【技术实现步骤摘要】
本专利技术涉及数据挖掘及应用，具体地说是一种基于多视图对比学习的捆绑推荐方法、系统、设备及介质。
技术介绍
1、传统的推荐算法包括协同过滤算法、基于内容的推荐算法以及混合推荐算法。然而，随着信息技术的迅速发展，数据往往具有多模态、异构、大规模、稀疏、分布不均匀等复杂特征，传统推荐算法无法学习到更深层次的节点表示，同时也面临严重的数据稀疏和冷启动等问题。因此，传统推荐算法的研究面临着严峻的挑战。
2、近年来，现有的推荐技术大部分采用深度学习方法，包括图神经网络、注意力机制等，均是通过聚合邻居信息捕捉高阶相关性，但是随着多层的传播以及数据集中存在的噪声信息，导致容易出现过平滑的问题，从而使得推荐效果不佳。
3、随着数据内容平台的发展，在某平台上，用户在搜索一本特定类型的书籍时，可以结合用户的阅读历史交互数据，为用户推荐相关主题的书籍列表、相关作者的其他作品以及与所查询书籍相似度较高的其他书籍。而在某音乐平台上，通过对用户喜欢的音乐风格、歌手偏好以及最近的音乐播放记录进行分析，可以向用户推荐新的音乐专辑、热门歌单或类似风格的音乐列表。
4、故如何对数字内容平台中多类型数据进行整合，为用户提供多种商品的购买建议以实现个性化的推荐，提高推荐精准度是目前亟待解决的技术问题。
技术实现思路
1、本专利技术的技术任务是提供一种基于多视图对比学习的捆绑推荐方法、系统、设备及介质，来解决如何对数字内容平台中多类型数据进行整合，为用户提供多种商品的购买建议以实现个性化
2、本专利技术的技术任务是按以下方式实现的，一种基于多视图对比学习的捆绑推荐方法，该方法具体如下：
3、构建捆绑数据集：获取用户在数字内容平台的捆绑数据集，对捆绑数据集进行预处理，并将捆绑数据集进行划分；
4、构建超图编码器：将捆绑数据集中的多类型数据统一建模为超图编码器，以闭合信息传递模式在超图上进行传播；
5、多视图对比学习：根据用户偏好分为多个视图，每个视图使用超图编码器获取节点嵌入表示，并对不同视图之间的节点嵌入表示进行对比学习，获取更加丰富的节点嵌入表示；
6、融合偏好感知节点：捕获用户交叉偏好并融合不同视图得到用于预测的节点嵌入表示；
7、多任务联合学习：结合多任务关联学习，将自监督学习作为辅助任务集成到捆绑推荐过程中，提高推荐精度。
8、作为优选，构建捆绑数据集具体如下：
9、获取数字内容平台的捆绑数据集：捆绑数据集包括用户-捆绑包交互数据、用户-项目交互数据和捆绑包-项目从属关系数据；
10、预处理：将捆绑数据集划分为训练集、测试集和验证集；
11、将捆绑数据集构建成二部图结构：将用户-捆绑包交互数据构建为用户-捆绑包交互二部图，将用户-项目交互数据构建为用户-项目交互二部图，并将捆绑包-项目从属关系数据构建为捆绑包-项目附属二部图。
12、作为优选，构建超图编码器具体如下：
13、根据用户-项目交互二部图、用户-捆绑包交互二部图以及捆绑包-项目附属二部图生成统一超图结构，并通过对捆绑数据集的分析生成低阶关联超边、高阶关联超边以及辅助关联超边；同时将捆绑数据集的数据分为主信息数据和辅信息数据，主数据信息通过变换得到低阶关联超边及高阶关联超边，辅信息数据通过变换得到辅助关联超边；
14、其中，低阶关联超边：将用户-项目交互二部图、用户-捆绑包交互二部图以及捆绑包-项目附属二部图分别转换为二元的均匀超边，每个超边e(vi,vj)∈e仅连接二部图g中的两个顶点得到相应的超边关联矩阵低阶关联超边elow的公式如下：
15、
16、其中，vi,vj分别表示在超图顶点集中与二部图顶点集中相对应的顶点；vi,vj∈v；v表示超图的顶点集合；通过构建低阶关联超边，保留了原始输入的信息，能够完全覆盖二部图中的低阶关联，这也是建模高阶关联的基本条件；e表示关联超边；
17、高阶关联超边：基于二部图的拓扑结构通过计算中心节点的二阶可达位置，找到与计算中心节点相关的节点，将与计算中心节点相关的节点通过超边连接，形成高阶关联超边，并得到相应的超边关联矩阵高阶关联超边ehigh的公式如下：
18、ehigh＝{n(v)|v∈v}；
19、
20、其中，n(v)表示计算中心节点v的二阶邻居节点集合；表示二部图的二阶邻接矩阵；η＝δ·|vq|2表示在二阶邻接矩阵中元素的阈值；δ为矩阵稀疏度；v′∈v为超图节点集合中的节点；表示在二部图的二阶邻接矩阵中顶点v′和顶点v所对应的元素的值；通过搜索二阶可达邻居顶点，使得超边中包含两个以上的顶点，扩大了中心顶点与外界更广泛的互动，与低阶关联超边相比，它可以捕获更丰富的高阶相关性的信息；
