【技术实现步骤摘要】
本专利技术属于跨域推荐系统，具体涉及一种基于图学习的跨领域推荐方法。
技术介绍
1、数据稀疏性的挑战一直是推荐系统(rs)中长期需要解决的问题。跨领域推荐(cdr)促进了知识从源领域到目标领域的无缝迁移，以解决这一挑战并改进个性化推荐。现有cdr方法主要关注用户重叠的场景，基于共享的用户表示实现知识转移。然而，这些方法考虑了用户兴趣的一致性，而忽略了用户偏好跨领域的多维差异。基于此，最近的研究尝试生成领域不变特征和特定于领域的特征。尽管如此，在复杂的数据集中识别和封装完全不同的语义数据具有一定的挑战。因此，构建具有丰富多维语义的表示以减轻数据稀疏性的挑战就出现了。在现实中，用户之间的社交网络关联结构呈现出动态特征。同时，项目之间存在相互依赖关系。因此，集成异构信息来帮助丰富领域不变和领域特定表示的信息量，从而提高推荐系统的性能，是一个值得研究的解决方案。
2、近年来，图神经网络(gnn)在非欧几里德空间的特征提取方面取得了显著的成功。这激发了研究者对异质图神经网络(hetero-gnn)的探索。他们的目标是巧妙地将来自异构关系的丰富语义信息整合到潜在表征中。然而，由于数据的稀疏性，当代的hetero-gnn难以获得高质量的用户/项目嵌入。幸运的是，对比学习(cl)被提出。由于它能够自我增强未标记数据，因此特别适合于缓解数据稀缺性问题。随后，一个值得注意的进展是cl与gnn的集成。这种协同作用被称为图对比学习(gcl)。它可以在没有足够观察标签的情况下增强图结构中表示学习的鲁棒性。因此，从先前的gcl研究中得到启发，本
3、本专利技术通过将领域不变特征和特定于领域的特征分离，同时将异构语义关系嵌入其中，以获得轻噪声、低冗余和高丰富的深度表示。基于此，本专利技术需要面对的问题是：(1)如何在复杂的用户-项目交互中准确地分离领域不变特征和领域特定特征。(2)如何整合异构语义关系以丰富解纠缠表征的信息量。(3)如何降低解纠缠后的用户和项目表示中的噪声和冗余。
技术实现思路
1、本专利技术针对上述问题，设计并专利技术了一种基于图学习的跨领域推荐方法。具体地说，本专利技术开发了一个特征抽象组件来分离领域不变和领域特定的表示，同时从用户-项目交互图中捕获高阶协作信息。本专利技术设计了一个异构表示学习组件。该组件采用了hetero-gnn作为编码器来保存与异构关系相关的丰富语义信息。此外，提出了一个包含两个cl范式的自监督表示增强组件。本专利技术的目标是在监督解纠缠的同时，通过自适应对比增强实现个性化的知识转移。
2、为实现上述目的，本专利技术采用的技术方案为：
3、一种基于图学习的跨领域推荐方法，包括如下步骤：
4、步骤1：首先将每个领域的用户和项目表示抽象到领域不变和领域特定空间，初始化解纠缠的嵌入表征。在交互图中使用轻量级图卷积神经网络来聚合用户-项目高阶协同关系信息，以预先增强解纠缠后的用户和项目表示的信息量。
5、所述步骤1中，本专利技术首先引入用户-项目对作为输入。通过从高斯正态分布中抽样，随机生成两个独立的嵌入矩阵和以生成初始嵌入分别表示生成的用户和项目的初始嵌入表示。
6、其次，本专利技术以空间映射的方式分离用户和项目的领域不变表示和领域特定表示。具体来说，本专利技术将和分别抽象到两个独立的子空间，分别为领域不变空间x和领域特定空间y。每个用户的表示将由两部分组成，分别表示项目u的领域不变和领域特定表示，而项目同理。接着，考虑在交互图中利用高阶协作信息来预先丰富解纠缠后的表示。本专利技术将每一层图卷积后学习到的特征进行融合，捕获多阶邻居语义，定义融合函数如下：
7、接着，考虑在交互图中利用高阶协作信息来预先丰富解纠缠后的表示。以领域不变表示为例，本专利技术中和可以抽象为：
8、
9、其中，是均值函数，表示连接操作，特定领域的用户和项目表示的丰富可以类似地执行。本专利技术连接增强后的领域不变和领域特定的用户和项目表示来实现更全面的嵌入表示。具体操作可以总结如下：
10、
11、其中，||表示连接操作。这种富集过程对于d(s)和d(t)是相同的。和作为接下来要实现的个性化丰富的用户和项目与的初始嵌入表示。
12、步骤2，从解纠缠的域空间中获得用于建模用户社会关系和项目依赖关系的嵌入，将关系感知语义通过异构图神经网络融合进解纠缠后的用户和项目表示，同时通过元网络进行用户和项目的个性化知识迁移，实现异构关系学习。
13、所述步骤2中，由于异构信息包含了丰富的语义信息，考虑结合这一优势进一步丰富用户和项目表示。首先从上述嵌入中派生出用于建模用户社会关系和项目依赖关系的初始嵌入。分别代表用户-用户、项目-项目以及用户-项目之间的关系表示，通过这种机制派生的初始表示在用户和项目关系建模中都具有异质性，且与共享相同的语义。通过异构图卷积神经网络，再次学习嵌入表征。
