一种基于自监督变分自编码器的物品推荐方法技术

本发明专利技术提供了一种基于自监督变分自编码器的物品推荐方法。该方法包括：获取推荐主任务数据，收集用户反馈数据，构建用户

【技术实现步骤摘要】
一种基于自监督变分自编码器的物品推荐方法


[0001]本专利技术涉及个性化推荐
，尤其涉及一种基于自监督变分自编码器的物品推荐方法。

技术介绍

[0002]变分自编码器(Variational Autoencoders，VAE)包括编码器和解码器两部分；编码器根据用户
‑
物品反馈矩阵学习用户特征的变分分布，从分布中采样获取用户特征矩阵；解码器根据用户特征矩阵预测用户感兴趣的物品。
[0003]自监督学习(Self
‑
supervised Learning，SSL)：利用辅助任务从大规模的无监督数据中挖掘数据自身的监督信息来提高学习特征的质量，通过构造的监督信号对模型进行训练。
[0004]随着互联网的快速发展，在线信息爆炸式增长，推荐系统已经成为应对信息过载问题的一种有效工具，在新闻推荐、在线购物、餐馆预订、影视推荐等诸多互联网平台发挥着重要作用。
[0005]协同过滤是构建个性化推荐系统的核心技术之一。基于变分自编码器(VAE)的协同过滤方法以其优秀的性能从众多的协同过滤方法中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督变分自编码器的物品推荐方法，其特征在于，包括：获取推荐主任务数据，收集用户反馈数据，构建用户
‑
物品反馈矩阵；获取自监督辅助任务数据，利用所述自监督辅助任务数据进行数据增广获得增广后的用户
‑
物品反馈矩阵；将所述用户
‑
物品反馈矩阵和所述增广后的用户
‑
物品反馈矩阵输入到自监督变分自编码器SSVAE模型，利用目标函数优化算法训练SSVAE模型，得到训练好的SSVAE模型；根据训练好的SSVAE模型预测用户对未评分物品的喜好程度，并将预估分值较高的物品推荐给用户。2.根据权利要求1所述的方法，其特征在于，所述的获取推荐主任务数据，收集用户反馈数据，构建用户
‑
物品反馈矩阵，包括：获取推荐主任务数据，收集用户反馈数据，将用户反馈数据表示为用户
‑
物品反馈矩阵X∈{0，1}
m
×
n
，其中m、n分别表示用户、物品的数量；矩阵的第u行是用户u的反馈向量，记录了用户u的历史交互行为，x
ui
＝1表示用户u与物品i发生过交互行为，x
ui
＝0表示用户u与物品i尚未产生交互。3.根据权利要求1所述的方法，其特征在于，所述的获取自监督辅助任务数据，利用所述自监督辅助任务数据进行数据增广，获得增广后的用户
‑
物品反馈矩阵，包括：获取自监督辅助任务数据，增广用户反馈数据并构造自监督学习任务的正负样本对，对于用户
‑
物品反馈矩阵X，以固定的概率α丢弃X中一部分历史交互物品的节点信息，丢弃节点的值用0代替，表示如下：X
′
＝P
′⊙
X，X
″
＝P
″⊙
X其中和是两个独立的掩码向量，
⊙
是哈达玛乘积，X
′
和X
″
是增广后的用户
‑
物品反馈矩阵，表示用户反馈的两个不同视图，每个视图代表用户的部分反馈数据，矩阵X
′
和X
″
的第u行x
′
u
和x
″
u
表示在对应视图下用户u的反馈向量；同一用户在不同视图下的反馈向量x
′
u
和
″
u

【专利技术属性】
技术研发人员：王靖，张志飞，邬俊，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：