基于任务对齐元学习和增广图的推荐系统、方法、终端及介质技术方案

本申请提供基于任务对齐元学习和增广图的推荐系统、方法、终端及介质，本发明专利技术提出TMAG来同时解决模型层面和特征层面的冷启动问题。在模型层面，提供一个任务对齐的构造器来捕捉可以快速适应新用户的潜在聚类知识，从而解决局部最优问题；还采用任务级属性对比正则项来增强潜在的聚类知识。在特征层面，结合图结构信息和属性信息来扩充图的邻接矩阵，从而缓解数据稀疏问题。对三个真实世界数据集的广泛实验证明了本发明专利技术的模型在冷启动推荐方面的有效性。效性。效性。

【技术实现步骤摘要】
基于任务对齐元学习和增广图的推荐系统、方法、终端及介质


[0001]本申请涉及冷启动及推荐
，特别是涉及基于任务对齐元学习和增广图的推荐系统、方法、终端及介质。

技术介绍

[0002]推荐系统旨在发现用户的兴趣，并已广泛应用于各种在线系统，例如电子商务平台、在线广告和社交平台。尽管传统矩阵分解(MF)模型和流行的深度学习模型取得了成功，但因为缺乏用户
‑
物品交互，大多数推荐系统面临的主要挑战之一是冷启动问题。由于新用户最初收到糟糕的推荐时可能会放弃系统，因此解决这个问题至关重要。
[0003]缓解冷启动问题的传统方法是利用特征层面策略，它可以分为两大类。第一类是建模固有信息(例如，用户画像，物品属性和跨领域知识)以增强新用户或新物品的表示；第二类是通过图神经网络(GNN)和异构信息网络(HIN)对特征交互建模以捕捉高阶协同信号。尽管取得了进展，但这些方法从特征层面处理冷启动问题，这在很大程度上依赖于特征的可用性和质量。
[0004]另一方面，在模型层面，最近，基于少样本学习和元学习的工作在解决各个领域的数据稀疏问题方面取得了显著进展。当前大多数元学习方法采用基于优化的算法(例如，MAML)来解决冷启动问题。这种方法的主要思想是学习一个全局参数来初始化个性化模型的参数。这些方法构建了各种模拟冷启动场景的小样本用户偏好任务，并在元训练任务中提取元知识作为强泛化先验。然后，学习到的先验知识可以快速适应元测试期间交互稀少的新用户。
[0005]然而，现有的元学习方法具有以下局限性。他们将每个用户看做是一个任务，并在所有用户之间学习全局共享的元知识。在处理梯度下降方法与主要用户不同的用户时，粗粒度的全局知识使模型陷入局部最优。如图1A所展示的传统元学习框架示意图，由于年龄差异，主导梯度下降的方向，因此参数θ偏向次优解。此外，现有方法没有充分利用固有信息和特征交互的优势，而这对于新用户和物品的建模至关重要。

