一种多意图多行为解耦推荐方法及装置制造方法及图纸

本发明专利技术公开了一种多意图多行为解耦推荐方法及装置，其中方法包括：采集用户商品多重交互记录的数据集，根据采集到的数据集获取训练集；将获取到的多重交互关系，以稀疏矩阵形式存储，构造成图结构数据；意图空间的表征；意图解耦学习；进行多行为背景下的基于注意力机制的多意图解耦；行为影响的共性；根据训练集对构建的模型进行训练；推荐预测：将模型最终学习到的用户和商品嵌入向量进行打分预测，得到推荐商品顺序。本发明专利技术通过解耦表征和注意力机制将意图、行为的独立性和意图与意图、意图与行为之间的潜在关联性进行表示，引入对比学习任务，有重点有差异性的提高推荐性能，增强模型的可解释性，可广泛应用于推荐系统领域。可广泛应用于推荐系统领域。可广泛应用于推荐系统领域。

【技术实现步骤摘要】
一种多意图多行为解耦推荐方法及装置


[0001]本专利技术涉及推荐系统领域，尤其涉及一种多意图多行为解耦推荐方法及装置。

技术介绍

[0002]互联网技术的迅速发展使得网络上的信息呈爆炸式的增长，在海量数据面前，如何从中高效的提取、挖掘到有用的信息成为了一大难题。近年来，针对这种“信息过载”问题，开启了个性化推荐系统的研究，帮助每一个用户能够获取自身真正感兴趣的信息。目前推荐系统已经在各个领域得到了广泛的应用，推动了像在线购物、直播和在线阅读等多种应用的发展，如何更好、更准确的向用户推荐产品是平台、商家以及用户共同的追求目标。
[0003]基于协同过滤方法的推荐系统与传统基于内容直接分析并推荐不同，它利用用户与信息之间的历史交互综合分析用户对某个信息的喜好程度，比如对于用户A来说，他以往的行为模式跟用户B十分一致(点击、购买了相同的东西或者浏览商品的行为顺序一致等)，已知用户B已经购买了商品C，并且用户A之前并没有点击或者搜索过商品C这一类的商品，该系统则会向用户A推荐商品C或者商品C这一类别的其他商品。基于协同过滤的推荐方法能够对平台数据进行过滤获取到真正有用的信息，然而在海量数据的背景下，针对个人的推荐而言，推荐系统面临的重大问题是数据的稀疏问题。多行为推荐系统则是应对该问题的一个缓解办法，它考虑更多的行为数据(人们在使用互联网时会产生一系列行为，例如购物记录、发表各种评论、社交活动等，每一项目标行为动作可能都会伴随着一系列的辅助行为)，而不是仅仅只考虑目标行为数据，通过其他行为数据去辅助目标行为的预测，并且，不同行为数据背后存在着复杂的语义联系与差别，能够一定程度上缓解数据稀疏问题。
[0004]从多行为推荐系统出发，我们考虑到人们在实施某种行为时会受到多种意图的影响，各种现实场景中会有不同的意图，希望可以更加细粒度的准确获取到用户真正感兴趣的信息，提高推荐的准确度与高效性。想要更细粒度的获取有效信息存在着以下三个方面的挑战：(1)对多行为数据以及背后潜在的复杂语义关系进行建模；(2)各行为下的多种意图如何表征以及如何挖掘出其中的联系与区别；(3)行为与意图之间的关联性与差异性如何建模出来。

