【技术实现步骤摘要】
本专利技术涉及一种基于对比学习和有模型强化学习的多模态商品推荐系统，属于商品推荐系统，涉及多模态表示学习、对比学习、强化学习等领域。
技术介绍
1、强化学习在推荐系统领域的应用，主要是为了解决传统推荐算法面对日益丰富的信息资源、用户偏好多样化等问题。传统方法存在一些局限性，例如推荐结果过于单一、无法处理冷启动等问题。强化学习作为一种可学习的策略选择方法，具有自适应性、动态性、学习能力强等优点。随着移动互联网、社交网络、电商平台等信息技术的快速发展，数据的规模和复杂度也在不断增加，深度强化学习可以处理更加复杂规模的数据，有模型强化学习可以有效利用已经收集的数据，学习更加稳定鲁棒的策略。
2、多模态问题在推荐系统中相对研究较少。商品的模态属性随着互联网的发展而增加，深度学习通常被用于多模态问题以学得模态各自的表征。现有的获取多模态表征的技术通常使用直接拼接法或是模态融合法，直接拼接多个模态特征无法考虑模态之间关联性，而现有的模态融合尽管解决了这一问题，却难以考虑相同标签商品之间的关联性。
技术实现思路
【技术保护点】
1.一种基于对比学习和有模型强化学习的多模态商品推荐系统，其特征在于，包括基于对比学习的多模态特征融合模块、基于有模型强化学习的推荐系统离线预训练模块，以及系统部署到真实场景的强化学习在线更新模块；
2.根据权利要求1所述的基于对比学习和有模型强化学习的多模态商品推荐系统，其特征在于，基于对比学习的多模态特征融合模块的具体实现过程为：
3.根据权利要求2所述的基于对比学习和有模型强化学习的多模态商品推荐系统，其特征在于，基于有模型强化学习的推荐系统离线预训练模块的具体实现过程具体为：
4.根据权利要求1所述的基于对比学习和有模型强化...
【技术特征摘要】
1.一种基于对比学习和有模型强化学习的多模态商品推荐系统，其特征在于，包括基于对比学习的多模态特征融合模块、基于有模型强化学习的推荐系统离线预训练模块，以及系统部署到真实场景的强化学习在线更新模块；
2.根据权利要求1所述的基于对比学习和有模型强化学习的多模态商品推荐系统，其特征在于，基于对比学习的多模态特征融合模块的具体实现过程为：
3.根据权利要求2所述的基于对比学习和有模型强化学习的多模态商品推荐系统，其特征在于，基于有模型强化学习的推荐系统离线预训练模块的具体实现过程具体为：
4.根据...
【专利技术属性】
技术研发人员：詹德川，叶翰嘉，韩路，邵明浩，周志华，
申请(专利权)人：南京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。