CN117786217A - 一种基于Mamba架构的高可信度时序数据预测方法 - Google Patents

Abstract

本发明提出了一种基于Mamba架构的高可信度时序数据预测方法，包括以下步骤：S1，获取用户的历史数据；S2，将步骤S1中获取到的用户历史数据生成用户时序数据，记作A＝[B_1,i,j,B_2,i,j,B_3,i,j,...,B_a,i,j]，i＝1、2、3、……、I，j＝1、2、3、……、J，a表示时刻数，I表示历史数据类型数，J表示历史数据获取方式数；S3，根据用户的时序数据对用户的喜好进行预测推荐。本发明能够根据用户的历史数据得到用户的推荐预测数据，增强用户体验。

Description

一种基于Mamba架构的高可信度时序数据预测方法

技术领域

本发明涉及一种数据预测技术领域，特别是涉及一种基于Mamba架构的高可信度时序数据预测方法。

背景技术

随着信息技术的快速发展和网络技术的崛起，互联网技术使得网络数据呈***性增长趋势，越来越多的数据信息与服务充斥着网络。同时互联网技术也成为人们搜集和采集信息的常用通道。然而，这些数据信息资源质量参差不齐，结构复杂，使得人们在庞大的信息中很难找到自己的需求。推荐***是一种帮助用户快速发现有用信息的工具。推荐***不需要用户提供明确的关键词，而是通过用户历史行为为用户的兴趣建模，从而主动推荐能够满足用户兴趣和需求的数据信息。推荐***能够在用户没有明确目的时帮助他们发现感兴趣的新内容。专利申请号2020114125987。名称为“一种基于大数据的喜好内容推荐方法”，公开了包括如下步骤：步骤1)：通过相机采集场景中的目标用户的人脸图像，基于获取的人脸图像获取目标用户的ID和表情；步骤2)：获取与目标用户相同表情下所有用户的历史行为数据，用户的历史行为数据包括：用户表情、用户查看项目以及用户对项目的历史偏好评分；步骤3)：把历史行为数据作为输入，使用聚类算法将所有项目分成预设数量的簇；遍历所有的项目，找到每一个项目所在的簇，使用基于项目重合依赖度的协同过滤推荐算法对未评分项目进行预测评分，并将未评分项目及其项目的评分填充到历史行为数据中；步骤4)：把填充后的历史行为数据作为输入，使用聚类算法将所有用户分成预设数量的簇；计算目标用户与目标用户所在簇中所有用户的相似度，利用基于用户的协同推荐算法计算目标用户对未评项目的评分；步骤5)：根据目标用户对未评分项目预测评分的高低程度，从中提取出目标用户评分最高的预设项目数量的项目，将所有提取的项目推送给目标用户。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于Mamba架构的高可信度时序数据预测方法。

为了实现本发明的上述目的，本发明提供了一种基于Mamba架构的高可信度时序数据预测方法，包括以下步骤：

S1，获取用户的历史数据；

S2，将步骤S1中获取到的用户历史数据生成用户时序数据，记作A＝[B_1,i,j,B_2,i,j,B_3,i,j,…,B_a,i,j]，i＝1、2、3、……、I，j＝1、2、3、……、J，a表示时刻数，I表示历史数据类型数，J表示历史数据获取方式数；

S3，根据用户的时序数据对用户的喜好进行预测推荐。

在本发明的一种优选实施方式中，在步骤S1中，该历史数据包括书籍数据、音乐数据、电影数据、视频数据、小说数据之一或者任意组合；

在步骤S1中，该历史数据获取方式包括浏览方式、收藏方式、点赞方式、评论方式、转发方式、推荐方式之一或者任意组合。

在本发明的一种优选实施方式中，在步骤S2中，I＝5，J＝6，此时：

i＝1表示书籍数据，i＝2表示音乐数据，i＝3表示电影数据，i＝4表示视频数据，i＝5表示小说数据，j＝1表示浏览方式，j＝2表示收藏方式，j＝3表示点赞方式，j＝4表示评论方式，j＝5表示转发方式，j＝6表示推荐方式；

