基于双路偏好增强的产品推荐方法技术

本发明专利技术公开了一种基于双路偏好增强的产品推荐方法，包括：获取用户

【技术实现步骤摘要】
基于双路偏好增强的产品推荐方法


[0001]本专利技术属于信息处理
，具体涉及一种基于双路偏好增强的产品推荐方法
。

技术介绍

[0002]随着互联网和社交媒体的发展，通过多模态信息，如图像信息
、
文本信息，进行沟通
、
展示和交流已经成为一种潮流，导致多模态信息剧增
。
因此，如何从海量的信息中为用户推荐有价值的信息成为热门的研究方向
。
当前大多是根据信息的特点使用多模态推荐方法，多模态推荐方法是通过用户数据和产品数据对每个用户和产品进行编码得到其特征向量，随后计算用户和产品的特征向量之间的相似度，根据相似度为用户推荐产品
。
然而，当前的多模态推荐方法只是通过利用产品的多模态信息显示产品之间的相似关系得到用户对产品的交互偏好或者用户对产品信息的模态偏好，通过这种单一的因素来确定用户的特征向量
。
然而根据这种方法得到的用户的特征向量不能很好的表示用户的偏好，并且确定用户模态偏好的产品
‑
产品图上还存在噪声
。
这导致根据此种方法为用户推荐信息的有效程度不高，即为用户推荐的产品很多时候用户并不对其感兴趣，不会去查看
、
点击
。

