【技术实现步骤摘要】
本专利技术涉及神经网络，具体为一种双视图对齐的负样本优化对比学习推荐方法。
技术介绍
1、随着数据量的爆炸性增长和深度学习技术的发展，推荐系统也经历了从传统方法到基于深度学习的方法的转变。深度学习技术，例如加入图神经网络（gnn）和对比学习等，为推荐系统带来了新的机会和挑战。它们能够有效地捕捉用户和物品之间的复杂交互和隐含关系，从而提高推荐的准确性和个性化程度；目前,我们通常将推荐系统中的推荐算法分为3类,分为基于内容的推荐算法、基于协同过滤的推荐算法和混合推荐算法。
2、基于内容的推荐算法源于一个基本假设：“用户可能会喜欢与他曾经喜欢过的物品相似的物品”,其通过建模计算用户曾经有过的显示反馈(打分、点赞等)和隐式反馈(搜索、点击、购买等)的物品集合与所有物品的相似度,按照相似度的大小排序到推荐的列表。并且可以考虑时间因素、地点因素和推荐场景因素等来优化推荐的结果。此外,还可以使用基于统计和机器学习方法从用户历史反馈数据中建模学习用户的喜好,替代传统计算相似度的方法。基于内容的推荐法的主要优点在于可以解决新物品冷启动的问题,...
【技术保护点】
1.一种双视图对齐的负样本优化对比学习推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S4的具体过程为：
3.根据权利要求2所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤S3中，将用户物品交互矩阵的嵌入表示输入图卷积神经网络GCN中，在图卷积神经网络GCN的每层中，通过聚合每个用户的节点和物品的节点的邻居信息来更新用户的节点嵌入和物品的节点嵌入的具体过程为：图卷积神经网络GCN在每一层聚合过程中，采用邻域的聚合方法来更新用户的节点嵌入和物品的节点嵌入；...
【技术特征摘要】
1.一种双视图对齐的负样本优化对比学习推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤s4的具体过程为：
3.根据权利要求2所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤s3中，将用户物品交互矩阵的嵌入表示输入图卷积神经网络gcn中，在图卷积神经网络gcn的每层中，通过聚合每个用户的节点和物品的节点的邻居信息来更新用户的节点嵌入和物品的节点嵌入的具体过程为：图卷积神经网络gcn在每一层聚合过程中，采用邻域的聚合方法来更新用户的节点嵌入和物品的节点嵌入；具体的，对每一个用户的原节点嵌入和每一个物品的原节点嵌入的相邻节点嵌入进行加权平均：基于用户的原节点嵌入和物品的原节点嵌入的相邻节点嵌入进行归一化，表示为：
4.根据权利要求3所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤s3中，将更新后的用户的节点嵌入和物品的节点嵌入进行归一化处理得到邻域聚合的节点嵌入，同时，通过跳跃连接加入初始的用户的节点嵌入和物品的节点嵌入信息的具体过程为：对图卷积神经网络gcn每一层的输出即更新后的用户的节点嵌入和物品的节点嵌入进行归一化处理，同时加入初始的用户的节点嵌入和初始的物品的节点嵌入，通过跳跃连接，获得用户的高阶节点嵌入和物品的高阶节点嵌入，表示为：
5.根据权利要求4所述的一种双视图对齐的负样本优化对比学习推荐方法，其特征在于：步骤s3中，对原始视图加入自适应噪声作为数据增强得到增强视图的具体过程为：在原始视图的用户的节点嵌入和物品的节点嵌入中，加入自适应噪声，自适应噪声基于和自适应产生，并且乘以超参数λ控制噪声权重，表示为：
【专利技术属性】
技术研发人员：王明文，邹嘉铭，江威，周怡敏，黄琪，罗文兵，
申请(专利权)人：江西师范大学，
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。