技术实现思路

[0005]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种多意图多行为解耦推荐方法及装置。
[0006]本专利技术所采用的技术方案是：
[0007]一种多意图多行为解耦推荐方法，包括以下步骤：
[0008]采集用户商品多重交互记录的数据集，根据采集到的数据集获取训练集；
[0009]将获取到的多重交互关系，以稀疏矩阵形式存储，构造成图卷积神经网络可以处理的图结构数据；
[0010]意图空间的表征：使用神经网络(比如，多层感知机或者小型可学习的meta网络)
将初始的用户和商品表征映射到不同的意图空间，以挖掘多个意图的潜在影响；
[0011]意图解耦学习：使用图卷积神经网络更新各个意图的表征，学习获得用户/商品节点特征向量；
[0012]进行多行为背景下的基于注意力机制的多意图解耦；
[0013]意图对行为的趋向性：引入噪声将意图对行为的驱动性进行建模，以刻画不同意图对不同行为影响的共性；引入对比学习，以在建模意图趋向性的同时，区分不同意图对行为的不同趋向；
[0014]根据训练集对构建的模型进行训练；
[0015]推荐预测：将模型最终学习到的用户和商品嵌入向量进行打分预测，得到推荐商品顺序。
[0016]进一步地，所述采集用户商品多重交互记录的数据集，根据采集到的数据集获取训练集，包括：
[0017]根据用户商品交互数小于预设阈值的条件过滤无效的用户，保留有效的用户和相应的商品节点；
[0018]将数据集进行划分，对每个用户的验证集和测试集分别随机选取一个交互，剩下的交互项为训练集。
[0019]进一步地，所述意图解耦学习，包括：
[0020]设定多意图的数量为K，在图卷积神经网络进行消息构建、传递、融合时考虑K个数量即可；
[0021]在构建多重用户
‑
商品关系图时，利用softmax使得最开始K个意图的权重一致，再与初始化的用户节点特征和商品节点特征通过图卷积神经网络编码器进行消息传递与聚合，输出各自关系图中的意图特征，最后融合成为用户
‑
商品的表征。
[0022]进一步地，将初始的用户和商品表征映射到不同的意图空间的表达式为：
[0023][0024]其中，E
u
和E
i
分别代表用户和商品特征向量，得到K个意图特征向量；k表示第k个意图，表示在第T次迭代过程中针对用户u进行的线性变换，b
u
表示针对用户u的偏置标量参数，δ()是ReLU非线性激活函数。
[0025]进一步地，所述在构建多重用户
‑
商品关系图时，利用softmax使得最开始K个意图的权重一致，再与初始化的用户节点特征和商品节点特征，通过图卷积神经网络编码器进行消息传递与聚合，输出各自关系图中的意图特征，最后融合成为用户
‑
商品的表征，包括：
[0026]最初始状态下，K个意图对行为的影响是一致的，若将刻画影响的程度初始化为1，即用户商品的交互关系用1来表达某个用户和商品有过交互，那么某个意图对该次交互的影响为1/K；同时借助图神经网络优化用户和商品特征向量，即通过消息传递和消息聚合，在每层图神经网络中进行t次迭代更新意图的影响，每次迭代都会使用softmax函数进行归一化，以强化重点意图的同时削弱不重要意图；
[0027]在多层图卷积神经网络中，采用加和的操作将每层获得的特征向量进行融合，表达式如下：
[0028][0029]其中，表示在第l层网络中的用户特征在第k个意图影响下的特征向量，表示在第l层网络中的商品特征在第k个意图影响下的特征向量，和分别表示用户和商品的第k个意图表征；
[0030]最后将K个意图的表征拼接并进行非线性激活，得到最终的用户和商品的特征向量，表达式如下：
[0031][0032]其中，ξ表示非线性变换。
[0033]进一步地，所述进行多行为背景下的基于注意力机制的多意图解耦，包括：
[0034]对多行为背景下的多意图进行解耦，以将同一行为下不同意图的区别性、不同行为之间意图的区别性以及关联性挖掘出来；
[0035]用K个q
base
∈r
c*(/)*(/)
来体现同一行为下不同意图的区别性以及不同行为的第k个意图之间的相似性，即不同行为下第k个意图之间区别性由α∈R
c
表示，一共M*K个α，M表示行为的个数。
[0036]进一步地，所述意图对行为的趋向性，包括：
[0037]通过多层感知机和对比学习任务将意图对行为的趋向性有重点有差异的建模出来：
[0038][0039][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多意图多行为解耦推荐方法，其特征在于，包括以下步骤：采集用户商品多重交互记录的数据集，根据采集到的数据集获取训练集；将获取到的多重交互关系，以稀疏矩阵形式存储，构造成图卷积神经网络可以处理的图结构数据；意图空间的表征：使用神经网络将初始的用户和商品表征映射到不同的意图空间；意图解耦学习：使用图卷积神经网络更新各个意图的表征，学习获得用户/商品节点特征向量；进行多行为背景下的基于注意力机制的多意图解耦；意图对行为的趋向性：引入噪声将意图对行为的驱动性进行建模，以刻画不同意图对不同行为影响的共性；引入对比学习，以在建模意图趋向性的同时，区分不同意图对行为的不同趋向；根据训练集对构建的模型进行训练；推荐预测：将模型最终学习到的用户和商品嵌入向量进行打分预测，得到推荐商品顺序。2.根据权利要求1所述的一种多意图多行为解耦推荐方法，其特征在于，所述采集用户商品多重交互记录的数据集，根据采集到的数据集获取训练集，包括：根据用户商品交互数小于预设阈值的条件过滤无效的用户，保留有效的用户和相应的商品节点；将数据集进行划分，对每个用户的验证集和测试集分别随机选取一个交互，剩下的交互项为训练集。3.根据权利要求1所述的一种多意图多行为解耦推荐方法，其特征在于，所述意图解耦学习，包括：设定多意图的数量为K，在图卷积神经网络进行消息构建、传递、融合时考虑K个数量即可；在构建多重用户
‑
商品关系图时，利用softmax使得最开始K个意图的权重一致，再与初始化的用户节点特征和商品节点特征通过图卷积神经网络编码器进行消息传递与聚合，输出各自关系图中的意图特征，最后融合成为用户
‑
商品的表征。4.根据权利要求3所述的一种多意图多行为解耦推荐方法，其特征在于，将初始的用户和商品表征映射到不同的意图空间的表达式为：其中，E
u
和E
i
分别代表用户和商品特征向量，得到K个意图特征向量；k表示第k个意图，表示在第T次迭代过程中针对用户u进行的线性变换，b
u
表示针对用户u的偏置标量参数，δ()为非线性激活，在本专利中使用ReLU函数。5.根据权利要求3所述的一种多意图多行为解耦推荐方法，其特征在于，所述在构建多重用户
‑
商品关系图时，利用softmax使得最开始K个意图的权重一致，再与初始化的用户节点特征和商品节点特征，通过图卷积神经网络编码器进行消息传递与聚合，输出各自关系图中的意图特征，最后融合成为用户
‑
商品的表征，包括：最初始状态下，K个意图对行为的影响是一致的，若将刻画影响的程度初始化为1，即用
户商品的交互关系用1来表达某个用户和商品有过交互，那么某个意图对该次交互的影响为1/K；同时借助图神经网络优化用户和商品特征向量，即通过消息传递和消息聚合，在每层图神经网络中进行t次迭代更新意图的影响，每次迭代都会使用softmax函数进行归一化，以...

【专利技术属性】
技术研发人员：许勇，谢美艳，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：