14、受软元路径设计的启发，每次迭代中的信息都是从异构关系中聚合的。通过异构消息传播的多次迭代，高阶嵌入保持了多跳连接的异构语义。特别地，用户和项的嵌入通过自定义的异构融合程序进行更新。
15、
16、其中，是均值函数，表示连接操作。是融合异构侧信息后的最终用户和项目表示，采用类似的步骤来获取相应的
17、为了生成从辅助视图到每个用户和每个项目的用户-项目交互编码的个性化映射，首先提取元知识在辅助视图和交互视图中保留用户和项目的重要特征。为了方便用户和项目嵌入的个性化转换，使用多层感知器(mlp)将元知识表示转换为权重矩阵为了获得更全面的表示，本专利技术使用加权求和来整合用户和项目表示。表示用于推荐主要任务的最终嵌入，这一系列过程对于空间y和d(t)是一样的。
18、步骤3，构建两个cl任务。基于mi互信息最大化机制设计对比学习目标，为了监督解纠缠过程，使其在初始阶段能够得到一定程度的低冗余、轻噪音的嵌入表征。基于infonce损失函数设计对比学习目标，为了增强具有自增强的异构关系学习的鲁棒性。
19、所述步骤3中，构建了两个对比学习任务。受最大互信息(mi)的影响，本专利技术希望减轻噪声和冗余的影响，基于此设计的对比学习目标如下：
20、
21、其中，c(～)是余弦相似函数，τ是控制softmax曲线平滑度的参数。从infonce损失函数的对比学习的成功中获得灵感，在模型中增强了用户-项目表示学习。这个过程如下所示：
22、
23、其中，分别是矩阵的嵌入向量。g(～)表示相似函数，是softmax温度的超参数。基于上述方法，同样可以得到项目、空间y和d(t)的对比学习目标。总的来说，总对比损失是所有损失的加权和。
24、步骤4，本专利技术分别将用户和项目的领域不变表示和领域特定表示连接起来，以生成最终的表示，并预测给定用户项对的概率。在给定两个域本文档来自技高网...
【技术保护点】
1.一种基于图学习的跨领域推荐方法，其目的在于学习新用户和项目嵌入表示，以同时提高两个领域的推荐性能。其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图学习的跨领域推荐方法，其特征在于：所述步骤1中，对于每个域引入用户-项目对作为输入。通过从高斯正态分布中抽样，随机生成两个独立的嵌入矩阵和以生成初始嵌入分别表示生成的用户和项目的初始嵌入表示。
3.根据权利要求1所述的一种基于图学习的跨领域推荐方法，其特征在于：所述步骤2中，由于异构信息包含了丰富的语义信息，考虑结合这一优势进一步丰富用户和项目表示。首先从上述嵌入中派生出用于建模用户社会关系和项目依赖关系的初始嵌入。分别代表用户-用户、项目-项目以及用户-项目之间的关系表示，通过这种机制派生的初始表示在用户和项目关系建模中都具有异质性，且与共享相同的语义。通过异构图卷积神经网络，再次学习嵌入表征。
4.根据权利要求1所述的一种基于图学习的跨领域推荐方法，其特征在于：所述步骤3中，构建了两个对比学习任务。受最大互信息(MI)的影响，本专利技术希望减轻噪声和冗余的影响，基于此设计的对比学
5.根据权利要求1所述的一种基于图学习的跨领域推荐方法，其特征在于：所述步骤4中，本专利技术通过点积来预测D(s)中用户-项目交互的可能性。在优化阶段，本专利技术遵循经典排序模型，利用贝叶斯个性化排序(BPR)推荐损失作为主要任务损失，进一步优化参数。本专利技术提出了一种训练策略范式，以更好地从不同的角度学习信息，并进一步优化模型。总的训练损失如下：
...【技术特征摘要】
1.一种基于图学习的跨领域推荐方法，其目的在于学习新用户和项目嵌入表示，以同时提高两个领域的推荐性能。其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图学习的跨领域推荐方法，其特征在于：所述步骤1中，对于每个域引入用户-项目对作为输入。通过从高斯正态分布中抽样，随机生成两个独立的嵌入矩阵和以生成初始嵌入分别表示生成的用户和项目的初始嵌入表示。
3.根据权利要求1所述的一种基于图学习的跨领域推荐方法，其特征在于：所述步骤2中，由于异构信息包含了丰富的语义信息，考虑结合这一优势进一步丰富用户和项目表示。首先从上述嵌入中派生出用于建模用户社会关系和项目依赖关系的初始嵌入。分别代表用户-用户、项目-项目以及用户-项目之间的关系表示，通过这种机...
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。