(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 202210390624.3 (22)申请日 2022.04.14 (71)申请人 西安邮电大 学 地址 710121 陕西省西安市长安区西长安 街618号 (72)发明人 曹小鹏　赵维维　尤聪聪　 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06N 3/04(2006.01) G06F 40/151(2020.01) G06F 40/284(2020.01) G06F 40/30(2020.01) G06K 9/62(2022.01) (54)发明名称 一种融入层级结构的长短期推荐方法 (57)摘要 本发明提出一种融入层级结构的长短期推 荐方法， 旨在解决现有推荐 方法在用户兴趣多样 化和多粒度挖掘方面有所欠缺的问题， 本发明的 技术方案主要包括以下步骤： (1)提取新闻特征 (2)提取用户的长期行为特征(3)提取用户的短 期行为特征(4)计算匹配概率， 完成推荐。 该方法 主要应用于 个性化推荐应用。 权利要求书1页 说明书4页 附图2页 CN 114722287 A 2022.07.08 CN 114722287 A 1.一种融入层级结构的长短期推荐方法， 其特 征在于包括以下步骤： (1)提取新闻特征： 使用新闻编码器对新闻标题， 主题及子主题进行学习， 进而提取新 闻表示； (2)提取用户的长期行为特征： 采用三级层次结构获取用户的长期兴趣表示， 底层用来 获取子主题级别的兴趣表示， 中间层用来获取主题级别的兴趣表示， 顶层用来获取用户级 别的长期兴趣表示； (3)提取用户的短期行为特征： 利用门控循环单元(Gated  Recurrent  Unit， GRU)获取 用户的短期兴趣表示， 并用长期兴趣表示初始 化GRU， 获取的短期兴趣表示即为用户最 终表 示； (4)推荐： 将用户最终表示和候选新闻表示进行匹配， 获得推荐列表， 完成推荐。权　利　要　求　书 1/1 页 2 CN 114722287 A 2一种融入层级结构的长短期推荐方 法 技术领域 [0001]本发明涉及 一种基于用户兴趣的推荐方法， 更具体地说涉及一种融入层级结构的 长短期推荐方法。 背景技术 [0002]新闻推荐是自然语言处理领域的一项重要任务， 近些年受到了越来越多学者的关 注。 对新闻推荐来说， 学习准确的用户和新闻表 示至关重要。 早期的新闻推荐方法往往依赖 于新闻之间的关联及语义相似性， 但这些方法通常难以有效的建模用户的阅读偏好， 对用 户进行个性化的推荐。 协同过滤算法是最早被研究的推荐技术之一， 极大 的推动了个性化 推荐的发展， 因此也常常被用于新闻推荐中。 但基于协同过滤的新闻推荐方法存在严重的 冷启动问题， 因此很多学者将目光转向了基于内容的推荐。 如Phelan等人提出将用户在推 特上的行为与新闻浏览记录结合来进行用户建模； Liu等人提出用新闻类别及贝叶斯模型 产生的用户兴趣特征来分别表 示新闻和用户， 从而进 行新闻推荐。 但是， 在这些传统的方法 中， 构建用户和新闻表示 通常依赖手工设计的特 征， 且需要大量的领域知识和时间。 [0003]近年来， 随着深度学习技术在图像识别及文本分类等领域的成功应用， 将其与推 荐技术相结合的研究同样也受到了学者的广泛关注。 如Lian等人提出了一种基于深度融合 模型(DeepFusionModel， DFM)的新闻推荐方法， 通过构建特征来表 示新闻和用户。 他们的方 法包括两个核心模块， 一个模块用来对特征之间的不同交互信息进行建模， 另一个模块用 来为不同通道的特征分配不同的权重， 并在必应数据集上取得了不错的成绩。 但该方法仅 使用了标题长度， 实体名等粗粒度信息来建模新闻表示， 没有挖掘更细粒度 的语义信息。 Wang等人提出将知识图谱和卷积神经网络进行融合， 然后从标题中学习新闻表示， 再将候 选新闻与用户浏览过 的历史文章进行相似度计算， 并把结果作为注意力权重， 用来对用户 浏览历史中的新闻表示进行加权求和， 得到用户表示。 Wu等人提出了一种个性化注意力网 络的新闻推荐方法， 利用用户ID嵌入来生成注意力查询向量。 但以上两种 方法只学习了用 户的单一表示， 无法区分用户的长期偏好和短期偏好， 这对于准确学习用户表示是远远不 够的。 发明内容 [0004]鉴于现有技术的不足， 本发明提出一种融入层级结构的长短期推荐方法， 旨在解 决现有推荐方法只学习用户的单一表示， 且在用户兴趣多样化和多粒度挖掘方面有所欠缺 的问题。 本发明的技 术方案主 要包括以下步骤： [0005]1.提取新闻特征： 使用新闻编码器对新闻标题， 主题及子主题进行学习， 进而提取 新闻表示； 2.提取用户的长期行为特征： 采用三级层次结构获取用户的长期兴趣表示， 底层 用来获取子主题级别的兴趣表示， 中间层用来获取主题级别的兴趣表示， 顶层用来获取用 户级别的长期兴趣表示； 3.提取用户的短期行为特征： 利用门控循环单元(GatedRecurrent   Unit， GRU)获取用户的短期兴趣表示， 并用长期兴趣表示初始化GRU， 获取的短期兴趣表示说　明　书 1/4 页 3 CN 114722287 A 3