联合互补知识迁移与目标域特征抽取的跨域推荐方法技术

本发明专利技术涉及跨域推荐技术领域，具体涉及联合互补知识迁移与目标域特征抽取的跨域推荐方法，包括：获取存在于目标域的冷启动用户在目标域中的若干个待推荐商品；将冷启动用户的源域用户表示输入经过训练的跨域推荐模型，输出对应的目标域最终用户表示；基于冷启动用户的目标域最终用户表示结合对应待推荐的目标域商品表示计算对应冷启动用户对于待推荐商品的目标域预测分数；将目标域预测分数最高的一个或多个待推荐商品作为冷启动用户的推荐结果。本发明专利技术的跨域推荐方法能够实现用户共性属性与个性属性的互补，并能够充分挖掘目标域自身的知识。自身的知识。自身的知识。

【技术实现步骤摘要】
联合互补知识迁移与目标域特征抽取的跨域推荐方法


[0001]本专利技术涉及跨域推荐
，具体涉及联合互补知识迁移与目标域特征抽取的跨域推荐方法。

技术介绍

[0002]推荐系统被广泛应用于各种各样的商业场合中，如电子商务系统、社交网络系统等，在信息过载问题越来越突出的背景下，推荐系统因其能从海量的信息中筛选出合适的部分来为用户提供推荐服务，而扮演着越来越重要的角色。近年来，推荐系统的研究工作吸引了大量来自工业界和学术界的研究人员。然而，大多数推荐系统模型由于无法很好的解决数据稀疏性问题，导致系统对于冷启动用户(即新用户)始终无法提供令人满意的推荐性能。作为一种有效的数据稀疏性问题解决方案，跨域推荐技术通过将用户信息相对丰富的源域知识迁移到目标领域中来缓解目标领域的数据稀疏性问题。
[0003]为了更好的将源域的知识迁移到目标领域中，现有技术中提出了基于“所有用户在源域和目标域中的偏好之间的关系共享”的假设，在源域和目标域之间为所有用户学习一个公共的映射函数，以实现将源域中的知识迁移到目标域中去。然而，这个假设并不合理，因为不同的用户在源域和目标域的偏好的关系并不完全一致，这种在源域和目标域之间学习一个公共的映射函数来进行知识迁移的方法，难以准确反映每一个用户的偏好信息，因此上述现有跨域推荐系统无法反映用户的个性化偏好。对于这个问题，现有的PTUPCDR模型提出了为每一个用户分别提供个性化的映射函数，考虑到了不同的用户的不同的偏好信息，较好的克服了基于公共的映射函数的方法的弊端，实现了更好的跨域推荐性能。<br/>[0004]然而，基于公共映射函数的方法仅关注到了用户间的公共属性，缺乏对不同用户个性属性的显式建模。而PTUPCDR模型虽然考虑到了不同用户的不同的偏好信息，但其基于个性化映射函数的方法，仅关注了单个用户的个性属性，缺乏了对所有用户公共的属性的显式建模。因此，不管是基于公共映射函数的方法还是基于个性化映射函数的方法，对于用户的建模都是有失偏颇的，单独建模任何一个方面都无法使模型性能达到最优，这导致跨域推荐的全面性不好。同时，现有的跨域推荐算法过多的将研究重点放在了如何将源域的知识更好的迁移到目标域中去，却忽视了对目标域知识本身的探索，忽略了目标域本身的某些信息对解决冷启动问题的作用，如源域中某些用户的交互数据本身就不够充足时，学习到的源域知识相对不足，使得源域迁移的知识对目标域的冷启动问题的帮助自然十分有限，进而导致跨域推荐的准确性不好。因此，如何设计一种能够提高跨域商品推荐的全面性和准确性的方法是亟需解决的技术问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种联合互补知识迁移与目标域特征抽取的跨域推荐方法，以能够实现用户共性属性与个性属性的互
补，并能够充分挖掘目标域自身的知识，从而能够提高跨域商品推荐的全面性和准确性。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]联合互补知识迁移与目标域特征抽取的跨域推荐方法，包括：
[0008]S1：获取存在于目标域的冷启动用户在目标域中的若干个待推荐商品；
[0009]S2：将冷启动用户的源域用户表示输入经过训练的跨域推荐模型，输出对应的目标域最终用户表示；其中，跨域推荐模型包括互补映射模块和特征抽取模块；
[0010]互补映射模块，首先基于冷启动用户的源域用户表示生成对应的目标域个性表示和目标域共性表示；然后融合对应的目标域个性表示和目标域共性表示，得到冷启动用户的目标域融合用户表示；
[0011]特征抽取模块，首先从目标域用户集合中采样若干个用户集合作为关键集；然后结合冷启动用户的目标域融合用户表示并利用注意力机制计算冷启动用户对应的目标域融合用户表示对于对应关键集中各个用户的注意力分数；再结合对应关键集中各个用户的注意力分数计算冷启动用户的目标域融合用户表示对于对应关键集的目标域特征向量；最后融合冷启动用户的目标域融合用户表示对于各个关键集的目标域特征向量，得到冷启动用户的目标域增强用户表示；
[0012]跨域推荐模型融合冷启动用户的目标域融合用户表示和目标域增强用户表示，得到对应的目标域最终用户表示；
[0013]S3：基于冷启动用户的目标域最终用户表示结合对应待推荐的目标域商品表示计算对应冷启动用户对于待推荐商品的目标域预测分数；
[0014]S4：将目标域预测分数最高的一个或多个待推荐商品作为冷启动用户的推荐结果。
[0015]优选的，步骤S2中，通过如下步骤生成冷启动用户的目标域个性表示：
