运用对比学习和协同过滤的微地图冷启动推荐方法技术

本发明专利技术公开一种运用对比学习和协同过滤的微地图冷启动推荐方法，包括:首先，利用编码器分别生成微地图数据的协同嵌入特征与共现协同嵌入特征；其次，引入对比学习框架，将两种协同嵌入特征的共现信号间接引入到内容协同模块中；进而，通过模型学习共现协同信号，并依此纠正协同嵌入的模糊嵌入；最后，利用共现协同过滤模型得到微地图数据推荐结果.该方法对微地图数据传播具有较强的快速性、精准性，并且解决并优化了微地图推荐中所遇到的冷启动问题，可高效率传播微地图产品。可高效率传播微地图产品。可高效率传播微地图产品。

【技术实现步骤摘要】
运用对比学习和协同过滤的微地图冷启动推荐方法


[0001]本专利技术涉及微地图的传播领域，更具体的说是涉及运用对比学习和协同过滤的微地图冷启动推荐方法。

技术介绍

[0002]现如今，自媒体技术发展的同时也推动了地图平民化的进程。作为自媒体时代的新型地图，微地图(We
‑
map)不但包含电子地图基本功能，还可为用户制作、应用以及传播地图提供了新的平台。微地图在顺应自媒体技术发展的同时，致力于推动地图平民化的进程，力求使得地图成为一种交互性强的“个人媒体”。然而，微地图传播受到传统意义上地图制作门槛高、普及度不够等众多因素影响，其地图产品多为人工筛选而后推送的模式，无法满足用户“千人千面”的使用需求、实现物品“万里挑一”的精准筛选。为了适应自媒体时代的信息交互需求，微地图的传播应兼备地图和自媒体的共性并且具有自身特点，即应当被及时、快速且精准的传播于用户群体之中。
[0003]推荐系统作为当前热门的研究领域，能够有效地对用户和物品建模，通过深入挖掘用户需求，快速精准地为其推送符合个性化需求的物品。一个完整的推荐系统一般由用户、物品以及推荐算法共同参与，通过分析用户信息与物品信息，主动查找用户感兴趣的物品，并在推荐载体上展示推荐结果。此外，用户获得推荐结果后可对推荐结果进行及时反馈，所反馈信息可作为推荐模型的修正参考，进而继续迭代并提高后续的推荐质量。作为数据信息的消费者，推荐系统能够在海量信息中为用户筛选出最符合需求的物品；而作为数据信息的生产者，推荐系统能够使用户自己生产的数据信息广泛传播于大众。将推荐算法引入微地图产品推荐是为了快速有效地获得特定类用户的偏好信息，以提升微地图的传播质量。推荐系统可从海量的微地图中将最符合需求的内容精准且快速的推送于用户，并将用户制作的微地图广泛的传播于大众群体。由此可见，推荐系统恰恰能够满足微地图传播中快速、精准且个性化的传播需求，因而可用于解决自媒体时代微地图传播的核心问题。
[0004]针对微地图传播中用户、物品数据稀疏，从而导致微地图传播低效率化的冷启动问题，本专利技术公开一种适用于微地图传播场景的冷启动推荐方法。其内容主要是利用编码器分别生成微地图数据的协同嵌入特征与共现协同嵌入特征，并引入对比学习框架，将两种协同嵌入特征的共现信号间接引入到内容协同模块中；进而通过模型学习共现协同信号，并依此纠正协同嵌入的模糊嵌入；最后利用共现协同过滤模型得到微地图数据推荐结果。

技术实现思路

[0005]有鉴于此，本专利技术提出一种运用对比学习，结合和协同过滤的微地图冷启动推荐方法，图1为本专利技术微地图冷启动推荐方法的总体流程，包括模型训练和冷启动推荐两部分。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]运用对比学习和协同过滤的微地图冷启动推荐方法，包括：模型训练和微地图推荐两部分；
[0008]1.模型训练步骤如下：
[0009]S1：对于训练样本(u，v，X
v
，O
u，v
)，本专利技术首先利用聚合特征X
v
获得基于内容的嵌入特征c
v
；
[0010]S2：调用编码器g
c
生成基于内容的协同嵌入特征q
v
(q
v
∈R
d
×1)；
[0011]S3：调用编码器g
v
生成共现协同嵌入特征z
v
(z
v
∈R
d
×1)；
[0012]S4：调用编码器g
u
生成用户嵌入特征s
u
(s
u
∈R
d
×1)；
[0013]S5：通过将q
v
与s
u
输入预测器f
q
，得到交互概率
[0014]S6：通过将z
v
与s
u
输入预测器f
z
，得到交互概率
[0015]S7：将q
v
和z
v
进行对比学习，使二者的互信息最大化，并得到所需模型；
[0016]2.微地图推荐步骤如下：
[0017]S8：将微地图产品、用户数据输入模型；
[0018]S9：将冷数据输入模型，得到微地图推荐序列；
[0019]S10：结束。
[0020]本专利技术方法先进、科学，保证提高微地图的传播效率，具备快速性、精准性且个性化的传播要求。通过实验表明，该方法解决并优化了微地图推荐中所遇到的冷启动问题，为微地图产品高效率传播提供了有效途径。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述中的附图仅仅是本专利技术的示意图，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0022]图1为本专利技术提供的运用对比学习和协同过滤的微地图冷启动推荐方法的流程图；
[0023]图2为本专利技术的微地图推荐应用场景；
[0024]图3为本专利技术中的对比学习框架图
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]以下为符号定义部分：
[0027]在本专利技术中O＝{o
u，v
}是已获得的用户之间的交互信息集合，其中设U和V分别代表用户和物品，用户u∈U，物品v∈V。是与用户u交互的物品集合；是与物品v交互的用户集合。每个物品v都与由m个属性集合的{x
1(v)
，x
2(v)
，...，x
m(v)
}属性集相关，属性X
v
可由one
‑
hot向量表示(例如地图作者)、multi
‑
hot向量表示(例如地图类型)，或实值向量表示(例如图片)；x
i(v)
∈R
d
×1表示x
i(v)
第i个属性的嵌入，其中d表示嵌入维度，且1≤i≤m。对于热训练数据集D＝{U，V，O}，用于评估用户u与物品v交互的概率，对其中任意样本对(u
+
∈U
v
，)在训练集中
[0028]以下步骤为模型训练部分：
[0029]1.模型训练步骤如下：
[0030]S1：对于训练样本(u，v，X
v
，O
u，v
)，本专利技术首先利用聚合特征X
v
获得基于内容的嵌入特征c
v
...

【技术保护点】

【技术特征摘要】
1.一种运用对比学习和协同过滤的微地图冷启动推荐方法，包括模型训练和微地图推荐两部分：模型训练步骤如下：S1：对于训练样本(u，v，X
v
，O
u，v
)，本算法首先利用聚合特征X
v
获得基于内容的嵌入特征c
v
；S2：调用编码器g
c
生成基于内容的协同嵌入特征q
v
(q
v
∈R
d
×1)；S3：调用编码器g
v
生成共现协同嵌入特征z
v
(z
v
∈R
d
×1)；S4：调用编码器g
u
生成用户嵌入特征s
u
(s
u
∈R
d
×1)；...

【专利技术属性】
技术研发人员：闫浩文，马文骏，王卓，王小龙，禄小敏，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：