一种基于多模态行为序列建模的个性化推荐方法

本发明涉及推荐系统领域，具体公开了一种基于多模态行为序列建模的个性化推荐方法，包括：采集用户文本、图像、时间与地点等多模态行为数据，并进行预处理后，利用多模态自注意力机制(MMSA)实现这些数据的动态融合，精准捕捉用户的兴趣演变。采用独立RNN模块分别对用户的长期和短期兴趣进行建模，并通过自学习权重系数将两者结合，以更准确地反映用户兴趣的变化。此外，通过引入在线学习与增量学习机制，根据用户实时反馈动态调整模型参数，确保推荐结果能及时响应用户兴趣变化。本发明有效解决现有推荐系统在数据融合、时序建模及实时适应性方面的不足，提升了推荐的个性化和准确性，增强了系统的实时更新能力和场景适应性。