一种基于对比学习和知识共享的多任务推荐方法技术

本发明专利技术公开一种基于对比学习和知识共享的多任务推荐方法，采用多任务的形式，结合了对比学习和知识图嵌入学习来提高基于对比学习和知识共享的多任务推荐方法的推荐性能

【技术实现步骤摘要】
一种基于对比学习和知识共享的多任务推荐方法


[0001]本专利技术涉及推荐系统
，具体涉及一种基于对比学习和知识共享的多任务推荐方法
。

技术介绍

[0002]近年来，随着互联网的不断发展，人们可以在不同的平台上使用各种各样的产品和服务，例如社交媒体
、
在线购物以及视频
/
音乐流媒体等
。
然而，随着互联网上信息的数量不断增加，用户仅凭自己的经验去选择适合自己的产品已经变得越来越困难
。
在这种情况下，推荐系统成为了一种必要的技术，用于减轻用户的负担，提高用户体验
。
推荐系统可以根据用户过去的行为和历史记录，为用户推荐个性化的项目或内容，使用户不必花费大量时间去查找合适的选项
。
[0003]知识图谱在推荐系统中的应用可以帮助改善推荐的精度和个性化程度
。
知识图谱是一种结构化的知识表示方式，通过概念和实体之间的关联来表示领域内的知识
。
知识图谱可以帮助推荐系统为用户提供个性化解释
。...

【技术保护点】

【技术特征摘要】
1.
一种基于对比学习和知识共享的多任务推荐方法，其特征是，包括步骤如下：步骤
1、
从网上下载带有知识图数据的公开数据集，对数据集进行预处理后得到用户项目交互数据集和项目知识图数据集并对用户交互数据集划分训练集和测试集
。
步骤
2、
利用上步骤得到的训练集和项目知识图数据对基于对比学习和知识共享的多任务图神经网络进行训练，通过计算模型的推荐结果和实际的对模型中的所有参数进行调整来优化模型，得到的训练好的基于对比学习和知识共享的多任务图卷积神经网络
。
步骤
2.1、
构建主推荐任务
。
通过在用户项目交互图上使用图卷积神经网络来对用户和项目进行多次卷积操作并合并得到新的用户和项目的嵌入表示，再通过构建评分函数并采用排名损失计算推荐任务的任务损失
。
步骤
2.2、
构建用户关系对比学习任务
。
通过将用户和图卷积的二层表示做对比对进行对比学习，采用
infoNCE
计算对比学习任务损失
。
步骤
2.3、
构建项目知识嵌入任务
。
首先将推荐任务中的原始项目嵌入和知识图中的相对应项目嵌入通过一个精心设计的知识转移单元桥接并生成新的物品表示，再将生成的物品表示和知识图中的其他实体构建深度语义匹配模型
。
步骤
2.4、
联合步骤
2.1
‑
2.3
的损失，通过调整整个模型的可训练参数来优化整个模型的综合损失，得到的训练好的多任务图神经网络
。
模型的总体损失可表示如下：其中，为主推荐任务的排名损失，为用户关系对比学习任务的对比损失，为项目知识嵌入任务的损失，
λ1为对比学习任务损失的权重，
W
为该多任务模型的所有可训练参数，
λ2为
L2
正则化的超参，表示
L2
正则化
。
步骤
3、
利用步骤1生成的测试集对训练好的基于对比学习和知识共享的多任务图神经网络进行测试，通过调整训练好的多任务图神经网络的多个超参数来优化训练好的融合用户多行为的图神经网络的准确性和召回率的评估指标，得到最终的多任务图神经网络
。
步骤
4、
利用最终的多任务图神经网络对当前用户的推荐项目进行预测，并将预测结果推荐给当前用户
。2.
根据权利要求1所述的一种基于对比学习和知识共享的多任务推荐方法，其特征是，在步骤
2.1
中，用户
u
和项目
i
在交互图上进行的
l+1
次图卷积公式表示如下：次图卷积公式表示如下：其中，和分别表示用户和项目在交互图中的一阶邻居，和分别表示用户和项目的
l
次卷积输出
。
和分别表示用户和项目的
l+1
次卷积输出
。
和表示原始初始化的用户和项目嵌入
。
3.
根据权利要求1所述的一种基于对比学习和知识共享的多任务推荐方法，其特征是，在步骤
2.1
中，用户
u
和项目
i
在用
L
层传播后，采用加权和函数作为读出函数来组合所有层的表示
。
用户和项目通过合并原始嵌入和
L
次卷积输出得到最终用户和项目的嵌入表示
z
u
和
z
i
，公式表示如下：其中
z
u
和
z
i
分别表示用户和项目在推荐任务中的最终嵌入向量表示
。L
表示进行了
L
次聚卷积操作
。
和分别表示用户
u
和项目
i
的第
k
次图卷积输出
。4.
根据权利要求1所述的一种基于对比学习和知识共享的多任务推荐方法，其特征是，在步骤
2.1
中，主推荐任务损...

【专利技术属性】
技术研发人员：宾辰忠，伍方健，李伟梁，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：