(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 202211016627.7 (22)申请日 2022.08.24 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 韦世红　张健　何玮康　肖云鹏　 庞育才　李茜　王蓉　贾朝龙　 李暾　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王诗思 (51)Int.Cl. G06Q 30/06(2012.01) G06F 16/535(2019.01) G06F 16/9535(2019.01) G06F 16/958(2019.01)G06V 10/74(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于高清图像生成技术的兴趣画幅推 荐方法 (57)摘要 本发明属于互联网应用技术领域， 特别涉及 一种基于高清 图像生成技术的兴趣画幅推荐方 法， 包括获取用户的历史交互行为数据， 从中提 取用户行为序列进行嵌入后与对应的粒度信息 融合， 得到输入向量； 构建预测模型， 预测模型的 Item2Frame层根据输入向量获取多兴趣画幅矩 阵， 预测模 型的高清兴趣画 像生成层对得到的多 兴趣画幅矩 阵进行噪点补偿获取用户的整体高 清兴趣画 像的向量表示； 计算用户的整体高清兴 趣画像的向量表示与物品向量之间的相似度， 将 相似度最高的N个物品推荐给用户； 本发明应用 于电商平台为用户提供更为优质的服务， 电商平 台可以更准确地挖掘用户兴趣， 从而推荐更多用 户感兴趣的内容 来为平台盈利。 权利要求书2页 说明书7页 附图2页 CN 115358820 A 2022.11.18 CN 115358820 A 1.一种基于高清图像生成技 术的兴趣画幅推荐方法， 其特 征在于， 包括以下步骤： 获取用户在一段时间内的历史交互行为数据， 历史交互行为数据包括交互发生的时间 以及物品交 互的顺序； 根据用户历史 交互行为数据， 提取用户交 互数据中存在的粒度信息； 用户在一段时间内的交互行为数据中的对象按照时间顺序进行排列， 得到用户行为序 列， 并将该序列转换为嵌入矩阵； 将嵌入矩阵中的每 个嵌入向量分别与其对应的粒度信息融合， 得到 输入向量； 构建预测模型， 该模型包括Item2Frame层、 高清兴趣画像生成层， Item2Frame层根据输 入向量获取多兴趣画幅矩阵， 高清兴趣画像生成层 对得到的多兴趣画幅矩阵进行噪点补偿 获取用户的整体高清兴趣画像的向量表示； 计算用户的整体 高清兴趣画像的向量表示与物品向量之间的相似度， 将与用户的整体 高清兴趣画像的向量表示相似度最高的N个物品推荐给用户。 2.根据权利要求1所述的一种基于高清图像生成技术的兴趣画幅推荐方法， 其特征在 于， 特征提取层从用户历史交互行为数据中提取粒度信息后将粒度信息与用户历史交互物 品的嵌入矩阵融合作为输入向量的过程包括： 给定一组按时间递增排序的用户交互序列 表示用户u在一段时 间内第n个交 互的物品， n ＝{1,2,…,N}； 则用户在该 段时间内每 个交互的物品对应的粒度信息向量表示 为： Granula ty＝{Granularity1,Granularity2,…,GranularityN}； 将用户交 互序列进行嵌入操作， 得到物品嵌入矩阵， 表示 为： E＝Embed ding(Su)； 将将粒度信息融入到物品嵌入矩阵中， 表示 为： 其中， N为用户在一段时间内交互的次数； Granularityi表示粒度信息向量的第i个元 素， i＝{1,2, …,N}且Granularityi的值小于阵Granularityi+1的值； Ei表示物品嵌入矩阵的 第i行行向量； IPE为输入向量。 3.根据权利要求1所述的一种基于高清图像生成技术的兴趣画幅推荐方法， 其特征在 于， Item2Fr ame层根据输入向量获取多兴趣画幅矩阵， 即通过改进的自注意力函数来获得 用户的多兴趣画幅， 将用户的多兴趣画幅与输入向量相乘即可得到用户的多兴趣画幅矩 阵， 其中改进的自注意力函数获得用户的多兴趣画幅的过程包括： LeakyRelu＝max(0,x)+neg ative_sl ope*min(0,x)； 其中， A为用户的多兴趣画幅； negative_slope为负斜率控制因子； W1和W2为可训练的参 数矩阵， W1的尺寸为da×d， W2为尺寸为da×K， da为多兴趣画幅的维度， d为嵌入矩阵的维度， K 为兴趣画幅的个数； x表示输入leakyRelu的变量； H为用户的历史行为序列。权　利　要　求　书 1/2 页 2 CN 115358820 A 24.根据权利要求1所述的一种基于高清图像生成技术的兴趣画幅推荐方法， 其特征在 于， 高清兴趣画像生成层对得到的多兴趣画幅矩阵进 行噪点补偿获取用户的整体高清兴趣 画像的向量表示包括以下 过程： 以输入向量作为高清兴趣画像生成层的输入， 高清兴趣画像生成层包括注意力层， 通 过注意力层获取用户的多兴趣画幅补偿矩阵表示； 对多个注意力层进行堆叠， 请将将残差连接、 层归一化和dropout应用于堆叠的每一层 注意力层； 最后一层注意力层输出用户的整体高清兴趣画像的向量表示。 5.根据权利要求4所述的一种基于高清图像生成技术的兴趣画幅推荐方法， 其特征在 于， 用户的多兴趣画幅补偿矩阵表示的获取包括： Ai＝Concat(head1,…,headh)Wo headi＝Attention(IuWiQ,IuWiK,IuWiV)， i＝{1,2,…h}； 其中， Ai为用户的多兴趣画幅补偿矩阵表示； Concat( )表示拼接操作； WiQ,WiK, 是注意力机制中查询值、 键、 值对应的可训练矩阵， Wo∈Rh×d×d为； K为兴 趣画幅的个数， d为嵌入矩阵的维度； dw＝d/h； h为多头注意力机制的头的个数； Iu为用户的 多兴趣画幅矩阵。 6.根据权利要求5所述的一种基于高清图像生成技术的兴趣画幅推荐方法， 其特征在 于， 为每一层注意力层附上非线性， 采用Leaky  ReLU作为激活函数的前馈神经网络对用户 的多兴趣画幅补偿矩阵表示进行处 理， 包括： FFN(Ai)＝LeakyReLU(AiW1+b1)W2+b2； 其中， FFN(  )表示前馈神经网络； Leaky ReLU( )表示Leaky  ReLU激活函数； W1,W2∈Rd×d、 b1,b2∈Rd为前馈神经网络中可 学习的网络参数， W1,W2的维度为d ×d， b1,b2的维度为d。 7.根据权利要求4所述的一种基于高清图像生成技术的兴趣画幅推荐方法， 其特征在 于， 注意力层之 间进行级联， 最后一层注意力 层输出用户的整体高清兴趣画像的向量表示， 包括： 其中， 为第k+1层注意力层的输出； LayerNorm()表示归一化操作； Dropout()表 示Dropout操作。权　利　要　求　书 2/2 页 3 CN 115358820 A 3