【技术实现步骤摘要】
本专利技术涉及计算机，更具体地说，本专利技术涉及一种融合区域负采样和图对比学习的推荐方法。
技术介绍
1、对比学习（contrastive learning）是一种机器学习方法，旨在通过比较不同样本之间的相似性或差异性来学习数据表示。其核心思想是通过将正样本（相似的样本）和负样本（不相似的样本）进行对比，来学习数据的表征，从而使相似的样本在表示空间中更加接近，而不相似的样本则更加远离。对比学习已被广泛应用于计算机视觉、自然语言处理和推荐系统等领域。
2、在推荐系统中，对比学习可以帮助模型学习用户和物品之间的相似性或关联性。通过将用户行为数据转化为对比学习任务，推荐系统可以更好地理解用户的偏好和行为模式，从而提高推荐的准确性和个性化程度。
3、图神经网络（graph neural networks，gnns）是一类专门用于处理图数据的神经网络模型。图神经网络通过利用图结构中的节点和边的信息来学习节点的表示，从而可以有效地捕捉节点之间的关系和局部结构。
4、在图神经网络推荐系统中，对比学习可以与图神经网络相结合，从而提高推荐效果。通过将对比学习任务与图神经网络的节点表示学习相结合，可以使模型更好地理解用户和物品之间的关系，并更精准地进行推荐。例如，可以将用户行为数据转化为图结构，并利用对比学习来学习节点表示，然后结合图神经网络的推荐网络模型来预测用户对物品的喜好程度。这种融合对比学习和图神经网络的方法可以有效地解决传统推荐系统中面临的冷启动、稀疏性和可扩展性等问题，从而提高推荐系统的性能和用户满意
5、在图神经网络推荐系统中，对比学习可以与图神经网络相结合，从而提高推荐效果。通过将对比学习任务与图神经网络的节点表示学习相结合，可以使模型更好地理解用户和物品之间的关系，并更精准地进行推荐。例如，可以将用户行为数据转化为图结构，并利用对比学习来学习节点表示，然后结合图神经网络的推荐网络模型来预测用户对物品的喜好程度。这种融合对比学习和图神经网络的方法可以有效地解决传统推荐系统中面临的冷启动、稀疏性和可扩展性等问题，从而提高推荐系统的性能和用户满意度。
6、负采样是基于gnn的推荐网络模型训练中的一项关键技术，特别适用于处理隐式反馈数据。隐式反馈指的是从用户行为（如点击、查看、购买）中推断出来的反馈，而非用户明确提供的反馈。随着隐式反馈在在线平台中的普及，它被广泛应用于推荐系统的训练过程中。这些行为通常仅代表了用户的正反馈，因此需要引入负采样来提供负反馈信息。在基于协同过滤的模型训练中，需要区分正样本和负样本，以增强模型对用户感兴趣项目的推荐能力。负采样方法对推荐网络模型的最终性能具有显著影响。
7、而当前的采样方法主要集中于逐点或逐线采样，这些方法在处理图结构数据时存在一定的局限性。这种局限性表现在两个方面：一是缺乏灵活性，无法充分考虑到图结构中的全局信息，导致采样过程可能无法有效地覆盖图中的所有重要区域；二是留下了大量的硬采样区域未被探索。硬采样区域指的是图中的一些关键区域或具有重要信息的节点或边，但由于采样方法的限制，这些区域未能被充分探索。因此，现有的采样方法在处理图结构数据时存在一定的局限性，需要更加灵活和高效的采样策略来提高图推荐网络模型的性能和效率。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种融合区域负采样和图对比学习的推荐系统。
2、一种融合区域负采样和图对比学习的推荐方法，包括如下步骤：
3、步骤s1：构建数据集，数据集包括交互数据，交互数据包括用户数据和项目数据，根据交互数据构建二部图，将二部图转换为二维向量结构并进行归一化处理获取归一化邻接矩阵；
4、步骤s2：构建推荐网络模型，将步骤s1中的归一化邻接矩阵导入到推荐网络模型的多层图卷积网络中进行邻域信息聚合，获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，构建贝叶斯个性化排序损失函数对区域负采样过程进行计算；
5、步骤s3：对步骤s1获取的归一化邻接矩阵进行随机奇异值分解操作得到增强视图，通过图卷积网络获得增强视图的节点嵌入，利用增强视图的节点嵌入和步骤s2的主视图的节点嵌入构建对比学习损失函数；
6、步骤s4：构建总损失函数对步骤s2的成对损失函数与步骤s3的对比学习损失函数进行联合训练，最小化总损失函数的损失优化推荐网络模型的参数；
