【技术实现步骤摘要】
本专利技术涉及推荐系统，具体涉及一种基于对比学习和多行为推荐任务共享的推荐方法。
技术介绍
1、推荐系统在社交媒体、流媒体和电子商务等领域扮演着重要角色。在信息爆炸的时代，它们帮助用户在海量信息中找到感兴趣的内容，提高了信息获取的效率，同时也实现了信息的最大化利用。对于企业，推荐系统能吸引和留住用户，提高活跃度和转化率，实现商业目标的持续增长。例如，电子商务的推荐系统可以根据用户的购买历史、浏览行为和个人喜好，推荐个性化的商品，从而提高购买转化率和用户满意度。这些都展示了推荐系统在我们日常生活中的重要性。
2、现有的协同过滤模型通常假定只存在一种用户行为，即购买行为，这就无法捕捉多种复杂关系之间的异质性。显然，现实世界中的许多推荐场景都涉及多种类型的用户-物品交互，这些交互包含丰富的交互语义可用于提高推荐模型的性能。如何合理运用户多种行为下的交互数据，已经成为多行为推荐任务中最重要的关键问题之一。
3、对比学习是一种自监督学习方法，旨在通过学习样本之间的差异或相似性来学习更好的嵌入表示。对比学习的目标是通过比较不同样本对的差异来学习良好的特征表示，使得相似的样本对在特征空间中更加靠近，而不相似的样本则将它们推开。这种学习方法能够在排除本身的交互数据外同时帮助模型学习到数据的更多本质的信息，提高模型的泛化性能。然而，传统的对比学习方法仍然存在一些缺陷，比如模型往往需要大量的计算资源进行训练。
4、传统基于多行为推荐的模型中，虽然在建模用户与物品之间的交互关系方面取得了不错的效果，但是依然无法充分
技术实现思路
1、本专利技术所要解决的是传统的多行为推荐系统所存在的问题，提供一种新的基于对比学习和多行为语义增强的推荐方法。
2、为解决上述问题，本专利技术是通过以下的技术方案实现：一种基于对比学习和多行为语义增强的推荐方法，包括步骤如下：
3、步骤1、下载网络上有关用户多种行为的公开数据集，这些数据集主要包括tmall、retail、yelp、ijcai等。其中多种行为主要包括：购买行为、浏览行为、添加购物车行为、收藏行为等，通常将购买行为作为目标行为。将目标行为中选出一部分数据作为测试集，其他数据作为训练集用于模型训练。
4、步骤2、利用训练集对基于对比学习的多行为语义增强推荐图神经网络进行训练，通过计算模型的推荐结果来对模型中所有参数进行调整来优化模型，得到训练好的基于对比学习的多行为推荐图卷积神经网络。
5、步骤2.1、构建主推荐任务。通过在不同行为下的用户项目交互图上使用图卷积神经网络来捕捉用户和项目在图上的高阶连通性，并通过将每一个行为下得到的嵌入向量合并来得到最终用于推荐的用户和项目的嵌入表示，再通过构建评分函数并采用排名损失计算推荐任务的任务损失。
6、步骤2.2、构建用户关系对比学习任务。通过将不同行为下相同的用户结点作为正对，其他用户结点作为负对来学习用户在不同行为下的差异表现来提高用户嵌入的表征。采用infonce公式计算对比学习任务损失。
7、步骤2.3、联合步骤2.1-2.2的损失，通过调整整个模型的可训练参数来优化整个模型的综合损失，得到训练好的多行为图神经网络。
8、步骤3、利用步骤1生成的测试集对训练好的基于对比学习和多行为语义增强图神经网络进行测试，通过调整训练好的图神经网络中多个超参数来优化训练好的融合用户多行为的图神经网络，提高模型hr和ndcg评估指标，得到最终的多行为图神经网络推荐模型。
9、步骤4、利用最终的多行为图神经网络对目标行为下的用户推荐项目进行预测，并将预测结果推荐给当前用户。
10、本专利技术基于多行为图卷积网络提出了一种基于对比学习和多行为语义增强的推荐方法。该推荐方法提出了一个全新的图卷积推荐模型，利用用户的目标行为嵌入来指导从用户其他辅助行为中学习用户完整偏好表征的过程。这样，它不仅能挖掘出每个辅助行为中细粒度的用户偏好语义，还能过滤掉与目标行为无关的噪声信息。此外，本方法还采用了一种独特的聚合机制，将不同行为的语义信息融合到目标嵌入向量中，使其能够识别特定类型的行为偏好。同时，通过对比学习来学习同一用户在不同行为下的特征表示，来以此丰富目标行为下的用户偏好语义信息，最终缓解目标行为下监督信号稀疏的不足。
本文档来自技高网...【技术保护点】
1.一种基于对比学习和多行为语义增强的推荐方法，其特征是，包括步骤如下：
2.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.1中，构造行为监督嵌入编码模块公式如下：
3.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.1中，不同行为下的用户和项目邻居聚合公式如下：
4.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.1中，合并来自不同行为下的嵌入向量：
5.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.1中，主推荐任务损失为：
6.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.2中，用户关系对比学习任务的损失为：
7.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.3中构建好两个学习任务后，我们整合主推荐任务和辅助推荐任务。具体而言，使用步骤1中生成的训练集，其中数据为用户和项目的交互信息，
...【技术特征摘要】
1.一种基于对比学习和多行为语义增强的推荐方法，其特征是，包括步骤如下：
2.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.1中，构造行为监督嵌入编码模块公式如下：
3.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.1中，不同行为下的用户和项目邻居聚合公式如下：
4.根据权利要求1所述的一种基于对比学习和多行为语义增强的推荐方法，其特征是，在步骤2.1中，合并来自不同行为下的嵌入向量：
5.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。