【技术实现步骤摘要】
本专利技术涉及信息处理，具体是一种基于用户多行为交互数据和对比学习机制的推荐系统及其推荐方法，适用于电子商务、社交网络、内容分发平台等领域。
技术介绍
1、随着互联网技术和智能设备的迅速发展，个性化推荐系统在提高用户体验，优化内容分发等方面发挥了重要作用。传统推荐系统大多依赖用户的单一行为(如点击或购买)进行推荐，忽视了用户的多样化行为模式，如浏览、收藏、添加至购物车等辅助行为。这种单一行为的推荐方法难以充分挖掘用户偏好，导致推荐准确度和用户满意度受限。相较于关注单一行为的推荐算法，多行为推荐算法面临着如下挑战：
2、首先，将社会和知识图谱信息纳入用户与物品的互动中，涉及到多样化的相互依赖关系，这些依赖关系在本质上是异质的。如何在一个统一的表示框架中有效地保留用户和项目的异质关系结构，仍然是一个重大挑战。
3、其次，以往的推荐算法没有考虑到多行为场景下用户-项目交互的复杂依赖关系。在实际场景中，由于用户的消费习惯不同，他们经常表现出不同的相关行为模式，例如，有些人喜欢在购物车中高频添加商品但只零星购买，有些人仅在高概率可能购买的前提下才会添加购物车。多种类型的行为之间的相互依赖关系因用户而异，如何捕捉复杂的行为多样性并用于提升推荐准确度和个性化依然是极大挑战。
4、再次，大多数推荐模型都是基于监督范式，其中观察到的用户和物品之间的目标行为通常被视为监督信号。然而，稀疏的监督信号不能保证图学习的质量。即使考虑到多行为交互信息，上述问题仍然存在。在单行为推荐领域有一些努力来解决这个问题，然而，这些
技术实现思路
1、鉴于现有技术的不足，本专利技术提供了一种推荐方法，该方法能够综合考虑用户的多种交互行为，并通过对比学习机制深度挖掘用户偏好，从而提高推荐的准确性和满意度。本专利技术的核心在于引入了一种多行为交互模型，该模型能够有效融合用户的多种行为数据，并利用对比学习策略增强模型对用户行为的理解能力。
2、为实现上述目的，本专利技术采用以下技术方案：一种基于多行为交互和对比学习的推荐方法，包括以下步骤：
3、步骤1：收集用户的交互数据并进行预处理；
4、步骤1.1：收集用户的多种交互行为数；
5、步骤1.2：去除无效、不完整和错误的数据记录，处理缺失值和异常值；
6、步骤1.3：从步骤1.2得到的数据中提取有用的信息，转换成后续可用的特征形式；
7、步骤1.4：数据归一化。
8、步骤2：多行为交互模型构建：构建一个综合考虑多种用户行为的推荐模型，该模型能够捕捉不同行为之间的关系及其对用户偏好的影响；
9、步骤2.1：构建多行为异构交互二分图二分图中的节点表示用户和项目，不同样式的边表示不同类型的用户行为；
10、构建用户的社交网络二分图二分图采用无向图表示，若有连边<u1,u2>则表示用户u1与u2为社交好友，反之为非好友关系；
11、构造出项目-项目隐式关系图
12、步骤2.2：用户嵌入向量建模；
13、步骤2.2.1：用户节点作为共有节点桥接了两张图：多行为用户-项目交互图和用户的社交影响图，多行为项目聚合根据用户不同行为下的项目交互历史学到用户的项目偏好，首先将用户同一行为下交互的项目聚合在一起，其过程表示为：
14、
15、其中，in表示位于多行为图上，表示所有的，m代表由图神经网络参数化的多行为嵌入空间，l指的是第l阶的嵌入表示，表示多行为交互图用户节点ui在行为k下的邻居项目节点；而表示的是第l层k行为类别下项目vj的嵌入向量，是表示行为k下用户ui交互的项目节点数量；
16、步骤2.2.2：多行为聚合的定义如下所示：
17、
18、其中，表示用户ui在第l层的多行为嵌入，wl为第l层的信息聚合编码矩阵，bl为偏置项，而σ表示激活函数；αi,k表示在从多行为交互历史中描述用户偏好时，行为k的交互对用户ui的贡献权重，由自注意力机制获得；
19、αi,k的计算过程如下：
20、
21、
22、步骤2.2.3：为了融合不同维度、不同行为背景下的交互信息，将不同行为产生的嵌入向量集成在一起，以形成一个多层次、多维度的用户表示
23、
24、将社交邻居集中用户的多行为空间嵌入到用户ui的社会空间嵌入向量中；采用用自注意力机制对联系强度进行区分性建模，如下所示：
25、
26、
27、
28、其中，βi′i表示用户ui的不同社交好友的对该用户偏好的影响强度，表示邻居节点ui‘的多行为向量，表示用户ui在社交图w2t表示转换矩阵的倒置，表示第l层邻居节点ui′的的社交向量，b、b1、b2都为偏置项；
29、步骤2.2.4：通过标准的多层感知机将多行为空间中的用户嵌入向量与社会空间中的用户嵌入向量结合起来，形成最终的用户嵌入向量hi：
30、
31、其中，表示串联操作，σ是非线性激活函数，wl和bl分别是第l个隐藏层的权重矩阵和偏置向量；
32、步骤2.3：多行为用户聚合的形式化定义如下：
33、
34、其中，表示项目vj的行为k嵌入，表示其在图上的行为k邻居集；
35、将不同行为产生的嵌入向量进行自注意力融合，形成了一个包含了跨行为特征的项目嵌入表示：
36、
37、
38、式中γi,k是不同行为向量的贡献强度因子；
39、在项目-项目图上采用相同的聚合传播函数得到该空间下的项目向量然后将得到的和输入mlp得到总项目向量hj，mlp表示多层感知机，在实验设置中均设为两层神经网络；
40、步骤2.4：联合预测；
41、将步骤2.2得到的用户嵌入向量hi和步骤2.3得到的总项目向量hj进行内积处理得到结果a，然后将步骤2.2得到的用户嵌入向量hi和步骤2.3得到的总项目向量hj进行进行拼接后输入mlp得到结果b，将a和b拼接后输入联合预测层，进行预测平分；
42、步骤3：在目标行为与各个辅助行为之间进行对比学习，形式化定义如下：
43、
44、其中，ui∈u表示用户集u中的节点ui，表示用户的辅助行为k’与目标行为k的社交对比损失，为辅助行为与目标行为的用户向量正对，为负对，τ是温度系数超参；项目的对比学习损失通过结合用户和项目下的所有对比损失，得到多行为对比任务的损失
45、
46、其中，表示项目的对比学习损失，计算社交对比损失
47、
48、将来自多行为空间的和本文档来自技高网...
【技术保护点】
1.一种基于多行为交互和对比学习的推荐方法，包括以下步骤：
2.如权利要求1所示的一种基于多行为交互和对比学习的推荐方法，其特征在于，所述步骤1的具体方法为：
3.如权利要求1所示的一种基于多行为交互和对比学习的推荐方法，其特征在于，所述步骤2.2的具体方法为：
【技术特征摘要】
1.一种基于多行为交互和对比学习的推荐方法，包括以下步骤：
2.如权利要求1所示的一种基于多行为交互和对比学习的推荐方法，其特征在于...
【专利技术属性】
技术研发人员：蔡世民，宗雨欣，周洲，傅佳旭，胡铮，
申请(专利权)人：电子科技大学，
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。