B_1,i,j表示用户在1时刻通过第j方式获取的第i数据，B_2,i,j表示用户在2时刻通过第j方式获取的第i数据，B_3,i,j表示用户在3时刻通过第j方式获取的第i数据，B_a,i,j表示用户在a时刻通过第j方式获取的第i数据；例如B_1,1,1表示用户在1时刻通过第1方式获取的第1数据，也即是用户在1时刻通过浏览方式获取的书籍数据；B_1,1,2表示用户在1时刻通过第2方式获取的第1数据，也即是用户在1时刻通过收藏方式获取的书籍数据；B_1,1,3表示用户在1时刻通过第3方式获取的第1数据，也即是用户在1时刻通过点赞方式获取的书籍数据；B_1,1,4表示用户在1时刻通过第4方式获取的第1数据，也即是用户在1时刻通过评论方式获取的书籍数据；B_1,1,5表示用户在1时刻通过第5方式获取的第1数据，也即是用户在1时刻通过转发方式获取的书籍数据；B_1,1,6表示用户在1时刻通过第6方式获取的第1数据，也即是用户在1时刻通过推荐方式获取的书籍数据。

B_1,2,1表示用户在1时刻通过第1方式获取的第2数据，也即是用户在1时刻通过浏览方式获取的音乐数据；B_1,2,2表示用户在1时刻通过第2方式获取的第2数据，也即是用户在1时刻通过收藏方式获取的音乐数据；B_1,2,3表示用户在1时刻通过第3方式获取的第2数据，也即是用户在1时刻通过点赞方式获取的音乐数据；B_1,2,4表示用户在1时刻通过第4方式获取的第2数据，也即是用户在1时刻通过评论方式获取的音乐数据；B_1,2,5表示用户在1时刻通过第5方式获取的第2数据，也即是用户在1时刻通过转发方式获取的音乐数据；B_1,2,6表示用户在1时刻通过第6方式获取的第2数据，也即是用户在1时刻通过推荐方式获取的音乐数据。

B_1,3,1表示用户在1时刻通过第1方式获取的第3数据，也即是用户在1时刻通过浏览方式获取的电影数据；B_1,3,2表示用户在1时刻通过第2方式获取的第3数据，也即是用户在1时刻通过收藏方式获取的电影数据；B_1,3,3表示用户在1时刻通过第3方式获取的第3数据，也即是用户在1时刻通过点赞方式获取的电影数据；B_1,3,4表示用户在1时刻通过第4方式获取的第3数据，也即是用户在1时刻通过评论方式获取的电影数据；B_1,3,5表示用户在1时刻通过第5方式获取的第3数据，也即是用户在1时刻通过转发方式获取的电影数据；B_1,3,6表示用户在1时刻通过第6方式获取的第3数据，也即是用户在1时刻通过推荐方式获取的电影数据；……。

在本发明的一种优选实施方式中，在步骤S2中将用户历史数据生成用户时序数据的方法包括以下步骤：

S21，提取用户历史数据中的时间，/>表示用户在b₁时间通过第j方式获取的第i数据，/>表示用户在b₂时间通过第j方式获取的第i数据，B_b3,i,j表示用户在b₃时间通过第j方式获取的第i数据，/>表示用户在b_a时间通过第j方式获取的第i数据，a表示时刻数，b₁≠b₂≠b₃≠…≠b_a∈{T}，即是b₁∈{T}，b₂∈{T}，b₃∈{T}，……，b_a∈{T}，且b₁≠b₂≠b₃≠…≠b_a；{T}表示时间集合；

S22，将时间b₁、b₂、b₃、……、b_a按照从前到后的顺序依次排序，排列后依次从前到后分别为b′₁、b′₂、b′₃、……、b′_a，{b₁,b₂,b₃,...,b_a}＝{b′₁,b′₂,b′₃,...,b′_a}∈{T}，即是{b₁,b₂,b₃,...,b_a}∈{T}，{b′₁,b′₂,b′₃,...,b′_a}∈{T}，{b₁,b₂,b₃,...,b_a}＝{b′₁,b′₂,b′₃,...,b′_a}，{b₁,b₂,b₃,...,b_a}表示时间b₁、b₂、b₃、……、b_a构成的时间集合，{b′₁,b′₂,b′₃,...,b′_a}表示b′₁、b′₂、b′₃、……、b′_a构成的时间集合；令循环判断值p＝1；