7、导入用于测试的用户数据至训练后的推荐网络模型，推荐网络模型通过计算预测评分，根据最高的预测评分输出对应的项目数据作为预测推荐。
8、进一步的，将步骤s1中的归一化邻接矩阵导入到推荐网络模型的多层图卷积网络中进行邻域信息聚合，获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，构建成对损失函数对区域负采样过程进行计算，具体为：
9、将归一化邻接矩阵放入多层图卷积网络中进行邻域信息聚合，以获取主视图的节点的嵌入，在多层图卷积网络的第层聚合过程如下式所示：
10、；
11、；
12、其中，和分别表示用户数据和项目数据的嵌入向量，表示激活函数，表示归一化邻接矩阵，表示随机边缘丢弃操作，表示用户数据，表示项目数据，表示用户数据的聚合节点嵌入，表示项目数据的聚合节点嵌入；
13、主视图的节点嵌入为多层图卷积网络的所有层的嵌入向量的总和，主视图的节点嵌入包括用户数据的节点嵌入 和项目数据的节点嵌入，用户数据的节点嵌入的转置和项目数据的节点嵌入的内积则表示用户数据对项目数据的预测评分，如下式所示：
14、；
15、；
16、；
17、其中，表示用户数据的节点嵌入,表示项目数据的节点嵌入，表示用户数据对项目数据的预测评分，表示用户数据的节点嵌入的转置，表示用于遍历累加的参数。
18、进一步的，步骤s2中的获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，具体为：
19、步骤s21:定义采样边界,预采样项目数据的负项候选集以减少计算工作量，对于每组交互数据，通过对边界项进行采样以定义负采样区域，以保持负采样区域的最佳大小，计算用户数据的嵌入向量与项目数据的嵌入向量的点积分数，选择最高的点积分数的作为边界项来定义采样边界，计算过程如下所示：
20、；
21、；
22、其中，表示负项候选集，负项候选集包括若干未与用户数据进行交互的项目数据，分别表示负项候选集的各个样本,表示负项候选集的样本数量，表示边界项，边界项定义用户与项目嵌入空间中的硬负区域以及相应的正项，表示用户数据的嵌入向量的转置矩阵，表示未与用户数据进行交互的项目数据的嵌入向量，表示最大值索引函数；
23、步骤s22:进行区域性采样,推荐网络模型进行边界项和正项之间的独立于维度的混合以探索硬负区域内的非对角空间，并将线向采样扩展到区域采样，通过在连续空间中生成负项，对步骤s21中负采样区域进行第维度的混合，表示为：<本文档来自技高网...
【技术保护点】
1.一种融合区域负采样和图对比学习的推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种融合区域负采样和图对比学习的推荐方法，其特征在于：将步骤S1中的归一化邻接矩阵导入到推荐网络模型的多层图卷积网络中进行邻域信息聚合，获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，构建成对损失函数对区域负采样过程进行计算，具体为：
3.根据权利要求2所述的一种融合区域负采样和图对比学习的推荐方法，其特征在于，步骤S2中的获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，具体为：
4.根据权利要求3所述的一种融合区域负采样和图对比学习的推荐方法，其特征在于：步骤S3具体为：
5.根据权利要求4所述的一种融合区域负采样和图对比学习的推荐方法，其特征在于，步骤S4中的构建总损失函数对步骤S2的成对损失函数与步骤S3的对比学习损失函数进行联合训练，具体为：
【技术特征摘要】
1.一种融合区域负采样和图对比学习的推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种融合区域负采样和图对比学习的推荐方法，其特征在于：将步骤s1中的归一化邻接矩阵导入到推荐网络模型的多层图卷积网络中进行邻域信息聚合，获得主视图的节点嵌入并对主视图的节点嵌入进行区域负采样，构建成对损失函数对区域负采样过程进行计算，具体为：
3.根据权利要求2所述的一种融合区域负采样和...
【专利技术属性】
技术研发人员：罗文兵，江威，陈开阳，邹嘉铭，邹郁萑，李国威，黄琪，王明文，
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。