【技术实现步骤摘要】
本专利技术涉及电子商务，具体为结合元学习与因果推断的电商场景冷启动推荐方法。
技术介绍
1、现有的电商推荐系统在面对冷启动问题时,仍然存在一些局限性和不足。传统的推荐方法主要依赖于用户的历史交互数据,对于新用户或新商品缺乏足够的交互信息,导致推荐质量和个性化程度不高。虽然有研究尝试利用用户和商品的辅助信息来缓解冷启动问题,但往往没有考虑用户特征和商品特征之间的内在联系和影响机制,忽略了它们之间的因果关系,使得推荐结果的解释性和合理性不足。
2、此外,现有的跨域推荐方法旨在利用源域的知识来辅助目标域的推荐任务,但它们通常假设不同域之间的用户偏好和行为模式是一致的,忽略了不同场景下用户决策机制的差异性,导致迁移学习的效果受到限制。同时,现有的推荐方法虽然能够从历史任务中学习通用知识,快速适应新的任务,但它们主要关注模型的迁移能力,而没有充分利用领域知识和因果关系来指导推荐过程,使得鲁棒性有待提高。
3、因此,亟需一种能够综合利用多源数据、考虑因果机制、适应不同场景、学习鲁棒表征的冷启动推荐方法,以更好地解决电商场景下的冷启动问题,提供更加个性化和高质量的推荐服务。
4、鉴于此，本专利技术提出结合元学习与因果推断的电商场景冷启动推荐方法。
技术实现思路
1、为实现上述目的，本专利技术提供结合元学习与因果推断的电商场景冷启动推荐方法，具体技术方案如下：结合元学习与因果推断的电商场景冷启动推荐方法，包括：
2、步骤1：获取用户特征数据和商品特征
3、步骤2：分析用户特征数据与商品特征数据之间的交互因果关系,结合领域知识构建因果图,采用因果推断方法,量化用户行为对商品推荐的因果影响因子；
4、步骤3：基于元学习框架构建电商销售场景下冷启动的商品推荐模型,并将冷启动问题转化为跨任务的迁移学习问题；
5、步骤4：基于历史任务数据训练元模型,使元模型学习不同任务间的通用模式,适配电商销售场景下的冷启动任务；
6、步骤5：将因果推断得到的影响因子作为约束条件,优化元学习推荐模型的目标函数；
7、步骤6：针对不同用户或商品的特定因果关系,设计个性化的推荐策略，结合因果推断的约束条件生成个性化的冷启动推荐结果。
8、优选的，获取用户特征数据，包括收集用户的人口统计学特征、行为特征和社交特征；
9、获取商品特征数据，包括收集商品的内容特征、类别特征和统计特征。
10、优选的，构建多层感知机mlp模型,以用户特征和商品特征为输入,学习嵌入表示和；
11、通过多层感知机mlp模型得到用户嵌入矩阵和商品嵌入矩阵,其中,为嵌入维度,为用户集合，为商品集合；每个用户和商品分别对应一个维嵌入向量和。
12、优选的，采用基于图模型的pc算法进行因果关系发现和因果图构建；pc算法的步骤如下:
13、步骤a：初始化一个完全无向图,其中节点集合包含所有用户特征节点和商品特征节点；
14、步骤b：对于任意两个节点,通过条件独立性检验判断它们是否存在边；
15、步骤c：假设条件集为,若和在给定的条件下独立,则删除和之间的边；
16、步骤d：根据统计学知识确定条件独立性检验的阈值；
17、步骤e：重复步骤b和c直到所有节点对的条件独立性检验完成；
18、步骤f：根据v-结构和领域知识,将无向图中的部分边定向,得到部分有向无环图；
19、步骤g：利用无环图的性质,将剩余的无向边定向,得到完全有向无环图,即得到因果图。
20、优选的，采用前沿集的因果效应估计，对于因果图中的每个节点,计算每个节点对所有子节点的因果效应；
21、设节点的所有子节点集合为,对于每个子节点:找到从到的所有有向路径,记为,其中为路径数量；
22、对于每条路径,计算因果强度:；其中,表示边的因果强度；
23、计算对的因果效应:；
24、综合所有子节点的因果效应,得到节点的总因果效应:；
25、引入权重因子对对用户－商品交互的因果效应进行加权,得到加权因果效应:
26、
27、其中,,,分别表示电商交易场景中的点击、购买和评分三种交互模式下的因果效应,、和表示电商交易场景中的点击、购买和评分的影响因子；
28、量化因果影响因子，基于加权因果效应,计算用户特征对商品特征的因果影响因子:
29、
30、将所有用户特征对所有商品特征的因果影响因子，进行整合，生成因果影响因子矩阵，为所有用户特征节点，为所有商品特征节点。
31、优选的，将电商场景下的冷启动推荐问题转化为跨任务的迁移学习问题；获取个历史推荐任务,每个任务包含一个支持集和一个查询集，；
32、支持集包含用户-商品交互数据,表示为,其中表示第个用户-商品对的特征向量,表示用户是否对商品感兴趣,为支持集的大小；查询集包含需要预测的用户-商品对,表示为,其中为查询集的大小。
33、优选的，采用模型参数元学习maml框架,学习适应不同任务的初始化推荐模型参数；
34、使用历史任务数据训练元模型,学习不同任务间的通用模式,适配新的冷启动任务；采用如下元训练过程:
35、随机初始化参数，对于每个历史任务，在支持集上计算损失函数的梯度；使用梯度下降法更新参数,得到任务特定的参数:
36、在查询集上计算任务特定模型的损失值；更新初始化参数，重复元模型训练过程,直到初始化参数收敛或达到预设的迭代次数。
37、优选的，将因果推断得到的影响因子矩阵作为约束项,优化元学习推荐模型的目标函数；
