一种基于深层关系的推荐方法及系统技术方案

本发明专利技术公开了一种基于深层关系的推荐方法及系统，所述方法包括：对不同属性对象数据集进行预处理；构建推荐模型，将预处理后的不同属性对象的向量分别输入深层网络模块和浅层网络模块进行关系建模和特征学习，通过融合网络模块得到推荐相关度；通过构建关系距离权重损失函数和分数权重损失函数更新所述推荐模型的参数来训练推荐模型；基于训练好的推荐模型生成不同属性对象的推荐相关度，按照推荐相关度高低顺序获取推荐结果。本发明专利技术将度量学习和特征学习相结合，从宏观关系和潜在关系的融合角度将不同属性对象的特征映射到可以建模关系的公共空间，利用加权网络和融合网络融合两个层次的信息，并通过优化损失函数，提升推荐准确性。推荐准确性。推荐准确性。

【技术实现步骤摘要】
一种基于深层关系的推荐方法及系统


[0001]本专利技术涉及一种推荐方法，尤其涉及一种基于深层关系的推荐方法及系统。

技术介绍

[0002]推荐算法旨在为用户推荐其可能感兴趣的应用、物品等，为用户带来更好的使用体验和更周到的服务。推荐算法被广泛用于各种APP中，是一个比较经典的问题和任务。随着深度学习的发展，现有的推荐算法包括基于关系的算法和基于特征的算法。基于关系的算法只关注于浅层关系的建模，没有考虑到深层的特征，导致模型无法挖掘较深的潜在对应关系。基于特征学习的方法倾向于学习较深的特征，例如对于图像，可以进行多尺度的学习以保证尺度特征的多样性；对于文本，可以进行时序的学习来保证语义的连贯性和模型的推理性。但是对于不同属性的对象，例如用户和物品，不同属性对象之间的特征没有明显地联系在一起，这影响了模型对于宏观上整体相关度的判断。
[0003]中国专利202111161447.3公开了一种信息处理方法，该方法使用的推荐模型是根据相同分类的对象数据和不同分类的对象数据联合训练得到的，在根据不同分类的对象数据训练推荐模型的过程中，仅传递和更新用于增强共性特征的第二参数，而不会传递和更新用于增强个性特征的第一参数。如此，既能充分保留不同分类对象数据的个性特征，还能最大程度地利用不同分类对象数据的共性特征，使得训练得到的推荐模型，既能针对单个用户的个人需求提供贴合用户个性特征的信息推荐，又能兼顾不同用户的不同需求，适用于更多用户和更多场景，在准确度、泛化能力和稳定性上都有所提升。虽然公开了不同属性对象的特征学习方法，但是还需要解决的问题是，如何将不同的特征进行合理的映射以到达准确度量的目的从而实现准确推荐任务。

