System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及基于图对比学习的大数据推荐领域,通过自适应的图神经网络技术来解决推荐相关的问题。
技术介绍
1、推荐系统是web应用程序的重要工具,可帮助用户浏览海量的在线信息。这些系统为用户可能感兴趣的项目提供个性化推荐,例如在线零售平台上的产品、帖子在社交网站和视频共享平台上。生成这些推荐的最常见方法之一是协同过滤(cf),系统使用类似用户或项目的偏好来为给定用户推荐新项目。
2、协作过滤(cf)模型传统上依赖矩阵分解(mf)从交互数据中学习潜在用户和项目嵌入。然而,随着图神经网络(gnn)的兴起,人们越来越有兴趣使用这些模型沿着用户-项目交互图传播信息并学习用户-项目交互的更复杂的表示。pinsage、ngcf和lightgcn是基于gnn的cf模型的例子,它们在个性化推荐方面显示出了有希望的结果。这些模型使用图卷积网络(gcn)在用户-项目交互图上传播嵌入,从而允许它们捕获其他替代cf模型无法捕获的用户和项目之间的高阶交互。特别是,pinsage和ngcf使用多层gcn来捕获有关用户-项目交互图的局部和全局信息,而lightgcn通过省略非线性变换器并仅使用相邻嵌入的简单加权和来简化消息传递过程。
3、基于图的协同过滤模型在推荐系统中变得越来越流行。然而,这些模型面临着当前技术尚未充分解决的挑战。其中一项挑战是数据噪声,它可能由于多种因素而产生,例如用户由于过度推荐热门商品而点击不相关的产品。直接聚合来自用户-项目交互图中所有交互边的信息可能会导致用户表示不准确,并且多跳嵌入传播可能会恶化噪声效应。
4、最近,一些推荐方法,例如sgl、slrec和hccf,利用自监督学习来改善用户表示。这些方法通过基于概率的随机掩蔽或添加噪声创建对比视图,从而引入额外的监督信息。然而,这些操作可能会在数据增强过程中保留一些噪声交互或丢失重要的训练信号,从而限制了对比学习的适用性和潜力。
技术实现思路
1、本专利技术针对现有解决方案的局限性和挑战,提出了一种新颖的自适应图对比学习(adagcl)框架来增强推荐系统的鲁棒性和泛化性能,利用自适应对比学习来引入高质量的训练信号,增强图神经cf范式,虽然最近的几项研究已经使用对比学习来提高模型性能,但它们都需要特定的方法来创建对比视图。创建对比视图的方法的选择可能很繁重,并且通常仅限于预制视图池,这可能会限制其潜力和适用性。为了解决这些问题,集成图生成模型和图去噪模型来建立适应数据分布的视图,实现图对比学习的自适应对比视图,通过提供两种不同的自适应视图,提供额外的高质量训练信号可以增强图神经cf范式,并有助于解决基于对比学习的数据增强中的模型崩溃问题。
2、本专利技术的一种基于门控图神经网络的会话社交推荐模型方法,包含以下步骤:
3、s1:本地协作关系学习
4、s2:用于图对比学习的自适应视图生成器
5、s3:学习任务感知视图生成器
6、s4:模型训练
7、进一步地,所述s1的具体步骤为:
8、s11、为了对用户和项目之间的交互模式进行编码,遵循常见的协同过滤范例,将它们嵌入到d维潜在空间中,具体来说,分别为用户ui和项目vj生成大小为rd的嵌入向量ei和ej,定义嵌入矩阵e(u)∈ri×d和e(v)∈rj×d分别表示用户和项目的嵌入,为了传播嵌入,受lightgcn中使用的简化图卷积网络的启发,设计了一个局部图嵌入传播层;
9、
10、为了表示从相邻项目/用户到中心节点ui和vj的聚合信息,分别使用向量zi(u)和zj(v),它们的维度均为rd,从用户-项目交互矩阵a导出归一化相邻矩阵具体来说,使用以下公式计算:
11、
