物品推荐方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种物品推荐方法、系统、设备及存储介质，它们是一一对应的方案；方案中：通过构建对用户物品交互数据（正样本）与负样本同时建模的损失函数，可以同时兼容正样本与负样本中噪音，通过损失函数对编码器不断进行优化，可以使优化后的编码器更好的提取用户与物品的嵌入表征，从而更好的评估用户对各物品的喜好程度（通过喜好得分体现），进而更好的为用户推荐相关物品。用户推荐相关物品。用户推荐相关物品。

【技术实现步骤摘要】
物品推荐方法、系统、设备及存储介质


[0001]本专利技术涉及推荐系统
，尤其涉及一种物品推荐方法、系统、设备及存储介质。

技术介绍

[0002]推荐系统的框架往往可以分为两部分：编码器以及损失函数。编码器模块通过对用户及物品进行嵌入式表征学习，以获取用户点击习惯及潜在兴趣。损失函数部分利用上游编码器的输出结果进行有监督训练，以帮助更新迭代模型参数。近年来，随着神经网络中编码器的深入研究，更多的研究重心倾向于构建更加庞大更为复杂的模型，从而捕捉超规模数据的复杂关联。然而，由于下游任务的差异性巨大，很多强大的编码器的设计往往是针对某个特点场景出发，且受限于迁移性无法广泛应用。而损失目标函数作为模型最重要一环，近些年来受到较少关注，使得其发展仍然停滞于深度学习发展初期的若干种经典损失函数。因此，现有推荐系统的性能还有待提升。
[0003]部分研究有对损失函数尝试过新的设计，但往往是需要以高额的时间成本作为代价进行置换，如每次迭代中针对困难样本的挑选与识别从而用于下次迭代学习。又或者太过于依赖数据自身的特性，如根据数据集特性或者实际场景本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品推荐方法，其特征在于，包括：收集多个用户物品交互数据，并为每一用户物品交互数据生成对应的负样本；通过编码器分别对所有用户物品交互数据以及所有负样本中的用户及物品进行编码，获得所有用户的嵌入表征与所有物品的嵌入表征；基于用户的嵌入表征与物品的嵌入表征计算用户物品交互数据的相似度，以及负样本的相似度，并构建对用户物品交互数据与负样本同时建模的损失函数，利用损失函数优化所述编码器；通过优化后的编码器对所有用户与所用物品分别进行编码，获得所有用户的最终嵌入表征与所有物品的最终嵌入表征，对于当前用户，利用当前用户的最终嵌入表征与所有物品的最终嵌入表征，计算出当前用户对所有物品的喜好得分，按照喜好得分从大到小的顺序对物品进行排序，生成物品推荐列表并反馈给当前用户。2.根据权利要求1所述的一种物品推荐方法，其特征在于，所述为每一用户物品交互数据生成对应的负样本包括：将单个用户物品交互数据记为(u,i)，通过负采样生成对应的负样本(u,j)；其中，u表示用户，i表示与用户u存在交互的物品，j表示与用户u不存在交互的物品，，表示负样本中的物品集合。3.根据权利要求1所述的一种物品推荐方法，其特征在于，所述计算用户物品交互数据的相似度，以及负样本的相似度包括：对于每一用户物品交互数据，以及每一负样本，分别利用相应用户的嵌入表征与物品的嵌入表征计算余弦相似度。4.根据权利要求1所述的一种物品推荐方法，其特征在于，对用户物品交互数据与负样本同时建模的损失函数表示为：；其中，表示利用用户u的用户物品交互数据及对应的负样本计算的损失函数；(u,i)为单个用户物品交互数据，(u,j)为对应的负样本，i表示与用户u存在交互的物品，表示与用户u存在交互的物品集合， j表示与用户u不存在交互的物品，表示负样本中的物品集合，即与用户u不存在交互的物品集合，表示用户物品交互数据对应的温度系数，表示负样本对应的温度系数；f(.)为打分函数，输出余弦相似度。5.一种物品推荐系统，其特征在于，包括：数据收集与负样本生成单元，用于收集多个用户物品交互数据，并为每一用户物品交互数据生成对应的负样本；训练单元，用于通过编码器分别对所有用户物品交互数据以及所有负样本中...

【专利技术属性】
技术研发人员：何向南，吴俊康，陈佳伟，吴剑灿，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：