技术实现思路

[0003]本专利技术实施例提供了一种基于双路偏好增强的产品推荐方法，可以解决根据当前的产品推荐方法为用户推荐产品的有效程度不高的问题
。
[0004]第一方面，本专利技术实施例提供基于双路偏好增强的产品推荐方法，方法包括：获取用户的第一用户最终特征向量和多个产品的第一产品最终特征向量；根据第一用户最终特征向量和多个第一产品最终特征向量，确定用户和多个产品之间的第一相似度，其中，第一用户最终特征向量和第一产品最终向量是基于自监督学习的训练好的双路偏好增强网络模型根据用户的初始用户
ID
特征向量
、
第一初始文本特征向量和第一初始图像特征向量，多个产品的初始产品
ID
特征向量
、
第二初始文本特征特征向量和第二初始图像特征确定的，初始用户
ID
特征向量是根据用户对产品信息的交互偏好得到的与用户相关的向量，初始产品
ID
特征向量是根据用户对产品信息的交互偏好得到的与产品相关的向量，第一初始图像特征向量和第一初始文本特征特征向量是根据用户对产品信息的模态偏好得到的与用户相关的向量，第二初始图像特征向量和第二初始文本特征特征向量是根据用户对产品信息的模态偏好得到的与产品相关的向量，双路偏好增强网络模型用于对第二初始文本特征向量和第二初始图像特征向量进行增强，得到增强文本特征向量和增强图像特征向量，并根据增强本文特征向量和增强图像特征向量确定模态偏好增强模型的自监督损失，在自监督损失的约束下，进行训练；根据多个第一相似度，为用户推荐产品
。
[0005]在第一方面的一种可能的实现方式中，在获取用户和产品的第一最终特征向量之前，可以对用户数据和产品数据进行预处理，得到用户的初始用户
ID
特征向量
、
多个产品的初始产品
ID
特征向量
、
第一初始文本特征向量
、
第一初始图像特征向量，第二初始文本特征
特征向量
、
第二初始图像特征向量
、
用户
‑
产品交互图及产品
‑
产品图
。
将初始用户
ID
特征向量
、
初始产品
ID
特征向量
、
第一初始图像特征向量和第二初始图像特征向量，第一初始文本特征向量和第二初始文本特征特征向量输入至双路偏好增强网络模型，通过用户
‑
产品交互图和产品
‑
产品图，得到用户的第二用户最终特征向量
、
多个产品的第二产品最终特征向量
、
多个产品的增强文本特征向量和增强图像特征向量
。
然后根据第二用户最终特征向量和多个第二产品最终特征向量，确定用户和多个产品之间的第二相似度
。
根据第二相似度确定双路偏好增强网络模型的贝叶斯个性化排序损失
。
根据增强文本特征向量和增强图像特征向量，确定双路偏好增强网络模型的自监督损失
。
根据贝叶斯个性化排序损失和自监督损失，训练双路偏好增强网络模型，得到训练好的双路偏好增强网络模型
。
将初始用户
ID
特征向量
、
多个初始产品
ID
特征向量
、
第一初始图像特征向量和第二初始图像特征向量，第一初始文本特征向量和第二初始文本特征特征向量输入至训练好的双路偏好增强网络模型，得到用户的第一用户最终特征向量和多个产品的第一产品最终特征向量
。
[0006]示例性的，用户数据和产品数据包括用户和多个产品的交互数据
、
用户的用户信息以及多个产品的产品信息，用户
‑
产品交互图是根据用户和多个产品的交互数据确定的，产品
‑
产品图是根据产品信息确定的
。
[0007]在第一方面的一种可能的实现方式中，双路偏好增强网络模型具体可以用于：
[0008]对第二初始图像特征向量设置2个掩码，分别屏蔽产品
‑
产品图中的部分邻居，对应得到2个屏蔽后的产品
‑
产品图，然后对第二初始图像特征向量分别在2个屏蔽后的产品
‑
产品图上进行图卷积，得到两个增强图像特征向量
。
[0009]示例性的，掩码服从概率为
p
的伯努利二值分布
。
[0010]示例性的，增强图像特征向量满足下述公式：
·
[0011][0012][0013][0014][0015][0016][0017]其中，为屏蔽后的产品
‑
产品图第
l
层的图像特征，为第一次图卷积得到的增强图像特征向量，是第二次图卷积得到的增强图像特征向量，为产品
‑
产品图最后一层的图像特征，
S
ij
为产品
‑
产品图，为掩码，为产品
‑
产品图输出的第
l
层的图像特征，为第二初始图像特征向量
。
[0018]在第一方面的一种可能的实现方式中，可以分别融合第一图卷积和第二次图卷积得到的增强文本特征向量和增强图像特征向量，得到产品的多模态特征向量
。
然后根据多模态特征向量，通过下述公式，确定自监督损失：
[0019][0020]其中，
L
InfoNCE
为自监督损失，为第
i...

