一种基于Siamese生成对抗网络与不确定性对抗记忆的序列推荐方法技术

本发明专利技术公开了一种基于Siamese生成对抗网络与不确定性对抗记忆的序列推荐方法。首先，在生成式对抗网络中引入Siamese网络，通过将真实序列与生成序列映射到同一特征空间，衡量真实序列与生成序列的特征相似性，细化了序列间的特征差异，并将相似性损失集成到对抗学习过程中，实现相似特征的对抗学习优化，有效克服了传统生成式对抗网络的局限性。此外，本发明专利技术还设计了不确定性对抗记忆机制，通过在注意力机制中融入查询和键的惩罚修正项与对抗性高斯噪声，使其能够动态抑制高不确定性与噪声特征的干扰，并采用外部记忆机制的记忆槽实现用户行为长程依赖的建模。本发明专利技术在Sports、Yelp和ML‑1M数据集上的大量实验证明了我们所提出模型的有效性。

【技术实现步骤摘要】

本专利技术属于深度学习推荐系统，涉及对抗学习优化框架与深度序列建模的。

技术介绍

1、推荐系统作为信息过滤与个性化服务的核心技术，已广泛应用于电商、社交媒体和流媒体等领域。传统方法基于静态用户偏好建模，难以捕捉动态行为特征，尤其在用户兴趣实时漂移(如突发场景需求)或行为隐含时序逻辑(如“手机→贴膜→耳机”的强关联消费链)的场景下，易导致推荐结果与真实意图错位。为此，序列推荐系统作为推荐领域的重要分支，得到了越来越多的关注。不同于传统的推荐方法，序列推荐通过捕捉用户交互行为的时间顺序，从用户的连续操作中挖掘潜在需求，能够更加准确地预测用户的未来行为。这种方法基于用户的历史行为序列进行建模，不仅关注单次行为或静态偏好，还能够识别用户兴趣的动态变化，为用户提供更加具有上下文关联的推荐。

2、早期研究依赖马尔科夫链和矩阵分解刻画短程依赖与全局关联，随后基于cnn、rnn的深度学习模型通过局部模式捕捉与长程依赖建模显著提升特征提取能力，而transformer通过自注意力机制动态加权关键行为节点(如识别“情人节买花”的短期高峰需求)，进一步优化行为关联建本文档来自技高网...

【技术保护点】

1.一种基于Siamese生成对抗网络与不确定性对抗记忆的序列推荐方法，所述方法包括以下步骤：

2.根据权利要求1所述的融合Siamese网络的增强对抗网络框架的构建，所述S2的具体过程为：

3.根据权利要求1所述的Siamese网络的构建，所述S3的具体过程为：

4.根据权利要求1所述的对比学习的构建，所述S5的具体过程为：

5.根据权利要求1所述的不确定性对抗记忆机制的构建，所述S6的具体过程为：

6.根据权利要求1所述的多任务训练策略，所述S7的具体过程为：

【技术特征摘要】

1.一种基于siamese生成对抗网络与不确定性对抗记忆的序列推荐方法，所述方法包括以下步骤：

2.根据权利要求1所述的融合siamese网络的增强对抗网络框架的构建，所述s2的具体过程为：

3.根据权利要求1所述的siamese网络的构建...

【专利技术属性】
技术研发人员：张俊三，丁凤媚，吴斯霓，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：