技术摘要：
一种基于Hash的快速候选生成推荐方法，获取用户集和项目集，对其进行二进制编码嵌入，并根据二进制代码建立Hash表，从而大大减少检索所需的时间，此外还可通过随机梯度下降进行优化，从而扩展到其他大型数据集；对于上述的候选生成，我们使用基于实值的排序模型对其进  全部
背景技术：
推荐系统已受到广泛关注，并提出了各种模型，现有的算法通常注重于实现系统 更好的准确性，例如MF采用传统的矩阵分解作为其基础偏好模型，CML采用度量嵌入，NeuMF 使用多层感知器来对用户-项目的交互进行建模。至于系统处理时间问题上，一些方法通过 基于树的数据结构来加快最大内积运算时间(MF模型)。但这些方法只适用于特定模型(例 如取决于内积的特定结构)。因此很难推广到其他模型。另一些方法旨在直接学习用户项目 的二进制代码嵌入来估计它们之间的交互，并建立哈希表以加快检索速度，但是此类方法 在精确度上仍不如传统的基于实值的模型。由于在任何给定时刻绝大多数项目与大多数用 户无关，因此在需要高效率的行业中已经采用了候选人生成和重新排名策略。这种方法首 先以有效的方式生成少量候选者，然后应用别的排名模型来获得最终排名，从大型语料库 生成Top-N推荐在规模上执行成本很高，因此在工业上通常采用候选生成和重排序的方法 来缓解这个问题。
技术实现要素：
为了解决现有推荐系统中的候选生成缓慢的问题，本发明提供了一种基于Hash的 快速候选生成推荐方法。 为了解决上述问题，本发明提供如下的技术方案： 一种基于Hash的快速候选生成推荐方法，包括以下步骤： 步骤1获取用户数据集U和项目数据集I； 步骤2提取U和I中的信息，并用二进制代码对其进行嵌入bu,di； 步骤3根据步骤2的二进制代码，建立Hash表； 步骤4根据用户的历史项目，从表中选取N个用户u可能感兴趣的项目i； 步骤5对步骤4中的N个项目引入注意力机制aij，使用重新排序模型进行重排名； 步骤6对每一个项目i都输出一个预测得分，共N个，并用贝叶斯损失函数进行优 化； 步骤7将步骤6中的预测得分进行从大到小的排序，生成目标用户u的Top-N推荐 集。 进一步，所述步骤2中的二进制代码嵌入使用one-hot编码嵌入，一个离散型特征， 代表工作类型，该离散型特征，共有三个取值，不使用one-hot编码，其表示分别是x_1＝ (1) ,x_2＝(2) ,x_3＝(3)。每两个工作之间的距离是，d(x_1,x_2)＝1,d(x_2,x_3)＝1,d(x_ 1,x_3)＝2。显然这样的表示，计算出来的特征的距离是不合理。而使用one-hot编码，则得 到x_1＝(1,0,0) ,x_2＝(0,1 ,0) ,x_3＝(0,0,1)，那么每两个工作之间的距离就都是sqrt (2) .即每两个工作之间的距离是一样的，显得更合理。 4 CN 111597432 A 说　明　书 2/5 页 再进一步，所述步骤4中，N个项目的提取是根据每个码组间的汉明距来决定，汉明 距越小，相似度越大。一个汉明空间包含2r个长度为r的二进制字符串。二进制代码可以在 现代系统中有效地存储和计算。在本发明中，我们使用二进制代码b ,d ∈{-1，1}ru i 表示用户 和项目，两个二进制字符串之间的相似性用下面公式衡量： I(·)是一个指标函数，r是二进制代码长度，z代表第z个码字，bu ,z是用户二进制 代码的第z个码字，di,z项目的第z个码字，直至第r个，const为常量。 所述步骤5中，重排名模型考虑到引入注意力机制，即用户评论过的项目并不会被 平等对待，而是赋予它们不同的权重aij： 其中 函数将输入映射到(0，1)上，U是(i，j)的集合。α是一 个平滑超参数，取值在(0，1)之间。f函数有两种计算方式：[pi,qj]是内积计算，(pi ⊙ qj)是 外积计算。W和b是注意力网络中隐藏层的权重矩阵和偏好向量。h是隐藏层的权重向量，用 来将隐藏层的输出转化为一个标量。 所述步骤6中，预测得分通过常规的内积来计算，根据用户-项目矩阵，当预测第i 个用户对第j给项目的得分时，就可直接使用内积公式： su·j＝(bu,dj)    (3) bu,dj分别是用户和项目的二进制代码嵌入。 此外还辅以贝叶斯损失函数(BPR)来对预测得分进行优化： -Σlnσ(su,i-su,j)    (4) su,j是预测值，当经过损失函数输出的值最小时即代表预测值达到最优。 本发明与现有技术相比，具有以下技术效果：1、基于Hash的二进制代码嵌入大大 减少了候选生成所需要的查询时间，与现有的算法相比缩短了几个数量级，可以轻易的扩 展到其他大型数据集；2、基于辅助实值的重排序模型对不同用户历史项目赋予不同权重， 并通过一个损失函数进一步提升了Top-N推荐的准确性。 附图说明 图1为本发明的快速候选生成推荐方法的流程图。 5 CN 111597432 A 说　明　书 3/5 页