[0034] 为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
[0035] 本发明基于多维霍克斯过程和注意力机制的下一个物品推荐方法包括以下步骤：
[0036] (1)收集用户物品交互序列数据 所述的用户物品交互序列为用户与物品的交互行为的有序集合 其中用户集
合和物品集合分别为U和I。
[0037] (2)根据用户uj的交互序列 将用户uj、历史交互行为{(i1,t1),(i2,t2),…,(im‑1,tm‑1)}和目标物品im的条件密度函数建模为：
[0038]
[0039] 其中： 是用户uj对目标物品im的一般兴趣， 代表历史行为h影响用户uj对目标物品im兴趣的程度，k(t‑th)是用于表示时间衰减的指数核函数，f(x)＝log(1+exp(x))是softplus函数，用于保证 的非负性。
[0040] 上述指数核函数k(t‑th)定义为：
[0041] k(t‑th)＝exp(‑δu(t‑th))，
[0042] 其中：δu是与用户相关的参数，用来表示对于不同用户，历史行为h对目标物品im的影响是不同的。
[0043] 上述用户uj对目标物品im的一般兴趣 用余弦相似度函数定义为：
[0044]
[0045] 其中： 是物品im的特征向量表示， 是用户uj的兴趣向量表示。
[0046] 上述历史行为h影响用户uj对目标物品im兴趣的程度 定义为：
[0047]
[0048] 其中： 是历史物品h的特征向量表示， 是用户uj的兴趣向量表示， 是用户和历史行为感知的注意力机制权重，以soft‑max函数形式定义为：
[0049]
[0050] 其中： 是物品集合I中的物品i的特征向量表示。
[0051] (3)给定所有用户的物品交互序列数据 对数形式的目标函数可以定义为：
[0052]
[0053] 其中：是物品集合I中的物品i的特征向量表示， 是给定用户uj在时间t之前的物品交互序列 用户uj对物品i感兴趣的概率，定义为：
[0054]
[0055] (4)对上述目标函数O进行最大化求解，以求得所有用户和物品的特征向量。
[0056] (5)根据用户交互记录中每个物品的特征向量以及用户的兴趣向量，计算出用户对于数据库中每个物品的兴趣值。给定用户uj的历史交互记录，用户uj对物品i的兴趣定义为：
[0057]
[0058] 其中：f(x)＝log(1+exp(x))是softplus函数，用于保证概率值的非负性，μi,u表示代表用户的长期兴趣， 代表用户的短期兴趣。
[0059] (6)根据用户的兴趣值对数据库中的所有物品从高到底排序，并提取兴趣值最高的若干个推荐给用户。计算公式如下：
[0060]
[0061] 其中：u表示目标用户；i∈I和i′∈I是数据库中的物品。
[0062] 图1所示了本实施方式基于多维霍克斯过程和注意力机制的下一个物品推荐方法的架构。该推荐方法分为两个主要模块：预处理模块和预测模块。预处理模块中，首先获取所有用户的物品交互序列；再利用多维霍克斯过程模型和注意力机制从物品序列和对应的时间信息中学习物品的特征向量和用户的长期兴趣向量。在预测模块中，首先从目标用户的物品交互序列中获取用户短期动态兴趣偏好；然后根据用户的兴趣与物品特征向量给用户推荐推荐合适的物品。图2展示了用户偏好预测的详细步骤，其首先获取用户的交互行为记录，并从中提取用户的动态偏好，然后利用用户的偏好和物品的特征向量，计算目标用户u对物品的偏好。
[0063] 上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