技术实现思路

[0004]专利技术目的：本专利技术旨在提供一种通过度量不同属性对象的相关度以及引导相关度的计算从而提升推荐准确性的基于深层关系的推荐方法及系统。
[0005]技术方案：本专利技术所述的一种基于深层关系的推荐方法，包括以下步骤：
[0006]（1）对不同属性对象数据集进行预处理；
[0007]（2）构建推荐模型，将预处理后的不同属性对象的向量分别输入深层网络模块和浅层网络模块进行关系建模和特征学习，基于深层网络模块和浅层网络模块的学习结果通过融合网络模块得到推荐相关度；
[0008]（3）训练推荐模型，在训练中通过构建关系距离权重损失函数和分数权重损失函数更新所述推荐模型的参数；关系距离权重损失函数使用权重调整不同属性对象特征之间的关系距离；分数权重损失函数，对关系距离分数进行引导，并利用权重进一步调整，基于真值直接指导相关度分数；
[0009]（4）基于训练好的推荐模型生成不同属性对象的推荐相关度，按照推荐相关度高低顺序获取推荐结果。
[0010]优选地，步骤（1）中所述对不同属性对象数据集进行预处理包括：对所有属性对象数据进行onehot向量化处理，得到预处理后的第一属性对象向量和第二属性对象向量以及不同属性对象的真值相关度矩阵，并根据相关性将第二属性对象划分为正相关对象和负相关对象。
[0011]优选地，步骤（2）中，所述深层网络模块包括自加权网络和相互加权网络，所述自加权网络用于深度挖掘同一属性对象之间的相关关系，所述相互加权网络用于深度挖掘不同属性对象之间的交互信息；
[0012][0013]式中，为预处理后的第一属性对象向量，为预处理后的第二属性对象向量；为用户的自加权特征，为物品的自加权特征；为自加权网络，为相互加权网络，为深层网络模块输出的第一属性对象向量，为深层网络模块输出的第二属性对象向量。
[0014]优选地，所述自加权网络和相互加权网络的计算过程为：
[0015][0016]式中，为自加权网络中的权重参数，为自加权网络的偏置参数；为相互加权网络中的权重参数，为相互加权网络的偏置参数；x表示自加权网络的输入数据，y和z表示相互加权网络的输入数据。
[0017]优选地，步骤（2）中所述浅层网络模块直接计算不同属性对象的浅层相关度的计算过程如下：
[0018][0019]式中，为浅层网络模块的第一属性对象相关权重参数，为浅层网络模块的第二属性对象相关权重参数。
[0020]优选地，步骤（2）中所述融合网络模块将深层网络模块输出的第一属性对象向量和第二属性对象向量计算相关度，再和浅层网络模块输出的浅层相关度拼接，得到第一属性对象和第二属性对象的推荐相关度：
[0021][0022]其中，表示拼接操作，将矩阵和在最后一个维度上进行拼接；为融合网络模块的权重参数，为融合网络模块的偏置参数。
[0023]优选地，步骤（2）还包括将深层网络模块输出的第一属性对象向量和第二属性对象向量通过乘方简化损失函数进行约束，乘方简化损失函数为
[0024][0025]式中，为求矩阵所有元素之和。
[0026]优选地，步骤（3）中所述关系距离权重损失函数为：
[0027][0028]式中，为第个第一属性对象的特征，为第一属性对象的个数；为第个正相关对象的特征，为第一属性对象的正相关对象个数；为第个负相关对象的特征，为第一属性对象的负相关对象个数；为关系距离权重损失中对应第一属性对象向量的权重参数，为对应正相关对象的权重参数，为对应负相关对象的权重参数；表示矩阵的转置。
[0029]优选地，步骤（3）中所述分数权重损失函数为：
[0030][0031]式中，、分别为正相关分数权重损失函数和负相关分数权重损失函数；为第个第一属性对象特征和第个正相关对象特征的相关度，为第个第一属性对象和第个正相关对象的相关度真值，为正相关度乘积的均值提取网络，为正相关度乘积的方差提取网络；为第个第一属性对象特征和第个负相关对象特征的相关度；为第个第一属性对象和第个负相关对象的相关度真值；为负相关度乘积的均值提取网络，为负相关度乘积的方差提取网络；为高斯分布函数。
[0032]本专利技术所述的一种基于深层关系的推荐系统，包括：
[0033]数据预处理模块，用于对不同属性对象数据集进行预处理，对所有属性对象数据进行onehot向量化处理，得到预处理后的第一属性对象向量和第二属性对象向量以及不同属性对象的真值相关度矩阵；
[0034]推荐模型构建模块，用于将预处理后的不同属性对象向量分别输入深层网络模块和浅层网络模块进行关系建模和特征学习，基于深层网络模块和浅层网络模块的学习结果通过融合网络模块得到推荐相关度；
[0035]推荐模型训练模块，用于在训练中共同更新所述推荐模型的参数，包括构建关系距离权重损失函数，使用权重调整不同属性对象特征之间的关系距离；构建分数权重损失函数，对关系距离分数进行引导，并利用权重进一步调整，用真值指导关系分数；
[0036]推荐结果输出模块，用于在推荐任务中，基于训练好的推荐模型生成不同属性对象的推荐相关度，按照推荐相关度高低顺序获取推荐结果。
[0037]有益效果：与现有技术相比，本专利技术具有如下显著优点：1、将度量学习和特征学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深层关系的推荐方法，其特征在于，包括以下步骤：（1）对不同属性对象数据集进行预处理；（2）构建推荐模型，将预处理后的不同属性对象的向量分别输入深层网络模块和浅层网络模块进行关系建模和特征学习，基于深层网络模块和浅层网络模块的学习结果通过融合网络模块得到推荐相关度；（3）训练推荐模型，在训练中通过构建关系距离权重损失函数和分数权重损失函数更新所述推荐模型的参数；所述关系距离权重损失函数使用权重调整不同属性对象特征之间的关系距离；所述分数权重损失函数对关系距离分数进行引导，并利用权重进一步调整，基于真值指导相关度分数；（4）基于训练好的推荐模型生成不同属性对象的推荐相关度，按照推荐相关度高低顺序获取推荐结果。2.根据权利要求1所述的基于深层关系的推荐方法，其特征在于，步骤（1）中所述对不同属性对象数据集进行预处理包括：对所有属性对象数据进行onehot向量化处理，得到预处理后的第一属性对象向量和第二属性对象向量以及不同属性对象的真值相关度矩阵，并根据相关性将第二属性对象划分为正相关对象和负相关对象。3.根据权利要求2所述的基于深层关系的推荐方法，其特征在于，步骤（2）中，所述深层网络模块包括用于挖掘同一属性对象之间的相关关系的自加权网络和用于挖掘不同属性对象之间的交互信息的相互加权网络；式中，为预处理后的第一属性对象向量，为预处理后的第二属性对象向量；为用户的自加权特征，为物品的自加权特征；为自加权网络，为相互加权网络，为深层网络模块输出的第一属性对象向量，为深层网络模块输出的第二属性对象向量。4.根据权利要求3所述的基于深层关系的推荐方法，其特征在于，所述自加权网络和相互加权网络的计算过程为：式中，、、、分别为自加权网络中的权重参数，为自加权网络的偏置参数；、、、为相互加权网络中的权重参数，为相互加权网络的偏置参数；x表示自加权网络的输入数据，y和z表示相互加权网络的输入数据。5.根据权利要求4所述的基于深层关系的推荐方法，其特征在于，步骤（2）中所述浅层网络模块计算不同属性对象的浅层相关度的计算过程如下：式中，为浅层网络模块的第一属性对象相关权重参数，为浅层网络模块的第二属性对象相关权重参数。6.根据权利要求5所述的基于深层关系的推荐方法，其特征在于，步骤（2）中所述融合
网络模块将深层网络模块输出的第一属性对象向量和第二属性对象向量计算相关度，再和浅层网络模块输出的浅层相关度拼接，得到第一属性对象和第二属性...

【专利技术属性】
技术研发人员：许扬汶，韩冬，刘天鹏，刘方波，叶嘉宾，李彦辰，
申请(专利权)人：南京大数据集团有限公司，
类型：发明
国别省市：