S23，判断p与a间的大小关系：

若p>a，则执行步骤S24；即是b′₁＝1，b′₂＝2，b′₃＝3，……，b′_a＝a；

若p≤a，则b′_p＝p，p＝p+1，执行步骤S23；

S24，将时刻b′₁、b′₂、b′₃、……、b′_a所对应的时间进行时刻所在位置摆放，即得到B_1,i,j，B_2,i,j，B_3,i,j，……，B_a,i,j。

在本发明的一种优选实施方式中，在步骤S3中对用户的喜好进行预测推荐的方法包括以下步骤：

S31，将用户的时序数据转换为向量形式，由于时序数据中每个数据可能存在长度不一致的情况，因此需要对时序数据中每个数据的长度进行统一：

将数据长度设定为d，若时序数据中的某个数据长度d_η＜d，则在该数据末尾处进行补0填充；若该时序数据中某个数据长度d_η＞d，则在该数据长度为d处进行切割；

S32，对转换的向量数据进行语义特征提取更新，得到更新后的候选集合数据；

S33，从候选集合数据中选取数据来推荐给用户。

在本发明的一种优选实施方式中，在步骤S32中候选集合的计算方法为：

其中，表示时刻t时的候选集合；

tanh()表示双曲正切函数；

W_h表示时刻t时输入的数据V_t的权重矩阵；

V_t表示时刻t输入的数据；

r_t表示时刻t时的重置门数据；

⊙表示矩阵元素相乘；

U表示时刻t时的候选集合的权重；

h_t-1表示时刻t-1时的隐藏状态矩阵。

综上所述，由于采用了上述技术方案，本发明能够根据用户的历史数据得到用户的推荐预测数据，增强用户体验。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明流程示意框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本发明提供了一种基于Mamba架构的高可信度时序数据预测方法，如图1所示，包括以下步骤：

S1，获取用户的历史数据；

S2，将步骤S1中获取到的用户历史数据生成用户时序数据，记作A＝[B_1,i,j,B_2,i,j,B_3,i,j,...,B_a,i,j]，i＝1、2、3、……、I，j＝1、2、3、……、J，a表示时刻数，I表示历史数据类型数，J表示历史数据获取方式数；A表示用户时序数据；

S3，根据用户的时序数据对用户的喜好进行预测推荐。

在本发明的一种优选实施方式中，在步骤S1中，该历史数据包括书籍数据、音乐数据、电影数据、视频数据、小说数据之一或者任意组合；

在步骤S1中，该历史数据获取方式包括浏览方式、收藏方式、点赞方式、评论方式、转发方式、推荐方式之一或者任意组合。

在本发明的一种优选实施方式中，在步骤S2中，I＝5，J＝6，此时：

i＝1表示书籍数据，i＝2表示音乐数据，i＝3表示电影数据，i＝4表示视频数据，i＝5表示小说数据，j＝1表示浏览方式，j＝2表示收藏方式，j＝3表示点赞方式，j＝4表示评论方式，j＝5表示转发方式，j＝6表示推荐方式；

B_1,i,j表示用户在1时刻通过第j方式获取的第i数据，B_2,i,j表示用户在2时刻通过第j方式获取的第i数据，B_3,i,j表示用户在3时刻通过第j方式获取的第i数据，B_a,i,j表示用户在a时刻通过第j方式获取的第i数据。

在本发明的一种优选实施方式中，在步骤S2中将用户历史数据生成用户时序数据的方法包括以下步骤：

S21，提取用户历史数据中的时间，/>表示用户在b₁时间通过第j方式获取的第i数据，/>表示用户在b₂时间通过第j方式获取的第i数据，表示用户在b₃时间通过第j方式获取的第i数据，/>表示用户在b_a时间通过第j方式获取的第i数据，a表示时刻数，b₁≠b₂≠b₃≠…≠b_a∈{T}，即是b₁∈{T}，b₂∈{T}，b₃∈{T}，b_a∈{T}，且b₁≠b₂≠b₃≠…≠b_a；{T}表示时间集合；

