【技术实现步骤摘要】
本专利技术属于大数据分析，具体涉及信息推荐技术，尤其涉及一种基于偏好原型感知学习的通用跨域推荐方法。
技术介绍
1、推荐技术旨在为用户提供满意的信息推送服务，被广泛应用于众多线上场景中，例如社交软件上的好友推荐、购物平台上的商品推荐和短视频平台上的视频推荐。推荐系统彻底改变了用户发现和参与内容的方式，主要通过发掘潜在的用户偏好并建议可能感兴趣的项目。单一域内推荐系统侧重于对用户在一个领域内的行为进行建模，通过分析用户的历史行为和物品的特征来生成推荐结果，不断的优化推荐效果，从而提供有关用户个性化的推荐，以满足用户的偏好和需求。
2、跨领域推荐是通过利用来自多个领域的数据，增强对用户偏好的理解，从而实现更个性化和准确的推荐。传统推荐系统主要集中于双领域研究，缺乏独立的用户偏好建模专用模块。在尝试跨多个领域提取用户偏好时，这些方法在识别真实的用户偏好和过滤冗余项目特征方面面临挑战，使其在这种情况下的效果不尽如人意。为了解决这些问题，一些方法构建了专门的模块来提取用户偏好。这些方法基于统一框架，便于在双领域和多领域的现实场景中应用，因此被归类为通用的跨领域推荐方法。这一开创性工作通过聚合器来获取项目的特定特征，而其聚合器仅由简单的池化或注意力机制组成。受到这一通用且有效框架的启发，一些方法利用微调技术重新传递用户偏好。然而，该方法需要预训练，未能形成端到端结构，且无法直接提取用户偏好。最近，一些方法通过掩盖项目表示提取的用户偏好，旨在鼓励模型间接预测用户偏好。这种方法的关键限制在于，掩码机制对于数据量不足的数据集来说更具挑
3、尽管取得了令人鼓舞的成果，上述跨领域推荐研究主要集中在从源领域提取用户偏好和特定特征。然而，这种方法可能无法有效捕捉用户偏好的真正本质，因为用户偏好与在更高语义层次上互动的项目更加密切相关，而非具体的项目特征。过分强调项目特定特征可能导致次优推荐，并阻碍用户偏好在各个领域之间的转移。如果仅考虑书籍的具体特征，如作者、类型或写作风格，这可能导致过于狭隘地关注与书籍相关的特征。尤其是当这些项目与用户的喜剧偏好相关时，这种以项目特征为中心的方法会使推荐与用户喜好对齐的其他领域的相关项目(如电影或电视节目)变得困难。对具体项目特征的依赖可能会引入噪声并限制推荐系统的泛化能力。所有这些方法都利用特定项目特征来粗略地表示用户偏好，而忽略了源领域特征和无关特定特征带来的显著干扰。这种忽视导致了最终基于冗余特定特征的次优推荐，因为模型无法有效区分有效特征和无关特征。
技术实现思路
1、本专利技术为了克服现有技术提取冗余特征的不足之处，提出一种基于偏好感知学习的通用推荐方法，能够更好地学习交互项目的一般表示、捕获不同领域的项目之间的内在关系并实现对于用户偏好的精准提取，从而实现更好的推荐效果。
2、一种基于偏好原型感知学习的通用跨域推荐方法，该方法包括利用原型感知学习量化用户偏好，且根据给定的特定交互项目与全局交互项目以及用户id，以实现在若干个场景下的通用跨域推荐，该方法实现步骤包括：
3、s1、对域中的用户、项目和交互进行定义，对于x域和y域所组成的双域场景表示为i∈{x,y}，用户、项目和交互组成集合表示为跨域项目之间的相似度分数bg＝(bx,by)，其中bx和by分别代表在x域和y域中个性化的相似度分数，该相似度分数用于增强项目特征的先验知识；
4、基于交互从项目中选择n个项目以构成特定交互项目基于交互从和中选择2n个项目表示共享交互项目vg，且和bi以及全局嵌入vg和bg组成项目有效的相关输入；
5、s2、通过项目评分的指导来提取有效的特定表示构建混合编码器，且基于混合网络来学习已交互项目的通用表示，基于两个混合编码器分支来捕获两个编码的领域特征，捕捉项目之间更深层次的依赖关系，进而通过项目评分生成可学习的权重来引导项目嵌入；
6、s3、基于步骤s2中混合网络捕捉的项目之间的关系，针对特定分支和全局分支进行编码，使其成为高度相关的特定领域特征和全局领域特征，然后使用混合编码器来学习特定领域和全局领域的表示，且包括特定分支和全局分支的编码特征供原型感知解码器使用；
7、s4、采用经过原型解码器量化的用户兴趣原型来定位目标项目，包括按照正向偏好和负向偏好对源域中的用户偏好进行不喜欢到喜欢的量化，由此得到原型的偏好表示，基于原型感知解码器计算项目相似度，将源领域的偏好引入共享领域来指导全局编码特征，实现在目标领域中提取最终的用户特征最后用户-项目预测评分通过计算，以决定推荐项目；