21、辅助关联超边：为了捕获更加丰富的信息，引入辅助信息构建辅助关联超边；由于用户的历史交互数据中可能存在隐含的、嘈杂的噪声信息(错误点击、盲目购买等)，为了减少噪声信息的干扰，随机舍弃一部分历史交互数据，即噪声信息，再得到辅助关联超边以及超边关联矩阵辅助关联超边eaux的公式如下：
22、
23、其中，rd(·)表示随机函数；vi,vj∈v分别是在超图顶点集中与二部图顶点集中相对应的顶点；
24、采取超边生成策略得到低阶关联超边、高阶关联超边以及辅助关联超边三种类型的超边以及对应的关联矩阵，再采用等融合策略联合多个超边将低阶关联超边、高阶关联超边以及辅助关联超边进行充分的建模与融合生成最终的超图；其中，超图关联矩阵h∈rrow×col形式化表示如下：
25、
26、其中，row＝|vq|+|vr|，col＝|vq|+|vr|+|vf|；q、r、f分别表示用户节点、项目节点和捆绑包节点；
27、超图卷积：基于统一超图结构，通过特征信息由节点流向超边的节点特征聚合阶段以及特征信息由超边流向节点的超边特征聚合阶段的两阶段闭合信息传递模式实现捆绑数据信息的有效聚合。
28、更优地，超图卷积具体如下：
29、将待训练的节点嵌入表示进行初始化，并堆叠起来作为输入表示公式如下：
30、
31、其中，|vq|,|vr|为相应类型节点的个数；d为嵌入维度；
32、在节点特征聚合阶段，节点特征被聚合到超边上，使得超边具有节点的特征，节点特征聚合的公式如下：
33、
34、其中，表示相关节点特征聚合得到的超边特征；w∈rcol×col，w表示超边权重矩阵；de∈rcol×col表示超边度矩阵；
35、在超边特征聚合阶段，更新后的超边特征再次被聚合到节点上，以使节点获得超边的特征，超边特征聚合的公式如下：
36、
37、其中，表示经过超边特征聚合更新后得到节点特征；dv∈rrow×row表示节点的度矩阵本文档来自技高网...
【技术保护点】
1.一种基于多视图对比学习的捆绑推荐方法，其特征在于，该方法具体如下：
2.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其特征在于，构建捆绑数据集具体如下：
3.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其特征在于，构建超图编码器具体如下：
4.根据权利要求3所述的基于多视图对比学习的捆绑推荐方法，其特征在于，超图卷积具体如下：
5.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其特征在于，多视图对比学习具体如下：
6.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其特征在于，融合偏好感知节点具体如下：
7.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其特征在于，多任务联合学习具体如下：
8.一种基于多视图对比学习的捆绑推荐系统，其特征在于，该系统用于实现如权利要求1至7任一项所述的基于多视图对比学习的捆绑推荐方法；该系统包括：
9.一种电子设备，其特征在于，包括：存储器和至少一个处理器；
10.一种计算机可读存储介质，其特征
...【技术特征摘要】
1.一种基于多视图对比学习的捆绑推荐方法，其特征在于，该方法具体如下：
2.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其特征在于，构建捆绑数据集具体如下：
3.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其特征在于，构建超图编码器具体如下：
4.根据权利要求3所述的基于多视图对比学习的捆绑推荐方法，其特征在于，超图卷积具体如下：
5.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其特征在于，多视图对比学习具体如下：
6.根据权利要求1所述的基于多视图对比学习的捆绑推荐方法，其...
【专利技术属性】
技术研发人员：袁卫华，王星，邹丽，张宣峰，于善初，孙倩，张小飞，齐荃，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：
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。