一种基于对比学习的个性化标签推荐方法技术

本发明专利技术属于人工智能推荐系统领域，公开了一种基于对比学习的个性化标签推荐方法，包括：通过高斯先验初始化隐式的特征矩阵，在用户与标签交互图和物品与标签交互图上，利用图卷积神经网络获得用户、物品、面向用户的标签和面向物品的标签的高阶嵌入表示并在高阶嵌入表示中注入噪音，获得带噪音的用户和面向用户标签的嵌入表示，采用Info_NEC计算对比损失，构建目标函数，通过Adam优化器学习模型参数，使用用户和面向用户的标签的嵌入表示的内积与物品和面向物品的标签的嵌入表示的内积之和预测标签的评分，根据预测评分提供个性化的标签推荐。本发明专利技术利用对比学习从输入数据本身中提取有价值的信息，减轻数据稀疏问题。减轻数据稀疏问题。减轻数据稀疏问题。

【技术实现步骤摘要】
一种基于对比学习的个性化标签推荐方法


[0001]本专利技术属于人工智能推荐系统领域，具体的说是涉及一种基于对比学习的个性化标签推荐方法。

技术介绍

[0002]随着互联网信息的爆炸式增长,标签在互联网信息检索领域中变得越来越重要，标签推荐通过辅助用户进行打标签的操作,极大地提升了标签的质量,标签推荐也因此受到了研究者们的广泛关注。
[0003]对比学习是一种自监督学习，从原始数据中提取有效信息来弥补监督信号的不足，从而提升模型性能，已经受到工业界和学术界的广泛关注，并在计算机视觉、自然语言处理等领域取得巨大成功。它通过对数据本身的增广，对比节点在不同增广下的表示。通过度量相同节点和不同节点在多种增广下的相似性，来提取有用的监督信号，提升机器学习模型的学习能力。
[0004]个性化标签推荐是标签推荐的一个重要分支。它通过考虑用户标签的偏好，为每个用户推荐个性化的标签。传统的个性化标签推荐算法如PITF,NITF，GNN
‑
PTR等，都是采用有监督学习的方法构建个性化标签推荐算法模型。由于数据稀疏问题，传统的基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比学习的个性化标签推荐方法，其特征在于：所述个性化标签推荐方法包括以下步骤：步骤1、通过高斯先验初始化隐式的用户特征矩阵、隐式的物品特征矩阵、隐式的面向用户的标签特征矩阵和隐式的面向物品的标签特征矩阵；步骤2、分别在用户与标签交互图和物品与标签交互图上，利用图卷积神经网络获得用户、物品、面向用户的标签和面向物品的标签的高阶嵌入表示；步骤3、对于用户与标签交互图，在每次卷积操作之后向用户和面向用户标签的高阶嵌入表示中注入噪音，最后获得带噪音的用户和面向用户标签的嵌入表示，在带噪音的用户和面向用户标签的嵌入表示的基础上，采用Info_NEC计算对比损失，对于物品与标签交互图，在每次卷积操作之后向物品和面向物品标签的高阶嵌入表示中注入噪音，最后获得带噪音的物品和面向物品标签的嵌入表示，在带噪音的物品和面向物品标签的嵌入表示的基础上，采用Info_NEC计算对比损失；步骤4、在贝叶斯个性化排名损失的基础上集成对比损失构建目标函数，通过Adam优化器学习模型参数；步骤5、使用用户和面向用户的标签的嵌入表示的内积与物品和面向物品的标签的嵌入表示的内积之和预测标签的评分，根据预测评分提供个性化的标签推荐。2.根据权利要求1所述的一种基于对比学习的个性化标签推荐方法，其特征在于：所述步骤2分别在用户与标签交互图和物品与标签交互图上，利用图卷积神经网络获得用户、物品、面向用户的标签和面向物品的标签的高阶嵌入表示，具体包括如下步骤：步骤2
‑
1、根据用户、物品及标签的交互信息，构建用户与标签的交互矩阵物品与标签的交互矩阵如果用户u和标签t交互过，则用户与标签的交互矩阵R
ut
中的第u行t列的值为1，否则为0，如果物品i和标签t交互过，则物品与标签的交互矩阵R
it
中的第i行t列的值为1，否则为0；步骤2
‑
2、利用用户与标签的交互矩阵R
ut
和物品与标签的交互矩阵R
it
构建对应的邻接矩阵A
UT
和A
IT
：：其中，和分别为R
ut
和R
it
的转置矩阵；步骤2
‑
3、根据邻接矩阵A
UT
、A
IT
，构建用户与标签的拉普拉斯矩阵L
UT
和物品与标签的拉普拉斯矩阵L
IT
：：其中，D
UT
是用户和标签的对角度矩阵，D
IT
是物品和标签的对角度矩阵，表示为：
其中，表示用户u1的一阶邻居个数，表示物品i1的一阶邻居个数，表示标签t1的一阶邻居个数；步骤2
‑
4、根据用户与标签的拉普拉斯矩阵L
UT
和物品与标签的拉普拉斯矩阵L
IT
，构建用户、物品、面向用户的标签和面向物品的标签的高阶嵌入表示，如下：户、物品、面向用户的标签和面向物品的标签的高阶嵌入表示，如下：其中，为初始嵌入表示，表示用户u1的初始嵌入表示，表示物品i1的初始嵌入表示，表示标签t1的初始嵌入表示；步骤2
‑
5、经过L层卷积后获得最终的嵌入表示，如下：5、经过L层卷积后获得最终的嵌入表示，如下：将按照用户数和标签数进行分割得到最终所有用户的嵌入表示U
*
和所有面向用户标签的嵌入表示(T
U
)
*
，将按照物品数和标签数进行分割得到最终所有物品的嵌入表示I
*
和每个面向物品标签的嵌入表示(T
I
)
*
。3.根据权利要求2所述的一种基于对比学习的个性化标签推荐方法，其特征在于：所述步骤3具体包括如下步骤：步骤3
‑
1、对于用户与标签交互图，在每次卷积操作之后向用户和面向用户标签的高阶嵌入表示中注入噪音，最后获得带噪音的用户和面向用户标签的嵌入表示，如下：嵌入表示中注入噪音，最后获得带噪音的用户和面向用户标签的嵌入表示，如下：嵌入表示中注入噪音，最后获得带噪音的用户和面向用户标签的嵌入表示，如下：嵌入表示中注入噪音，最后获得带噪音的用户和面向用户标签的嵌入表示，如下：其中，和表示噪音向量且Δ
′
和Δ
″
服从高斯分布或均匀分布，表示注入第一种噪音Δ
′
的所有用户和标签的嵌入表示，表示注入第二种噪音Δ
″
的所有用户和标签的嵌入表示，表示注入第一种噪音Δ
′
的所有物品和标签的嵌入表示，表示注入第二种噪音Δ
″
的所有物品和标签的嵌入表示，步骤3
‑
2、经过L层卷积后，获得最终的嵌入噪音表示，如下：2、经过L层卷积后，获得最终的嵌入噪音表示，如下：
将和按照用户数和标签数进行分割得到最终嵌入噪音表示U
′
、U
‘′
、(T
U

【专利技术属性】
技术研发人员：李胜龙，余永红，张傲然，钱未闻，
申请(专利权)人：南京邮电大学通达学院，
类型：发明
国别省市：