技术实现思路

[0006]鉴于以上所述现有技术的缺点，本申请的目的在于提供基于任务对齐元学习和增广图的推荐系统、方法、终端及介质，用于解决现有技术没有充分利用固有信息和特征交互的优势来进行推荐的技术问题。
[0007]为实现上述目的及其他相关目的，本申请的第一方面提供一种基于任务对齐元学习和增广图的推荐系统，包括：任务对齐构造器模块，用于将用户画像和物品内容作为输入参数，并输出对应的用户特征嵌入和物品特征嵌入；基于用户特征嵌入和物品特征嵌入将用户分为不同的用户集群，据以生成支持集和查询集，以形成任务集群；增广图神经网络模块，用于基于所述任务集群构建用户
‑
物品二部图并捕捉高阶用户
‑
物品交互信息；基于预设策略为用户生成潜在的交互；将用户或物品的最终层图嵌入与其相应的属性嵌入拼接得
到用户或物品的最终嵌入；对比正则化模块，用于采用任务属性对比正则项来增强潜在的聚类知识。
[0008]于本申请的第一方面的一些实施例中，所述任务对齐构造器模块包括自编码子模块；所述自编码子模块包括面向属性的自编码器；所述自编码器的目标函数包括：
[0009]其中，W
u
表示所有可训练的模型参数；λ控制L2正则化强度以防止过拟合。
[0010]于本申请的第一方面的一些实施例中，所述任务对齐构造器模块包括任务构建子模块；所述任务构建子模块利用K
‑
Means算法，从自编码子模块中学习到的用户分成不同的用户集群，基于所述用户集群生成支持集和查询集，以形成任务集群。
[0011]于本申请的第一方面的一些实施例中，所述增广图神经网络模块包括图嵌入传播子模块、图增广生成器子模块、模型预测子模块。
[0012]于本申请的第一方面的一些实施例中，所述图嵌入传播子模块从任务构建子模块获得任务集群后构建用户
‑
物品二部图，并利用任务中用户的交互作为训练数据，执行GCN来捕捉交互图的高阶结构信息。
[0013]于本申请的第一方面的一些实施例中，图增广生成器子模块用于基于如下任一种策略为用户生成潜在的交互：策略一是挖掘交互图的结构并捕捉在途中未出现的用户
‑
物品对的潜在依赖关系；策略二是利用交互物品来表示用户，并根据交互物品与用户的属性相似性来增加潜在物品。
[0014]于本申请的第一方面的一些实施例中，模型预测子模块用于将用户u的最终L层图嵌入与其相应的属性嵌入拼接起来，以基于更细粒度的方式进行建模。
[0015]于本申请的第一方面的一些实施例中，所述推荐系统包括设置联合优化的损失函数如下：
[0016]L＝L
pre
+λ1L
gen
+λ2L
MI
+λ3||
⊙
||2；
[0017]其中，
⊙
表示L
pre
和L
gen
中的所有可训练参数，而L
MI
没有添加额外的参数；λ1、λ2、λ3参数化了不同损失的权重；L
pre
是预测损失函数；L
gen
是训练潜在交互生成器的损失函数；L
MI
是正则对比项的损失函数。
[0018]于本申请的第一方面的一些实施例中，通过对所述联合优化的损失函数进行梯度下降更新得到更新的支持集和查询集。
[0019]为实现上述目的及其他相关目的，本申请的第二方面提供一种基于任务对齐元学习和增广图的推荐方法，包括：将用户画像和物品内容作为输入参数，并输出对应的用户特征嵌入和物品特征嵌入；基于用户特征嵌入和物品特征嵌入将用户分为不同的用户集群，据以生成支持集和查询集，以形成任务集群；基于所述任务集群构建用户
‑
物品二部图并捕捉高阶用户
‑
物品交互信息；基于预设策略为用户生成潜在的交互；将用户或物品的最终层图嵌入与其相应的属性嵌入拼接得到用户或物品的最终嵌入；采用任务属性对比正则项来增强潜在的聚类知识。
[0020]为实现上述目的及其他相关目的，本申请的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于任务对齐元学习和增广图的推荐方法。
[0021]为实现上述目的及其他相关目的，本申请的第四方面提供一种电子终端，包括：处
理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于任务对齐元学习和增广图的推荐方法。
[0022]如上所述，本申请的基于任务对齐元学习和增广图的推荐系统、方法、终端及介质，具有以下有益效果：本专利技术提出TMAG来同时解决模型层面和特征层面的冷启动问题。在模型层面，提供一个任务对齐的构造器来捕捉可以快速适应新用户的潜在聚类知识，从而解决局部最优问题；还采用任务级属性对比正则项来增强潜在的聚类知识。在特征层面，结合图结构信息和属本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于任务对齐元学习和增广图的推荐系统，其特征在于，包括：任务对齐构造器模块，用于将用户画像和物品内容作为输入参数，并输出对应的用户特征嵌入和物品特征嵌入；基于用户特征嵌入和物品特征嵌入将用户分为不同的用户集群，据以生成支持集和查询集，以形成任务集群；增广图神经网络模块，用于基于所述任务集群构建用户
‑
物品二部图并捕捉高阶用户
‑
物品交互信息；基于预设策略为用户生成潜在的交互；将用户或物品的最终层图嵌入与其相应的属性嵌入拼接得到用户或物品的最终嵌入；对比正则化模块，用于采用任务属性对比正则项来增强潜在的聚类知识。2.根据权利要求1所述基于任务对齐元学习和增广图的推荐系统，其特征在于，所述任务对齐构造器模块包括自编码子模块；所述自编码子模块包括面向属性的自编码器；所述自编码器的目标函数包括：其中，W
u
表示所有可训练的模型参数；λ控制L2正则化强度以防止过拟合；x
u
是用户u的用户内容输入。3.根据权利要求1所述基于任务对齐元学习和增广图的推荐系统，其特征在于，所述任务对齐构造器模块包括任务构建子模块；所述任务构建子模块利用K
‑
Means算法，从自编码子模块中学习到的用户分成不同的用户集群，基于所述用户集群生成支持集和查询集，以形成任务集群。4.根据权利要求1所述基于任务对齐元学习和增广图的推荐系统，其特征在于，所述增广图神经网络模块包括图嵌入传播子模块、图增广生成器子模块、模型预测子模块。5.根据权利要求4所述基于任务对齐元学习和增广图的推荐系统，其特征在于，所述图嵌入传播子模块从任务构建子模块获得任务集群后构建用户
‑
物品二部图，并利用任务中用户的交互作为训练数据，执行GCN来捕捉交互图的高阶结构信息。6.根据权利要求4所述基于任务对齐元学习和增广图的推荐系统，其特征在于，图增广生成器子模块用于基于如下任一种策略为用户生成潜在的交互：策略一是挖掘交互图的结构并捕捉在途中未出现的用户
‑
物品对的潜在依赖关系；策略二是利用交互物品来表示用户，并根据交互物品与用户的属性相似性来增...

【专利技术属性】
技术研发人员：施宇翔，王东，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：