8、该方法包括选择对比学习作为辅助任务算法来调节正负交互的潜在空间。
9、基于上述方案，进一步地，步骤s1还包括如下步骤：
10、定义和表示用户和项目的嵌入，且用于提取有效表示，其中h是全局嵌入维度，u表示数据用户嵌入，基于该嵌入层，得到可应用于多目标场景下跨领域推荐的三个基本表示：u、和(vg,bg)，u表示用户嵌入，表示具有评分bi的特定项目嵌入，具有评分bg的全局项目嵌入vg。
11、进一步地，所述步骤s2中考虑潜在用户uj在x域中进行的交互行为，根据包含特定项目嵌入和评分bx∈rn×1的历史记录，设计混合网络以实现捕获领域表示e，用于压缩项目嵌入和评分，其中n是样本数量；
12、所述的混合网络通过参数ψ来编码项目嵌入，表示为f(·；ψ):rn×h→r1×h，该混合网络遵循的混合机制如下：
13、
14、其中，和是可学习的参数，符号|·|表示取绝对值，混合权重w1∈rn×h和w2∈rh×1是由输入的评分b学习得到的；运行上述式子之后，通过领域表示e和当前用户嵌入uj，生成最终编码的领域特征
15、进一步地，所述步骤s3中，所述的特定分支是指通过将输入提供给混合编码器以捕获潜在的特定特征，表示如下：
16、
17、所述全局分支是指将输入[uj,(vg,bg)]提供给混合编码器，以生成全局编码特征，表示如下：
18、
19、该步骤中，编码特征将进一步由解码器使用。
20、进一步地，所述步骤s4对于源域中的用户的偏好量化是将正向偏好划分为k个可调整的原型，并将负向偏好划分为k个原型进行量化从不喜欢到喜欢的偏好；
21、将上述原型表示为用户偏好从源领域中提取，因此它们只与交互，所以通过匹配最高相似度的原型p*使模型感知偏好，相似度计算如下：
22、
23、其中，∈被设置为一个小数值，以防止除以零，在获得偏好原型p*后，通过将源领域的这种偏好引入共享领域来指导全局编码特征从而有效地在目标领域中提取最终的用户特征其中的线性层gu带有参数φ，用于动态地将编码特征适应不断变化的偏好特征，提取最终的用户特征：
24、
25、原型学习的目标函数定义如下：
26、
27、其中，c是一个全连接层，用于预测正面或负面概率本文档来自技高网...
【技术保护点】
1.一种基于偏好原型感知学习的通用跨域推荐方法，其特征在于，该方法包括利用原型感知学习量化用户偏好，且根据给定的特定交互项目与全局交互项目以及用户ID，以实现在若干个场景下的通用跨域推荐，该方法步骤包括：
2.根据权利要求1所述的基于偏好原型感知学习的通用跨域推荐方法，其特征在于：步骤S1还包括如下步骤：
3.根据权利要求1所述的基于偏好原型感知学习的通用跨域推荐方法，其特征在于：所述步骤S2中考虑潜在用户uj在X域中进行的交互行为，根据包含特定项目嵌入和评分BX∈RN×1的历史记录，设计混合网络以实现捕获领域表示E，用于压缩项目嵌入和评分，其中N是样本数量；
4.根据权利要求1所述的基于偏好原型感知学习的通用跨域推荐方法，其特征在于：所述步骤S3中，所述的特定分支是指通过将输入提供给混合编码器以捕获潜在的特定特征，表示如下：
5.根据权利要求1所述的基于偏好原型感知学习的通用跨域推荐方法，其特征在于：所述步骤S4对于源域中的用户的偏好量化是将正向偏好划分为K个可调整的原型，并将负向偏好划分为K个原型进行量化从不喜欢到喜欢的偏好；<...
【技术特征摘要】
1.一种基于偏好原型感知学习的通用跨域推荐方法，其特征在于，该方法包括利用原型感知学习量化用户偏好，且根据给定的特定交互项目与全局交互项目以及用户id，以实现在若干个场景下的通用跨域推荐，该方法步骤包括：
2.根据权利要求1所述的基于偏好原型感知学习的通用跨域推荐方法，其特征在于：步骤s1还包括如下步骤：
3.根据权利要求1所述的基于偏好原型感知学习的通用跨域推荐方法，其特征在于：所述步骤s2中考虑潜在用户uj在x域中进行的交互行为，根据包含特定项目嵌入和评分bx∈rn×1的历史记录，设计混合网络以实现捕获领域表示e，用于压缩项目嵌入和评分，其中n...
【专利技术属性】
技术研发人员：张雨溪，张吉，李博涵，徐飞扬，陈吕莹，
申请(专利权)人：南京航空航天大学，
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。