S22，将时间b₁、b₂、b₃、……、b_a按照从前到后的顺序依次排序，排列后依次从前到后分别为b′₁、b′₂、b′₃、……、b′_a，{b₁,b₂,b₃,...,b_a}＝{b′₁,b′₂,b′₃,...,b′_a}∈{T}，即是{b₁,b₂,b₃,...,b_a}∈{T}，{b′₁,b′₂,b′₃,...,b′_a}∈{T}，{b₁,b₂,b₃,...,b_a}＝{b′₁,b′₂,b′₃,...,b′_a}，{b₁,b₂,b₃,...,b_a}表示时间b₁、b₂、b₃、……、b_a构成的时间集合，{b′₁,b′₂,b′₃,...,b′_a}表示b′₁、b′₂、b′₃、……、b′_a构成的时间集合；令循环判断值p＝1；

S23，判断p与a间的大小关系：

若p>a，则执行步骤S24；即是b′₁＝1，b′₂＝2，b′₃＝3，……，b′_a＝a；

若p≤a，则b′_p＝p，p＝p+1，执行步骤S23；

S24，将时刻b′₁、b′₂、b′₃、……、b′_a所对应的时间进行时刻所在位置摆放，即得到B_1,i,j，B_2,i,j，B_3,i,j，……，B_a,i,j，该B_1,i,j，B_2,i,j，B_3,i,j，……，B_a,i,j所构成序列[B_1,i,j,B_2,i,j,B_3,i,j,…,B_a,i,j]即是用户时序数据。

在本发明的一种优选实施方式中，在步骤S3中对用户的喜好进行预测推荐的方法包括以下步骤：

S31，将用户的时序数据转换为向量形式，由于时序数据中每个数据可能存在长度不一致的情况，因此需要对时序数据中每个数据的长度进行统一：

将数据长度设定为d，若时序数据中的某个数据长度d_η＜d，则在该数据末尾处进行补0填充；若该时序数据中某个数据长度d_η＞d，则在该数据长度为d处进行切割；

S32，对转换的向量数据进行语义特征提取更新，得到更新后的候选集合数据；

S33，从候选集合数据中选取数据来推荐给用户。

在本发明的一种优选实施方式中，选取计算方法为：

其中，opti表示选取值；

K表示用户的数量；

表示候选集合数据中的某个元素的标签值；

y_k表示候选集合数据中的某个元素的参考值；

log表示以10为底的对数函数；

将选取值按照从大到小的顺序进行排列，将处于首位的选取值所对应的数据推荐给用户。

在本发明的一种优选实施方式中，在步骤S32中利用重置门对候选集合数据进行更新：

r_t＝σ(W_rV_t+U_rh_t-1)，

其中，r_t表示时刻t时的重置门数据；

σ()表示Sigmoid激活函数；

W_r表示时刻t时重置门的权重；

V_t表示时刻t时输入的数据；

U_r表示时刻t-1时隐藏状态矩阵h_t-1的重置门权重；

h_t-1表示时刻t-1时的隐藏状态矩阵。

在本发明的一种优选实施方式中，在步骤S32中还包括利用更新门对候选集合数据进行更新：

z_t＝σ(W_zV_t+U_zh_t-1)，

其中，z_t表示时刻t的更新门数据；

σ()表示Sigmoid激活函数；

W_z表示时刻t时更新门的权重；

V_t表示时刻t时输入的数据；

U_z表示时刻t-1时隐藏状态矩阵h_t-1的更新门权重；

h_t-1表示时刻t-1时的隐藏状态矩阵。

在本发明的一种优选实施方式中，在步骤S32中候选集合的计算方法为：

其中，表示时刻t时的候选集合；

tanh()表示双曲正切函数；

W_h表示时刻t时输入的数据V_t的权重矩阵；

V_t表示时刻t输入的数据；

r_t表示时刻t时的重置门数据；

⊙表示矩阵元素相乘；

U表示时刻t时的候选集合的权重；

h_t-1表示时刻t-1时的隐藏状态矩阵。

在本发明的一种优选实施方式中，在步骤S32中还包括：

h_t表示时刻t时的隐藏状态矩阵；

z_t表示时刻t时更新门的数据；

h_t-1表示时刻t-1时的隐藏状态矩阵；

表示时刻t时的候选集合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于Mamba架构的高可信度时序数据预测方法，其特征在于，包括以下步骤：

S1，获取用户的历史数据；

S2，将步骤S1中获取到的用户历史数据生成用户时序数据，记作A＝[B_1,i,j,B_2,i,j,B_3,i,j,...,B_a,i,j]，i＝1、2、3、……、I，j＝1、2、3、……、J，a表示时刻数，I表示历史数据类型数，J表示历史数据获取方式数；

