【技术实现步骤摘要】
本专利技术属于推荐系统领域，具体涉及一种多行为共性融合他推荐方法及系统。
技术介绍
1、在信息过载的时代，如何从海量数据中提取出用户所感兴趣的信息是一个核心要义，推荐系统作为数据挖掘的应用实践，其目的是为了实现该要义，通过精确挖掘出每个用户的兴趣偏好从而为每个用户提供符合自身兴趣的信息。个性化的推荐系统已经在视频平台、电子商务、社交平台等领域广泛被采用，以缓解信息过载带来的连锁问题。大多数现有的推荐模型通常仅利用其对应目标任务的行为数据，实质上，其他类型的行为往往包含潜在的用户兴趣表示。例如，在在线零售平台上，用户与物品之间可能涉及多种类型的行为，如浏览、加入购物车、购买等，不同类型的行为对应着用户不同维度的偏好。仅仅利用目标行为来代表用户整体偏好存在着次优问题，如何有效地捕获并融合多种类型行为所对应的不同角度的用户偏好具有挑战性。因此，近来的模型开始引入多类型行为数据，通过利用多类型行为数据建模不同类型数据内的相关性以及不同类型数据之间的依赖性，采用两范式的形式构建多行为推荐模型。此外，近来相关工作开始引入对比学习辅助模型的学习。
2、然而，尽管现有模型在一定程度上实现了性能改进，但仍面临一些主要弱点。首先，模型还存在数据稀疏性和语义真实性，尽管使用了多种辅助行为数据来辅助建模用户的偏好，但相较于目标行为，其对于目标任务的影响程度较小，目标数据的稀疏性仍然存在。并且多类型行为语义间的融合可能导致破坏用户的真实语义，因此如何正确的指导行为语义间融合和解决稀疏性是至关重要的。其次，现有的多行为推荐模型通常对各个行为内的
技术实现思路
1、本专利技术的目的在于提供一种多行为共性融合他推荐方法及系统，该方法及系统有利于提高向用户推荐感兴趣物品的准确性。
2、为了实现上述目的，本专利技术采用的技术方案是：一种多行为共性融合推荐方法，包括以下步骤：
3、步骤a：获取用户的行为数据，包含用户id、目标物品id、交互类型和交互时间，并对获取到的数据进行预处理，而后构建训练集；
4、步骤b：构建基于多行为共性融合的深度学习网络模型g，所述深度学习网络模型g获取不同类型行为的共性信息并融合到最终偏好表示中，同时通过多角度对比学习辅助多种表征的学习；使用训练集训练深度学习网络模型g，在训练集上通过最小化损失函数训练得到所需的深度学习网络模型g；
5、步骤c：将预处理好的待推荐用户与候选物品数据输入训练好的深度学习网络模型g中，输出当前用户对目标物品产生目标行为的概率。
6、进一步地，所述步骤a具体包括以下步骤：
7、步骤a1：获取现有通用的多行为推荐数据集；多行为推荐数据集中的每一个样本包含用户id、目标物品id以及交互的行为类型、是否产生交互以及交互时间；
8、步骤a2：对每个多行为推荐数据集进行预处理，包括：删除异常值数据；去除交互数少于5的用户与交互数少于10的物品以减少交互数较少的用户与物品；以预处理后的多行为推荐数据集形成训练集。
9、进一步地，所述步骤b具体包括以下步骤：
10、步骤b1：将训练集根据不同行为类型进行划分，并构造不同类型的用户-物品交互图gk；
11、步骤b2：将不同类型的用户-物品交互图gk输入到对应的初始化嵌入层中，得到对应第k个行为类型的用户初始化嵌入与物品初始化嵌入基于多个类型的初始化嵌入，得到用户对应的整体初始化嵌入eu和物品对应的整体初始化嵌入ei；
12、步骤b3：构建一个行为感知关系网络，将步骤b2得到的用户的整体初始化嵌入eu与物品的整体初始化嵌入ei作为行为感知关系网络第一层的输入，并分别输入到行为内关系编码器中捕获同一类型内特定的上下文信息，得到用户和物品的行为内关系表示和然后将用户的所有类型的行为内关系表示和物品的行为内关系表示分别输入到行为间关系编码器中捕获不同类型之间的关系依赖性，得到用户和物品对应的整体行为间关系表示和分别以多个类型的行为间关系表示聚合得到；并以每一层的输出作为下一层的输入进行迭代聚合，利用全连接层融合用户与物品的多个层的行为间关系表示，得到和
