【技术实现步骤摘要】
本专利技术涉及推荐系统，具体涉及一种基于双曲空间对比学习的协同过滤推荐方法及系统。
技术介绍
1、在推荐系统领域，协同过滤方法是一个重要的研究方向。随着深度学习技术的发展，出现了很多应用深度学习技术的协同过滤方法。基于深度学习的协同过滤方法通常将用户和物品表示为向量，然后使用神经网络模型来学习这些向量的表示，最后通过这些向量来预测用户对物品的喜好程度。在实际场景中，用户和物品的交互数据是稀疏的，并且表现出长尾分布的特点。数据稀疏性使得神经网络模型难以得到充分的监督信号来学习高质量的用户和物品向量表示。长尾分布使得数量较少的热门物品会更频繁地出现在模型学习过程中，从而对向量表示的学习产生更大的影响，最终导致推荐系统在推荐时忽略了冷门物品，造成推荐性能和多样性的下降。数据稀疏性和长尾分布挑战成为了推荐系统发展的瓶颈，亟需设计能够克服这些挑战的新方法。
2、近年来，基于双曲空间的深度学习技术被引入推荐系统用于解决推荐数据中存在的长尾分布挑战。研究发现推荐数据的长尾分布呈现出隐含的树状层次结构。此外，树中子节点的数量随着到根节点的距...
【技术保护点】
1.基于双曲空间对比学习的协同过滤推荐方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于双曲空间对比学习的协同过滤推荐方法，其特征在于，所述步骤二：定义双曲空间，具体方式为：
3.如权利要求1所述的基于双曲空间对比学习的协同过滤推荐方法，其特征在于，所述步骤四：使用双曲图卷积神经网络学习用户和物品的双曲空间表示，具体方式为：
4.如权利要求1所述的基于双曲空间对比学习的协同过滤推荐方法，其特征在于，所述步骤五：构建对比学习辅助任务模型，具体方式为：
5.如权利要求1所述的基于双曲空间对比学习的协同过滤推荐方法，...
【技术特征摘要】
1.基于双曲空间对比学习的协同过滤推荐方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于双曲空间对比学习的协同过滤推荐方法，其特征在于，所述步骤二：定义双曲空间，具体方式为：
3.如权利要求1所述的基于双曲空间对比学习的协同过滤推荐方法，其特征在于，所述步骤四：使用双曲图卷积神经网络学习用户和物品的双曲空间表示，具体方式为：
4.如权利要求1所述的基于双曲空间对比学习的协同过滤推荐方法，其特征在于，所述步骤五：构建对比学习辅助任务模型，具体方式为：
5.如权利要求1所述的基于双曲空间对比学习的协同过滤推荐方法，其特征在于，所述步骤六：将推荐主任务和对比学习辅助任务结合进行多任务学习，具体为：将推荐主任务的双曲最大间隔排名损失和对比学习辅助任务的infonce对比损失结合，得到多任务损失函数，通过该多任务损失函数训练整个系统。
6.基于双曲空间对比学习的协同过滤推荐系统，其特征在于，包括数据预处理模块、双曲空间模块、初始化用户物品表示模块、推荐主任务模块、对比学习辅助任务模块以及多任务学习模块；
7.如权利要求6所述的基于双...
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。