【技术实现步骤摘要】
基于参数对抗攻击度量学习的标签推荐方法及系统
[0001]本专利技术属于信息检索
，特别是涉及一种基于参数对抗攻击度量学习的标签推荐方法及系统。
技术介绍
[0002]在包含大量信息的互联网时代，标签作为信息检索的重要工具，可以帮助用户分类和检索相关资源，国内外大型应用程序如LastFm、MovieLens、淘宝、抖音和京东等使用关键字来注释歌曲、视频、书籍、产品和其他网络资源，即所谓的标签。除了对项目进行注释外，标签还有利于解决一些实际问题，如图像推荐任务、兴趣发现和内容搜索。随着标签在各个领域的可用性越来越大，标签推荐技术已经成为一种关键技术，以帮助用户更方便地检索他们想要的网络资源。对于内容管理和互联网资源搜索越来越重要，设置适当的标签能够为互联网资源做出有效分类，改善用户对信息索引服务的体验。
[0003]传统的标签推荐方法主要是根据用户、项目和标签的历史交互数据来进行推荐，此类方法主要着重于隐式反馈，因为隐式交互通常可以以更大的数量和更低的成本来预测用户的兴趣。主要推荐方法依赖于张量分解技术，然而由于...
【技术保护点】
【技术特征摘要】
1.基于参数对抗攻击度量学习的标签推荐方法，其特征在于，包括如下步骤：(1)获取用户标识对应的历史访问记录信息，并根据所述历史访问记录信息获取用户标识、项目标识和标签标识；(2)利用One
‑
Hot编码将所述用户标识、项目标识和标签标识转换为低维密集向量表示，分别生成用户表示、项目表示和标签表示；并根据所述用户表示、项目表示和标签表示分别生成用户对抗扰动、项目对抗扰动和标签对抗扰动；(3)将所述用户对抗扰动、项目对抗扰动和标签对抗扰动分别加入到用户表示、项目表示和标签表示分别生成对抗用户表示、对抗项目表示和对抗标签表示；(4)利用注意力机制将步骤(3)的对抗用户表示、对抗项目表示和对抗标签表示生成用户
‑
标签和项目
‑
标签的对抗潜在关系向量，以及根据所述用户表示、项目表示和标签表示生成用户
‑
标签和项目
‑
标签的潜在关系向量；(5)利用欧式距离将所述用户表示、项目表示和标签表示，以及用户
‑
标签和项目
‑
标签的潜在关系向量建模用户
‑
标签以及项目
‑
标签的距离度量；(6)利用欧式距离将所述对抗用户表示、对抗项目表示和对抗标签表示，以及用户
‑
标签和项目
‑
标签的对抗潜在关系向量建模用户
‑
标签以及项目
‑
标签的对抗距离度量，以及返回一个用户最感兴趣的前K个标签推荐列表；(7)利用三重损失将所述距离度量和对抗距离度量进行联合训练求解最大最小优化问题；在最大化对抗扰动的同时最小化原始模型参数，对抗扰动通过最大化来更新，原始模型参数通过最小化进行更新；(8)利用随机梯度下降进行参数更新和对抗扰动更新。2.如权利要求1所述的方法，其特征在于，步骤(2)中，所述用户标识、项目标识和标签标识的三个独热编码向量分别与嵌入矩阵U，V，T
U
和T
V
相乘得到：u
p
＝U.onehot(u),v
q
＝V.onehot(v)其中，onehot(
·
)表示独热编码操作，和和代表数域，|U|、|V|、|T|分别表示用户的数量、项目的数量和标签的数量，d为潜在特征的维数；用户表示为u
p
，项目表示为v
q
，特定用户的标签表示为特定项目的标签表示为3.如权利要求2所述的方法，其特征在于，步骤(3)中，在用户表示、项目表示和标签表示上注入用户对抗扰动项目对抗扰动特定用户的标签对抗扰动特定项目的标签对抗扰动的标签对抗扰动用户对抗扰动、项目对抗扰动、特定用户的标签对抗扰动和特定项目的标签对抗扰动的大小限制为：
其中，和||
·
||表示L2范数，ε为控制对抗扰动的大小。4.如权利要求3所述的方法，其特征在于，步骤(4)中，用户
‑
标签和项目
‑
标签的对抗潜在关系向量以及用户
‑
标签和项目
‑
标签的潜在关系计算式为：式为：其中，表示用户
‑
标签的对抗注意力向量，表示项目
‑
标签的对抗注意力向量，表示用户
‑
标签中对抗注意力向量的元素，表示项目
‑
标签中对抗注意力向量的元素，w
i
＝χ
T
a
i
表示用户
‑
标签的注意力向量，μ
i
＝ξ
T
b
i
表示项目
‑
标签的注意力向量，表示用户
‑
标签中的注意力向量的元素，表示项目
‑
标签中注意力向量的元素；哈达玛积分别用来学习用户
‑
标签的联合嵌入和项目
‑
标签联合嵌入以及带有对抗的用户
‑
标签的联合嵌入合嵌入和项目
‑
标签联合嵌...
【专利技术属性】
技术研发人员：费正顺，王经龙，周昊天，辛凯，李雅玄，章锦，陈贵，刘康玲，项新建，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：
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。