一种基于对比学习的可解释个性化推荐方法技术

一种基于对比学习的可解释个性化推荐方法，设有三个核心模块来学习用户短期行为的顺序表示；利用门融合操作来整合在线用户的长期和短期行为偏好；对于关键字生成任务，使用了Transformer，它在文本生成中也得到了广泛的应用，利用多头自注意来计算输出序列o<supgt;d</supgt;中关键字的注意权重，设计一个复制网络，从短期和长期关键词序列中复制关键词，在时间步t上，λ<subgt;t</subgt;决定关键字是从关键字分布pvocab中生成的，还是从短期和长期关键字序列中复制的；这产生一个关键字概率分布:推荐产品还生成关键字，从而增强了推荐结果的可解释性；该方法同时实现个性化产品推荐和解释关键词生成任务，在这两个任务中整合了长期和短期用户偏好。

【技术实现步骤摘要】

本专利技术涉及人工智能领域，具体涉及一种基于对比学习的可解释个性化推荐方法。

技术介绍

1、针对传统的购物场景，已经有一些成熟的推荐算法在被广泛应用，目前绝大多数的学者都在关注基于深度学习的个性化推荐方法，如基于深度协同过滤模型、基于时序网络的推荐模型和基于图神经网络的推荐模型等，但由于深度学习具有黑盒模型端到端的特性，推荐的结果很难让用户理解并信任。因此，如何对基于深度学习的推荐模型提供解释是当前推荐研究遇到的难题。

2、cn2022111841575公开了个性化联邦学习的训练效率与个性化效果量化评估方法，包括以下步骤：s1、创建一个non-iid的跨域数据集，作为评测数据集；s2、选择合适的模型，作为个性化联邦学习的初始全局模型；s3、进行联邦学习的全局神经网络训练，聚合出一个收敛的全局神经网络模型；s4、各个客户端利用本地的数据集对下发的全局模型进行优化，收敛并形成个性化的本地神经网络模型；本专利技术充分考虑了跨域异质的场景，实现了模型的个性化功能。

3、cn202010950990.0公开了一种用于强化回复个性化表达的开放域本文档来自技高网...

【技术保护点】

1.一种基于对比学习的可解释个性化推荐方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于对比学习的可解释个性化推荐方法，其特征在于，

【技术特征摘要】

1.一种基于对比学习的可解释个性化推荐方法，其特征在于，包括如下步骤：

...

【专利技术属性】
技术研发人员：曹杰，姜元春，朱桂祥，鲍杨杨，郎文强，陈蕾，吴文龙，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：