S3，根据用户的时序数据对用户的喜好进行预测推荐。

2.根据权利要求1所述的基于Mamba架构的高可信度时序数据预测方法，其特征在于，在步骤S1中，该历史数据包括书籍数据、音乐数据、电影数据、视频数据、小说数据之一或者任意组合。

3.根据权利要求1所述的基于Mamba架构的高可信度时序数据预测方法，其特征在于，在步骤S1中，该历史数据获取方式包括浏览方式、收藏方式、点赞方式、评论方式、转发方式、推荐方式之一或者任意组合。

4.根据权利要求1所述的基于Mamba架构的高可信度时序数据预测方法，其特征在于，在步骤S2中，I＝5，J＝6，此时：

i＝1表示书籍数据，i＝2表示音乐数据，i＝3表示电影数据，i＝4表示视频数据，i＝5表示小说数据，j＝1表示浏览方式，j＝2表示收藏方式，j＝3表示点赞方式，j＝4表示评论方式，j＝5表示转发方式，j＝6表示推荐方式；

B_1,i,j表示用户在1时刻通过第j方式获取的第i数据，B_2,i,j表示用户在2时刻通过第j方式获取的第i数据，B_3,i,j表示用户在3时刻通过第j方式获取的第i数据，B_a,i,j表示用户在a时刻通过第j方式获取的第i数据。

5.根据权利要求1所述的基于Mamba架构的高可信度时序数据预测方法，其特征在于，在步骤S2中将用户历史数据生成用户时序数据的方法包括以下步骤：

S21，提取用户历史数据中的时间，/>表示用户在b₁时间通过第j方式获取的第i数据，/>表示用户在b₂时间通过第j方式获取的第i数据，B_b3,i,j表示用户在b₃时间通过第j方式获取的第i数据，/>表示用户在b_a时间通过第j方式获取的第i数据，a表示时刻数，b₁≠b₂≠b₃≠…≠b_a∈{T}；

S22，将时间b₁、b₂、b₃、……、b_a按照从前到后的顺序依次排序，排列后依次从前到后分别为b′₁、b′₂、b′₃、……、b′_a，{b₁,b₂,b₃,...,b_a}＝{b′₁,b′₂,b′₃,...,b′_a}∈{T}，{b₁,b₂,b₃,...,b_a}表示时间b₁、b₂、b₃、……、b_a构成的时间集合，{b′₁,b′₂,b′₃,...,b′_a}表示b′₁、b′₂、b′₃、……、b′_a构成的时间集合；令循环判断值p＝1；

S23，判断p与a间的大小关系：

若p>a，则执行步骤S24；

若p≤a，则b′_p＝p，p＝p+1，执行步骤S23；

S24，将时刻b′₁、b′₂、b′₃、……、b′_a所对应的时间进行时刻所在位置摆放，即得到B_1,i,j，B_2,i,j，B_3,i,j，……，B_a,i,j。

6.根据权利要求1所述的基于Mamba架构的高可信度时序数据预测方法，其特征在于，在步骤S3中对用户的喜好进行预测推荐的方法包括以下步骤：

S31，将用户的时序数据转换为向量形式，由于时序数据中每个数据可能存在长度不一致的情况，因此需要对时序数据中每个数据的长度进行统一：

将数据长度设定为d，若时序数据中的某个数据长度d_η＜d，则在该数据末尾处进行补0填充；若该时序数据中某个数据长度d_η＞d，则在该数据长度为d处进行切割；

S32，对转换的向量数据进行语义特征提取更新，得到更新后的候选集合数据；

S33，从候选集合数据中选取数据来推荐给用户。

7.根据权利要求1所述的基于Mamba架构的高可信度时序数据预测方法，其特征在于，在步骤S32中候选集合的计算方法为：

其中，表示时刻t时的候选集合；

tanh()表示双曲正切函数；

W_h表示时刻t时输入的数据V_t的权重矩阵；

V_t表示时刻t输入的数据；

r_t表示时刻t时的重置门数据；

⊙表示矩阵元素相乘；

U表示时刻t时的候选集合的权重；

h_t-1表示时刻t-1时的隐藏状态矩阵。