【技术实现步骤摘要】
本专利技术涉及推荐，特别涉及一种融合扩散模型的生成对抗网络推荐方法。
技术介绍
1、生成对抗网络是一种杰出的生成式模型，能够不依赖于任何先验假设，学习到高维复杂的数据分布。它在图像领域的成功应用，得以证明其数据生成能力的巨大潜力。同时，它也被证明在解决数据噪声和数据稀疏性方面有不错的效果，这能为优化推荐性能提供新的解决方案。
2、然而，在生成对抗网络的训练过程中，生成器会将原有的多种模式进行压缩，导致某些模式丢失，从而产生模式崩塌问题。该问题在推荐领域尤为突出。原因在于，用户具有多种评分偏好模式，如非常不喜欢、不喜欢、一般、喜欢和非常喜欢，若模型训练导致部分偏好信息丢失，会使预测结果难以显示用户复杂的兴趣偏好和行为模式，降低了模型的可解释性。预测评分也无法充分体现用户个性化偏好特征，这会极大地影响推荐精度和用户满意度。因此，设计一种融合扩散模型的生成对抗网络推荐方法来进一步优化推荐性能就显得尤为重要。
技术实现思路
1、针对上述问题，本专利技术提出一种融合扩散模型的生成对抗网络...
【技术保护点】
1.一种融合扩散模型的生成对抗网络推荐方法，以进一步优化推荐性能，包括如下：
2.如权利要求1所述的一种融合扩散模型的生成对抗网络推荐方法，其特征在于，所述前向加噪模块，用于通过扩散模型前向过程，向原始评分矩阵不断注入高斯噪声来破坏原始分布，以得到两个不同加噪步数的稠密矩阵(条件向量和真实向量)。对于用户u，取其对项目集I的历史评分向量为Ru＝[ru1,…,rui,…,rum]，其中rui为用户u对项目i的具体评分值。加噪过程可被参数化为：
3.如权利要求1所述的一种融合扩散模型的生成对抗网络推荐方法，其特征在于，所述潜向量空间去噪模块，用于潜...
【技术特征摘要】
1.一种融合扩散模型的生成对抗网络推荐方法，以进一步优化推荐性能，包括如下：
2.如权利要求1所述的一种融合扩散模型的生成对抗网络推荐方法，其特征在于，所述前向加噪模块，用于通过扩散模型前向过程，向原始评分矩阵不断注入高斯噪声来破坏原始分布，以得到两个不同加噪步数的稠密矩阵(条件向量和真实向量)。对于用户u，取其对项目集i的历史评分向量为ru＝[ru1,…,rui,…,rum]，其中rui为用户u对项目i的具体评分值。加噪过程可被参数化为：
3.如权利要求1所述的一种融合扩散模型的生成对抗网络推荐方法，其特征在于，所述潜向量空间去噪模块，用于潜向量空间中，生成器在所得条件向量指导下进行不同时刻下的大步数去噪，以得到预测评分矩阵。对于特定用户u，将加噪后的真实评分向量以及其对应时刻t增维后拼接作为条件向量以及随机噪声zu输入到生成器g中；使其在隐向量空间拟合，以得到虚假评分向量其公式如下：
4.如权利要求1所述的一种融合扩散模型的生成对抗网络推荐方法，其特征在...
【专利技术属性】
技术研发人员：邓江洲，王淞立，王永，王鹏程，郭翎子，赵越，何乙申，蔡雨晴，
申请(专利权)人：重庆邮电大学，
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。