【技术实现步骤摘要】
本专利技术涉及人工智能优化操作系统，具体为基于自适应全局图建模和意图对比学习的序列推荐方法。
技术介绍
1、随着在线推荐系统的广泛应用，如何精准捕捉用户的意图并提供个性化的推荐成为重要研究方向。传统的推荐系统多依赖于用户的历史行为数据，然而，这种方法往往忽略了挖掘用户意图的深层次含义以及项目间的高阶关系。因此，研究一种结合全局信息和个性化特征的推荐模型显得尤为重要。
2、例如公告号为cn111967941b的专利技术专利，公告了一种构建序列推荐模型的方法和序列推荐方法，构建序列推荐模型的方法包括：构建第一序列推荐模型和第二序列推荐模型，其中，第一序列推荐模型设有多个空洞卷积残差块，第二序列推荐模型包含与第一序列推荐模型一一对应的轻量级空洞卷积残差块；训练第一序列推荐模型，获得预训练的第一序列推荐模型；对第二序列推荐模型和预训练的第一序列推荐模型进行协同训练，并使第二序列推荐模型学习预训练的第一序列推荐模型的行为；基于经协同训练的第二序列推荐模型构建用于预测推荐项的序列推荐模型。
3、例如公告号为cn113762477b的专利技术专利，公告了一种构建序列推荐模型的方法和序列推荐方法，包括：构建输入序列的自适应邻接矩阵，基于自适应邻接矩阵构建项目第一嵌入；基于图神经网络的邻接矩阵构建项目第二嵌入；根据项目第一嵌入和项目第二嵌入，通过注意力机制构建用户的局部兴趣模型；构建用户的全局兴趣模型和目标序列的嵌入，并根据目标序列的嵌入、用户的局部兴趣模型和全局兴趣模型构建序列推荐模型；基于梯度下降及贝叶斯个性化排序构建
4、结合上述技术方案发现，存在有序列推荐技术方案，其序列推荐的分析维度较为单一，可能导致推荐结果的泛化能力不足，以至于影响对用户的行为预测，最终影响用户的使用。
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于自适应全局图建模和意图对比学习的序列推荐方法，能够有效解决上述
技术介绍
中涉及的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：基于自适应全局图建模和意图对比学习的序列推荐方法，包括：s1.获取用户与物品之间的历史交互数据，并基于规则进行排序，得到用户历史行为序列，构建为关联图，对关联图进行改进优化，得到并记为用户行为序列全局图；s2.将用户行为序列全局图划分为用户各行为序列子图，与用户嵌入相结合，并注入序列编码器的局部模块中，将用户行为序列全局图，注入序列编码器的全局模块中，使局部模块和全局模块的输出进行融合，得到用户行为序列的表示；s3.通过序列编码器，从用户行为序列中提取得到用户意图，与用户行为序列的表示进行对比学习，将用户行为序列的表示，与其他用户行为序列的表示进行对比学习，综合得到用户的序列推荐；s4.基于用户的序列推荐，对用户进行预测，根据预测结果对序列推荐进行优化，以此完成自适应全局图建模和意图对比学习的序列推荐。
3、作为进一步的方法，所述基于规则进行排序，得到用户历史行为序列，构建为关联图，具体分析过程为：所述规则具体是按照各历史交互时间点的时间顺序进行排序；所述用户与物品之间的历史交互数据，具体是用户在各历史交互时间点下与物品的交互数据；所述得到用户历史行为序列，具体是将用户在各历史交互时间点下与物品的交互数据，按照各历史交互时间点的时间顺序进行排序，得到并记为各用户历史行为子序列，由此各用户历史行为子序列的集合称为用户历史行为序列；所述用户历史行为序列分为项目集合以及用户与项目之间的关系集合；所述构建为关联图，具体是将用户历史行为序列中的项目集合以及用户与项目之间的关系集合，按照预定义方式进行连接，具体表达式为：关联图g＝(v，e)，其中v是项目集合，e＝e(i，j是用户与项目之间的关系集合，e(i，j)表示为关联图中第e条边的顶点i与顶点j之间的关系，e＝1,2,3,...,e。
4、作为进一步的方法，所述对关联图进行改进优化，得到并记为用户行为序列全局图，具体分析过程为：上述对关联图进行改进优化，具体是将关联图通过轻量级图卷积网络作为图编码器来优化，得到并记为用户行为序列全局图；所述用户行为序列全局图表示是通过图编码器将来自轻量级图卷积网络各l层的关联图进行嵌入的加权和获得的，如下所示：
5、
6、式中，是用户行为序列全局图表示，e(0)是第0层的关联图表示，e(r)表示为第r层的关联图表示，e(l)是第l层的关联图表示，l是轻量级图卷积网络中特定层级表示，r＝0,2,3,...,l,r表示为轻量级图卷积网络中的任意层级。
7、作为进一步的方法，所述使局部模块和全局模块的输出进行融合，得到用户行为序列的表示，具体分析过程为：获取用户行为序列全局图各位置点p的位置权重，记为ip；融合层的输出表示被构造为：
8、
9、式中，hu为融合层的输出，ip为位置p的项目对预测用户意图的重要性，表示为序列编码器的局部模块输出，为序列编码器的全局模块输出；所述得到用户行为序列的表示，具体是中最后一个向量被用作用户序列的表示，其中
