推荐系统中建构特征交互的全交互方法与装置与流程

本发明涉及一种推荐系统(recommendation system)，且特别涉及一种推荐系统中建构特征交互(feature interaction)的全交互方法与装置。

背景技术：

1、在推荐系统(recommendation system)的点击率预测任务中，如何精确地描述特征之间复杂的交互关系至关重要，是影响预测模型准确度的关键之一。基于深度学习(deeplearning)的推荐系统可以利用嵌入(embedding)学习技术，在稀疏、高维度的原始分类数据(categorical data)中学习潜在特性，并映射到密集矢量中，以新的特征空间表示。一般来说，这矢量被称为类别特征(categorical feature)，以及其中的元素(经学习到的潜在特性)被称为潜在特征(latent feature)。

2、如何利用所有类别特征矢量进行特征交互(feature interaction)以得到特征交互结果，是本领域诸多技术课题之一。特征交互结果可以被输入预测模型，以获得推荐系统的预测结果。因此，如何精确地进行特征交互，是提升模型准确率的一大关键。当前技术以简单的方式计算二阶交互关系(second order interaction)，例如将任意两个类别特征进行内积(inner product)计算。另一方面，当前技术忽略了在嵌入过程中学习到的潜在特征(latent feature)之间的交互关系。

3、须注意的是，“背景技术”段落的内容是用来帮助了解本发明。在“背景技术”段落所揭露的部份内容(或全部内容)可能不是所属技术领域技术人员所知道的习知技术。在“背景技术”段落所揭露的内容，不代表该内容在本发明申请前已被所属技术领域技术人员所知悉。

技术实现思路

1、本发明提供一种全交互(total interaction)方法与装置，以计算推荐系统中多个特征之间的交互关系而生成全交互结果。

2、在根据本发明的实施例中，上述的全交互方法包括：将多个类别特征矢量加入第一矩阵，其中这些类别特征矢量的每一个包括多个潜在特征；对第一矩阵进行类别特征交互(categorical feature interaction)计算以及潜在特征交互(latent featureinteraction)计算其中一个，以生成第二矩阵；转置第二矩阵，以生成经转置矩阵；以及对经转置矩阵进行类别特征交互计算以及潜在特征交互计算其中另一个，以生成全交互结果。

3、在根据本发明的实施例中，上述的全交互装置包括第一内存、第一交互计算电路、第二内存以及第二交互计算电路。第一内存用以存放多个类别特征矢量，其中这些类别特征矢量被加入第一矩阵，以及这些类别特征矢量的每一个包括多个潜在特征。第一交互计算电路耦接至第一内存，用以对第一矩阵进行类别特征交互计算以及潜在特征交互计算其中一个，以生成第二矩阵。第二记忆耦接至第一交互计算电路以接收第二矩阵，用以转置第二矩阵以生成经转置矩阵。第二交互计算电路耦接至第二内存，以接收经转置矩阵。第二交互计算电路用以对经转置矩阵进行类别特征交互计算以及潜在特征交互计算其中另一个，以生成全交互结果。

4、在根据本发明的实施例中，上述的一种全交互装置包括内存以及处理器。内存用以提供第一矩阵，其中多个类别特征矢量被加入第一矩阵，以及这些类别特征矢量的每一个包括多个潜在特征。处理器耦接至内存。处理器对第一矩阵进行类别特征交互计算以及潜在特征交互计算其中一个，以生成第二矩阵。处理器转置第二矩阵以生成经转置矩阵。处理器对经转置矩阵进行类别特征交互计算以及潜在特征交互计算其中另一个，以生成全交互结果。

5、基于上述，本发明诸实施例所述多个类别特征矢量被加入第一矩阵。第一矩阵被进行第一个特征交互计算而生成第二矩阵。第二矩阵被转置而生成经转置矩阵。经转置矩阵被进行第二个特征交互计算而生成全交互结果。因此，全交互结果包含了类别特征交互关系以及潜在特征交互关系。

技术特征：

1.一种全交互方法，用以计算推荐系统中多个特征之间的交互关系，其特征在于，所述全交互方法包括：

2.根据权利要求1所述的全交互方法，其特征在于，所述类别特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

3.根据权利要求2所述的全交互方法，其特征在于，所述类神经网络计算包括多层感知器计算或卷积神经网络计算。

4.根据权利要求1所述的全交互方法，其特征在于，所述潜在特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

5.根据权利要求4所述的全交互方法，其特征在于，所述类神经网络计算包括多层感知器计算或卷积神经网络计算。

6.根据权利要求1所述的全交互方法，其特征在于，所述潜在特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

7.根据权利要求1所述的全交互方法，其特征在于，所述类别特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

8.一种全交互装置，用以计算推荐系统中多个特征之间的交互关系，其特征在于，所述全交互装置包括：

9.根据权利要求8所述的全交互装置，其特征在于，所述第一交互计算电路所进行的所述类别特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

10.根据权利要求9所述的全交互装置，其特征在于，所述类神经网络计算包括多层感知器计算或卷积神经网络计算。

11.根据权利要求8所述的全交互装置，其特征在于，所述第二交互计算电路所进行的所述潜在特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

12.根据权利要求11所述的全交互装置，其特征在于，所述类神经网络计算包括多层感知器计算或卷积神经网络计算。

13.根据权利要求8所述的全交互装置，其特征在于，所述第一交互计算电路所进行的所述潜在特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

14.根据权利要求8所述的全交互装置，其特征在于，所述第二交互计算电路所进行的所述类别特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

15.一种全交互装置，用以计算一推荐系统中多个特征之间的交互关系，其特征在于，所述全交互装置包括：

16.根据权利要求15所述的全交互装置，其特征在于，所述处理器所进行的所述类别特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

17.根据权利要求16所述的全交互装置，其特征在于，所述类神经网络计算包括多层感知器计算或卷积神经网络计算。

18.根据权利要求15所述的全交互装置，其特征在于，所述处理器所进行的所述潜在特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

19.根据权利要求18所述的全交互装置，其特征在于，所述类神经网络计算包括多层感知器计算或卷积神经网络计算。

20.根据权利要求15所述的全交互装置，其特征在于，所述处理器所进行的所述潜在特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

21.根据权利要求15所述的全交互装置，其特征在于，所述处理器所进行的所述类别特征交互计算包括多个迭代，所述多个迭代中的第i个迭代包括：

技术总结
本发明提供一种全交互方法与装置，以计算推荐系统中多个特征之间的交互关系。全交互方法包括：将多个类别特征矢量加入第一矩阵，其中这些类别特征矢量的每一个包括多个潜在特征；对第一矩阵进行类别特征交互计算以及潜在特征交互计算其中一个，以生成第二矩阵；转置第二矩阵，以生成经转置矩阵；以及对经转置矩阵进行类别特征交互计算以及潜在特征交互计算其中另一个，以生成全交互结果。

技术研发人员：高靖芸,郭伟祥,黄俊达
受保护的技术使用者：创鑫智慧股份有限公司
技术研发日：
技术公布日：2024/1/25