[0016]S201：将冷启动用户在源域的商品交互序列输入源域推荐模型，输出得到商品交互序列的嵌入向量表示n表示交互的商品数量；
[0017][0018]式中：表示用户在第t
k
个时刻交互商品的嵌入向量；表示用户在第t
k
个时刻交互的商品；表示源域推荐模型；
[0019]S202：基于注意力机制计算冷启动用户对商品交互序列中各个商品的注意力分数，进而通过商品交互序列的嵌入向量表示中各个商品的嵌入向量结合对应的注意力分数生成基于商品的用户特征；
[0020][0021][0022]式中：表示基于商品的用户特征；α
j
表示冷启动用户u
i
对商品交互序列中商品v
j
的注意力分数，其中，Attn(
·
)表示注意力网络，表示注意力
网络的参数；表示商品交互序列的嵌入向量表示中商品的嵌入向量；a
l
表示归一化之前的注意力分数，即注意力网络的输出；表示商品；
[0023]S203：将基于商品的用户特征作为元网络的输入，并将元网络的输出作为个性特征映射模型的权重参数；然后将冷启动用户的源域用户表示作为个性特征映射模型的输入，并将个性特征映射模型的输出作为冷启动用户的目标域个性表示；
[0024][0025][0026]式中：表示元网络的输出，即个性特征映射模型的权重参数；表示基于商品的用户特征；f
meta
(
·
)表示元网络；ε表示元网络参数；表示个性特征映射模型的输出，即冷启动用户的目标域个性表示；f
p
表示个性特征映射模型；表示冷启动用户u
i
的源域用户表示。
[0027]优选的，步骤S2中，将冷启动用户的源域用户表示作为共性特征映射模型的输入，并将共性特征映射模型的输出作为冷启动用户的目标域共性表示；
[0028][0029]式中：表示共性特征映射模型的输出，即冷启动用户的目标域共性表示；表示冷启动用户u
i
的源域用户表示；f
com
(
·
)表示共性特征映射模型；ω表示模型参数。
[0030]优选的，步骤S2中，通过如下公式计算冷启动用户的目标域融合用户表示；
[0031][0032]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于，包括：S1：获取存在于目标域的冷启动用户在目标域中的若干个待推荐商品；S2：将冷启动用户的源域用户表示输入经过训练的跨域推荐模型，输出对应的目标域最终用户表示；其中，跨域推荐模型包括互补映射模块和特征抽取模块；互补映射模块，首先基于冷启动用户的源域用户表示生成对应的目标域个性表示和目标域共性表示；然后融合对应的目标域个性表示和目标域共性表示，得到冷启动用户的目标域融合用户表示；特征抽取模块，首先从目标域用户集合中采样若干个用户集合作为关键集；然后结合冷启动用户的目标域融合用户表示并利用注意力机制计算冷启动用户对应的目标域融合用户表示对于对应关键集中各个用户的注意力分数；再结合对应关键集中各个用户的注意力分数计算冷启动用户的目标域融合用户表示对于对应关键集的目标域特征向量；最后融合冷启动用户的目标域融合用户表示对于各个关键集的目标域特征向量，得到冷启动用户的目标域增强用户表示；跨域推荐模型融合冷启动用户的目标域融合用户表示和目标域增强用户表示，得到对应的目标域最终用户表示；S3：基于冷启动用户的目标域最终用户表示结合对应待推荐的目标域商品表示计算对应冷启动用户对于待推荐商品的目标域预测分数；S4：将目标域预测分数最高的一个或多个待推荐商品作为冷启动用户的推荐结果。2.如权利要求1所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S2中，通过如下步骤生成冷启动用户的目标域个性表示：S201：将冷启动用户在源域的商品交互序列输入源域推荐模型，输出得到商品交互序列的嵌入向量表示n表示交互的商品数量；式中：表示用户在第t
k
个时刻交互商品的嵌入向量；表示用户在第t
k
个时刻交互的商品；表示源域推荐模型；S202：基于注意力机制计算冷启动用户对商品交互序列中各个商品的注意力分数，进而通过商品交互序列的嵌入向量表示中各个商品的嵌入向量结合对应的注意力分数生成基于商品的用户特征；生成基于商品的用户特征；式中：表示基于商品的用户特征；α
j
表示冷启动用户u
i
对商品交互序列中商品v
j
的注意力分数，其中，Attn(
·
)表示注意力网络，表示注意力网络的参数；表示商品交互序列的嵌入向量表示中商品的嵌入向量；a
l
表示归一化之前的
注意力分数，即注意力网络的输出；表示商品；S203：将基于商品的用户特征作为元网络的输入，并将元网络的输出作为个性特征映射模型的权重参数；然后将冷启动用户的源域用户表示作为个性特征映射模型的输入，并将个性特征映射模型的输出作为冷启动用户的目标域个性表示；将个性特征映射模型的输出作为冷启动用户的目标域个性表示；式中：表示元网络的输出，即个性特征映射模型的权重参数；表示基于商品的用户特征；f
meta
(
·
)表示元网络；ε表示元网络参数；表示个性特征映射模型的输出，即冷启动用户的目标域个性表示；f
p
表示个性特征映射模型；表示冷启动用户u
i
的源域用户表示。3.如权利要求1所述的联合互补知识迁移与目标域特征抽取的跨域推荐方法，其特征在于：步骤S2中，将冷启动用户的源...

【专利技术属性】
技术研发人员：朱小飞，段乐乐，陈旭，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：