【技术保护点】

【技术特征摘要】
1.
一种基于双路偏好增强的产品推荐方法，其特征在于，包括：获取用户的第一用户最终特征向量和多个产品的第一产品最终特征向量；根据所述第一用户最终特征向量和所述多个第一产品最终特征向量，确定所述用户和所述多个产品之间的第一相似度，其中，所述第一用户最终特征向量和所述第一产品最终向量是基于自监督学习的训练好的双路偏好增强网络模型根据所述用户的初始用户
ID
特征向量
、
第一初始文本特征向量和第一初始图像特征向量，所述多个产品的初始产品
ID
特征向量
、
第二初始文本特征特征向量和第二初始图像特征确定的，所述初始用户
ID
特征向量是根据所述用户对产品信息的交互偏好得到的与用户相关的向量，所述初始产品
ID
特征向量是根据所述用户对产品信息的交互偏好得到的与产品相关的向量，所述第一初始图像特征向量和第一初始文本特征特征向量是根据所述用户对产品信息的模态偏好得到的与用户相关的向量，所述第二初始图像特征向量和第二初始文本特征特征向量是根据所述用户对产品信息的模态偏好得到的与产品相关的向量，所述双路偏好增强网络模型用于对所述第二初始文本特征向量和第二初始图像特征向量进行增强，得到增强文本特征向量和增强图像特征向量，并根据所述增强本文特征向量和增强图像特征向量确定自监督损失，在自监督损失的约束下，进行训练；根据所述多个第一相似度，为所述用户推荐产品
。2.
根据权利要求1的方法，其特征在于，在所述获取用户的第一用户最终特征向量和多个产品的第一产品最终特征向量之前，所述方法还包括：对用户数据和产品数据进行预处理，得到所述用户的初始用户
ID
特征向量
、
所述多个产品的初始产品
ID
特征向量
、
第一初始文本特征向量
、
第一初始图像特征向量，第二初始文本特征特征向量
、
第二初始图像特征向量
、
用户
‑
产品交互图及产品
‑
产品图，所述用户数据和产品数据包括所述用户和所述多个产品的交互数据
、
所述用户的用户信息以及所述多个产品的产品信息，所述用户
‑
产品交互图是根据所述用户和所述多个产品的交互数据确定的，所述产品
‑
产品图是根据所述产品信息确定的；将所述初始用户
ID
特征向量
、
所述初始产品
ID
特征向量
、
所述第一初始图像特征向量和第二初始图像特征向量，第一初始文本特征向量和第二初始文本特征特征向量输入至所述双路偏好增强网络模型，通过所述用户
‑
产品交互图和所述产品
‑
产品图，得到所述用户的第二用户最终特征向量
、
所述多个产品的第二产品最终特征向量
、
所述多个产品的增强文本特征向量和增强图像特征向量；根据所述第二用户最终特征向量和所述多个第二产品最终特征向量，确定所述用户和所述多个产品之间的第二相似度；根据所述第二相似度确定所述双路偏好增强网络模型的贝叶斯个性化排序损失；根据所述增强文本特征向量和增强图像特征向量，确定所述双路偏好增强网络模型的自监督损失；根据所述贝叶斯个性化排序损失和所述自监督损失，训练所述双路偏好增强网络模型，得到训练好的所述双路偏好增强网络模型；将所述初始用户
ID
特征向量
、
所述多个初始产品
ID
特征向量
、
所述第一初始图像特征向量和第二初始图像特征向量，第一初始文本特征向量和第二初始文本特征特征向量输入至所述训练好的双路偏好增强网络模型，得到所述用户的第一用户最终特征向量和所述多
个产品的第一产品最终特征向量
。3.
根据权利要求1所述的方法，其特征在于，所述双路偏好增强网络模型具体用于：对所述第二初始图像特征向量设置2个掩码，分别屏蔽所述产品
‑
产品图中的部分邻居，对应得到2个屏蔽后的所述产品
‑
产品图，所述掩码服从概率为
p
的伯努利二值分布；将所述第二初始图像特征向量分别在2个所述屏蔽后的产品
‑
产品图上进行图卷积，得到两个所述增强图像特征向量，所述增强图像特征向量满足下述公式：到两个所述增强图像特征向量，所述增强图像特征向量满足下述公式：到两个所述增强图像特征向量，所述增强图像特征向量满足下述公式：到两个所述增强图像特征向量，所述增强图像特征向量满足下述公式：到两个所述增强图像特征向量，所述增强图像特征向量满足下述公式：到两个所述增强图像特征向量，所述增强图像特征向量满足下述公式：其中，为所述屏蔽后的产品
‑
产品图第
l
层的图像特征，为第一次图卷积得到的所述增强图像特征向量，是第二次图卷积得到的所述增强图像特征向量，为所述产品
‑
产品图最后一层的图像特征，
S
ij
为所述产品
‑
产品图，为所述掩码，为所述产品
‑
产品图输出的第
l
层的图像特征，为所述第二初始图像特征向量
。4.
根据权利要求1‑3任一项所述的方法，其特征在于，根据所述增强文本特征向量和增强图像特征向量，确定所述双路偏好增强网络模型的自监督损失，包括：分别融合第一图卷积和第...

【专利技术属性】
技术研发人员：郭洁，文龙宇，赵云飞，池育浩，宋彬，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：