10、作为进一步的方法，所述用户意图，与用户行为序列的表示进行对比学习，具体分析过程为：获取用户行为序列全局图在向量空间中的两个向量，分别记为h1和h2；将向量空间中与向量h1和h2距离最小的意图原型分别作为这两个向量的意图i1和i2；用户行为序列的表示和用户意图之间的对比学习任务构造如下：
11、lintent_cl＝lcl(h1,i1)+lcl(h2,i2)；
12、式中，lintent_cl表示为用户行为序列的表示和用户意图之间的对比学习，lcl表示为用户行为序列，h1和h2表示为向量空间中的距离，i1和i2表示为与h1和h2距离最小的意图原型，并作为用户意图。
13、作为进一步的方法，所述将用户行为序列的表示，与其他用户行为序列的表示进行对比学习，具体分析过程为：获取用户行为序列的当前序列，记为s1；针对当前序列s1，从具有相同标签的序列中随机采样，以获取具有相同意图的序列s2，以此作为序列间的对比，其学习任务构造如下：
14、lseq_cl＝lcl(h1,h2)；
15、式中，lseq_cl为用户行为序列之间的对比，lcl为为用户行为序列，h1和h2表示为向量空间中的两个向量。
16、作为进一步的方法，所述基于用户的序列推荐，对用户进行预测，具体分析过程为：所述对用户进行预测，具体是给定序列表征hu和项目嵌入矩阵v，预测分数计算如下：
17、
18、其中为预测分数，hu为给定的序列表征，vt为项目嵌入矩阵的转置，rv|为目嵌入矩阵的行列式表示，softmax表示为归一化函数；对交叉熵损失进行优化，以最大限度地提高正确预测的概率：
19、
20、式中，lrec为对用户进行预测的准确率，g∈v是用户u的下一项交互的真实项目，j是用户u的下一项交互的预测项目，j∈v。
本文档来自技高网...【技术保护点】
1.基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于，包括：
2.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述基于规则进行排序，得到用户历史行为序列，构建为关联图，具体分析过程为：
3.根据权利要求2所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述对关联图进行改进优化，得到并记为用户行为序列全局图，具体分析过程为：
4.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述将用户行为序列全局图划分为用户各行为序列子图，与用户嵌入相结合，并注入序列编码器的局部模块中，具体分析过程为：
5.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述将用户行为序列全局图，注入序列编码器的全局模块中，具体分析过程为：
6.根据权利要求5所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述使局部模块和全局模块的输出进行融合，得到用户行为序列的表示，具体分析过程为：
7.根据
8.根据权利要求7所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述将用户行为序列的表示，与其他用户行为序列的表示进行对比学习，具体分析过程为：
9.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述基于用户的序列推荐，对用户进行预测，具体分析过程为：
10.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述根据预测结果对序列推荐进行优化，具体是采用多任务训练策略共同优化多个预测任务。
...【技术特征摘要】
1.基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于，包括：
2.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述基于规则进行排序，得到用户历史行为序列，构建为关联图，具体分析过程为：
3.根据权利要求2所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述对关联图进行改进优化，得到并记为用户行为序列全局图，具体分析过程为：
4.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述将用户行为序列全局图划分为用户各行为序列子图，与用户嵌入相结合，并注入序列编码器的局部模块中，具体分析过程为：
5.根据权利要求1所述基于自适应全局图建模和意图对比学习的序列推荐方法，其特征在于：所述将用户行为序列全局图，注入序列编码器的全局模块中，具体分析过程为：
6.根据权利要求...
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。