13、步骤b4：依据每个类型的用户-物品交互图，构造异构关系的整体用户-物品交互图gall；构建一个多视图元网络，基于整体用户-物品交互图gall与步骤b3每一层网络得到的行为间关系表示，构造用户每一层特有类型的元特征视图和物品每一层特有类型的元特征视图从而捕获不同类型中的共性信息；将得到的每一层中不同类型的元特征视图分别输入到个性化的元网络f1与f2，从而捕获到自适应的变换矩阵；并利用自适应的变换矩阵将每一层中不同类型的共性信息聚合以得到用户和物品在每一层下的个性化的共性表示和构造特征去偏差网络增强提取的共性表示的真实性，并提高共性表示的鲁棒性；针对得到的每一层的共性表示，基于比例融合的方式融合以得到多层融合的共性表示和将步骤b3得到的用户的行为间关系表示和物品的行为间关系表示与步骤b4得到的用户的共性表示和物品的共性表示以比例融合的方式进行聚合，得到最终的用户偏好表示和物品偏好表示
14、步骤b5：构建一个多角度对比学习范式，利用均匀噪声增强方式对步骤b3中每一层的用户与物品的行为间关系表示生成相对应的增强视图；并与原视图构成对比学习，分别得到用户和物品的基于均匀噪声增强的对比损失与利用融合了共性信息的用户最终偏好表示与用户的行为间关系表示和物品最终偏好表示与物品的行为间关系表示分别进行基于特征融合的对比学习，得到用户和物品的对比损失与
15、步骤b6：对一个批次中的用户进行随机负采样，以生成对应的正样本交互集合与负样本交互集合；利用成对损失函数进行预测损失的计算；然后与多个对比损失融合，得到最终的优化目标损失，然后通过反向传播方法计算深度学习网络模型g中各参数的梯度，并利用adam优化算法更新各参数从而约束损失大小；
16、步骤b7：利用用户与物品的最终偏好表示进行模型的训练，当深度学习网络模型产生的损失值小于设定的阈值或达到最大的迭代次数时，终止深度学习网络模型g的训练。
17、进一步地，所述步骤b2具体包括以下步骤：
18、步骤b21：利用用户-物品交互图输入到对应的初始化嵌入层中，分别得到用户的特定类型的初始化嵌入和物品的特定类型的初始化嵌入
19、步骤b22：将步骤b21得到的每个类型的初始化嵌入以列表的形式聚合起来，得到用户的整体初始化嵌入和物品的整体初始化嵌入
20、进一步地，所述步骤b3具体包括以下步骤：
21、步骤b31：构建行为感知关系网络，其包含行为内关系编码器与行为间关系编码器，分别通过记忆加权网络与带有残差连接的多头本文档来自技高网...
【技术保护点】
1.一种多行为共性融合推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多行为共性融合推荐方法，其特征在于，所述步骤A具体包括以下步骤：
3.根据权利要求1所述的多行为共性融合推荐方法，其特征在于，所述步骤B具体包括以下步骤：
4.根据权利要求3所述的多行为共性融合推荐方法，其特征在于，所述步骤B2具体包括以下步骤：
5.根据权利要求4所述的多行为共性融合推荐方法，其特征在于，所述步骤B3具体包括以下步骤：
6.根据权利要求5所述的多行为共性融合推荐方法，其特征在于，所述步骤B4具体包括以下步骤：
7.根据权利要求6所述的多行为共性融合推荐方法，其特征在于，所述步骤B5具体包括以下步骤：
8.根据权利要求7所述的多行为共性融合推荐方法，其特征在于，所述步骤B6具体包括以下步骤：
9.一种多行为共性融合推荐系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一项所述的方法步骤。p>...
【技术特征摘要】
1.一种多行为共性融合推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多行为共性融合推荐方法，其特征在于，所述步骤a具体包括以下步骤：
3.根据权利要求1所述的多行为共性融合推荐方法，其特征在于，所述步骤b具体包括以下步骤：
4.根据权利要求3所述的多行为共性融合推荐方法，其特征在于，所述步骤b2具体包括以下步骤：
5.根据权利要求4所述的多行为共性融合推荐方法，其特征在于，所述步骤b3具体包括以下步骤：
6.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。