设备，包括存储器、处理器及4[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技5候选新闻与用户历史点击新闻的局部兴趣匹示，采用目标注意力机制来计算每个用户历史点击新闻和每个候选新闻之间的注意力得每个候选新闻与用户历史点击新闻的局部兴程序被处理器执行时实现如上述所述的一种基于多级匹配的兴趣激活新闻推荐方法中的6[0038]本发明提供了一种基于多级匹配的兴趣激活新闻推荐方法，其通过多级匹配交7与用户兴趣相关的信息对提高用户兴趣多样性特征至关重要。从相关性匹配的角度考虑，题。如果将用户之前点击的不同历史新闻聚合成一个用户向量进行匹配，这种方法可能会造成文本词对间的软匹配信号丢失。即丢失了不同水平相似度的文本词对匹配信息。如固定大小的向量虽代表单个用户的所有兴趣，但是无法动态表达用户的不同兴趣。这会一定程度上限制推荐模型的表达能力。若是扩大该固定长度向量的维度来提高兴趣特征，可能会引起过度拟合的风险并降低模型的性能。然而，本发明观察到没有必要将所有用户兴[0057](2)通过一个词嵌入查找表weR"",将新闻标题单词序列转换成单词向量序和D分别是词汇量和词嵌入维数。8[0059]本发明使用CNN应用于新闻标题单词向量序列获得相应的嵌入，并使用最大池技[0061]其中，e(i‑K):(i+K)是从位置i‑k到i+k的单[0067]将新闻编码器应用于用户所有的点击新闻，得到用户的点击新闻的表示[r1,N为点击新闻数。9i条新闻的关注权重表示。[0074]用户的全局兴趣特征为Su，用户全局兴趣特征为用户历史点击新闻表示的加权[0077]用户浏览过的历史新闻压缩成一个固定的表示向量会一定程度上限制用户的兴[0088]本发明不再是将CNN提取特征之后的词向量嵌入进行注意力加权聚合，而是构建汇总成一个k维特征向量。每个候选新闻词的特征向量的对数和形成候选新闻排序特征向较大时，此时向量MijK,N-μk之间距离的变化对指数整体数值的影响就会变小，曲线比较平别计算新闻标题内各个词的软词频(Soft-TF)，之后将各词的软词频加和得到用于排序的新闻匹配的较强显著信号作为用户和候选新闻之间的最终匹配向量。经过卷积之后的第k个候选新闻与历史点击新闻的不同相似度下的局部兴趣匹配排名特征表示为",其计算用户全局兴趣的匹配分数和基于候选新闻激活的动态兴趣匹配分数"s",公式如i条正面新闻的总体匹配分数，yj-表示与第i条正面新闻处于同一候选新闻与历史点击新闻匹配形成词语之间的关联矩阵。在关联矩阵上应用多级匹配交目标注意力网络模块还增强了点击预测的鲁棒性表示匹配模块与分布式匹配模块，该系统含有的两个核心模块包含以下几个主要的组件：示，采用目标注意力机制来计算每个用户历史点击新闻和每个候选新闻之间的注意力得每个候选新闻与用户历史点击新闻的局部兴[0129]此处需要说明的是，本实施例中的各个模块与实施例一理器执行时实现如上述实施例一所述的一种基于多级匹配的兴趣激活新闻推荐方法中的介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0136]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一