38、针对不同用户或商品的特定因果关系,设计个性化的推荐策略；对于用户,根据用户特征向量和因果影响因子矩阵,计算用户对不同商品特征的偏好权重向量:
39、
40、其中,为用户特征向量的第个元素，,表示用户和商品之间的交互评分。
41、优选的，结合因果推断的约束条件,生成个性化的冷启动推荐结果；
42、对于新用户,利用用户特征向量和商品特征向量，通过适应后的推荐模型,预测新用户对所有商品的偏好得分:；
43、根据预测得分和个性化偏好权重向量,计算最终的冷启动场景的商品推荐得分:
44、
45、其中,为平衡因子,为商品特征向量的第个元素；根据冷启动推荐得分对商品进行排序,生成新用户的个性化冷启动商品推荐列表。
46、结合元学习与因果推断的电商场景冷启动推荐系统，其用于实现所述的结合元学习与因果推断的电商场景冷启动推荐方法，包括：数据采集模块、因果分析模块、元学习模块以及冷启动推荐模块；
47、所述数据采集模块，用于获取用户特征数据和商品特征数据，将提取到的用户和商品特征向量化本文档来自技高网...
【技术保护点】
1.结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，包括：
2.根据权利要求1所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，获取用户特征数据，包括收集用户的人口统计学特征、行为特征和社交特征；
3.根据权利要求2所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，构建多层感知机MLP模型,以用户特征和商品特征为输入,学习嵌入表示和；
4.根据权利要求3所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，采用基于图模型的PC算法进行因果关系发现和因果图构建；PC算法的步骤如下:
5.根据权利要求4所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，采用前沿集的因果效应估计，对于因果图中的每个节点,计算每个节点对所有子节点的因果效应；
6.根据权利要求5所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，将电商场景下的冷启动推荐问题转化为跨任务的迁移学习问题；获取个历史推荐任务,每个任务包含一个支持集和一个查询集，；
7.根据权利要求6所
8.根据权利要求7所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，将因果推断得到的影响因子矩阵作为约束项,优化元学习推荐模型的目标函数；
9.根据权利要求8所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，结合因果推断的约束条件,生成个性化的冷启动推荐结果；
10.结合元学习与因果推断的电商场景冷启动推荐系统，其用于实现权利要求1至9任一项所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，包括：数据采集模块、因果分析模块、元学习模块以及冷启动推荐模块；
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1至9任一项所述的结合元学习与因果推断的电商场景冷启动推荐方法。
12.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至9任一项所述的结合元学习与因果推断的电商场景冷启动推荐方法。
...【技术特征摘要】
1.结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，包括：
2.根据权利要求1所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，获取用户特征数据，包括收集用户的人口统计学特征、行为特征和社交特征；
3.根据权利要求2所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，构建多层感知机mlp模型,以用户特征和商品特征为输入,学习嵌入表示和；
4.根据权利要求3所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，采用基于图模型的pc算法进行因果关系发现和因果图构建；pc算法的步骤如下:
5.根据权利要求4所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，采用前沿集的因果效应估计，对于因果图中的每个节点,计算每个节点对所有子节点的因果效应；
6.根据权利要求5所述的结合元学习与因果推断的电商场景冷启动推荐方法，其特征在于，将电商场景下的冷启动推荐问题转化为跨任务的迁移学习问题；获取个历史推荐任务,每个任务包含一个支持集和一个查询集，；
7.根据权利要求6所述的结合元学习与因果推断的电商场景冷启动推荐方法，其...
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。