12、其中用户和项目的对角度矩阵分别为d(u)∈ri×i和d(v)∈rj×j,用户ui和项目vj的相邻项目/用户分别用ni和nj表示。
13、s12、为了细化用户/项目表示并聚合上下文嵌入的局部邻域信息,集成了多个嵌入传播层,将用户ui和项目vj在第l图神经网络(gnn)层的嵌入分别表示为和定义从第(l-1)层到第l层的消息传递过程如下:
14、
15、为了获得节点的嵌入,我们将其所有层的嵌入相加,用户ui和项目vj的最终嵌入之间的内积用于预测用户对项目的偏好。
16、
17、进一步地,所述s2的具体步骤为:
18、s21、双视图gcl范式,现有的图对比学习(gcl)方法,以特定方式生成视图,例如随机丢弃边、节点或构造超图,然而,选择合适的方法来生成视图可能会很麻烦,因为它通常依赖于繁琐的试错或有限的预制视图池,这种限制可能会限制这些方法的适用性和潜力,为了克服这个问题,使用两个可学习的视图生成器来获取gcl的自适应视图;
19、由于模型崩溃的风险,开发用于图对比学习方法的视图生成器提出了挑战,其中同一生成器生成的两个视图共享相同的分布,可能导致不准确的对比优化,为了应对这一挑战,使用两个不同的视图生成器,从不同的角度增强用户-项目图,具体来说,采用图生成模型和图去噪模型作为两个视图生成器,图生成模型负责根据图分布重建视图,而图去噪模型则利用图的拓扑信息去除用户-项目图中的噪声并生成噪声更少的新视图;
20、根据现有的自监督协同过滤(cf)范式,使用节点自歧视来生成正负对,具体来说,将同一节点的视图视为正对(即,(e′i,e″i)|ui∈u),并将任何两个不同节点的视图视为负对(即,(e′i,e″i')|ui,ui'∈u,ui≠ui'),形式上,最大化正对一致性并最小化负对一致性的对比损失函数如下:
21、
22、为了测量两个向量之间的相似度,使用由s(·)表示的余弦相似度函数,其中超参数τ称为softmax中的温度,以类似的方式将项目侧的对比损失计算为通过结合这两个损失,得到自监督任务的目标函数,表示为
23、s22、图形生成模型作为视图生成器,最近出现的基于学习的图生成模型为视图生成器提供了一个有前途的解决方案,采用广泛使用的变分图自动编码器(vgae)作为生成模型,它将变分自动编码器的概念与图生成相结合,与gae相比,vgae结合了kl散度来降低过度拟合的风险,从而通过增加不确定性来生成更多样化的图,此外,vgae比其他当前流行的生成模型(例如生成对抗网络和扩散模型)相对更容易训练并且速度更快;
24、利用多层gcn作为编码器来获得图嵌入,将两个mlp分别导出图嵌入的平均值和标准差,使用另一个mlp作为解码器,对输入平均值和带有高斯噪声的标准差进行解码,生成新的图,vgae的损耗定义为:
25、lgen=lkl+ldis本文档来自技高网...
【技术保护点】
1.一种基于自适应图对比学习的推荐方法,其特征在于包含以下步骤:
2.根据权利要求1所述的一种基于自适应图对比学习的推荐方法,其特征在于步骤S1中:本地协作关系学习的具体步骤为;
3.根据权利要求1所述的一种基于自适应图对比学习的推荐方法,其特征在于步骤S2的具体方法为:
4.根据权利要求1所述的一种基于自适应图对比学习的推荐方法,其特征在于步骤S3中的具体方法为:
5.根据权利要求1所述的一种基于自适应图对比学习的推荐方法,其特征在于步骤S4中的具体步骤为:
【技术特征摘要】
1.一种基于自适应图对比学习的推荐方法,其特征在于包含以下步骤:
2.根据权利要求1所述的一种基于自适应图对比学习的推荐方法,其特征在于步骤s1中:本地协作关系学习的具体步骤为;
3.根据权利要求1所述的一种基于自适应图对比学习的推...
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。