面向社交推荐的高效图对比学习方法技术

本发明专利技术公开了一种面向社交推荐的高效图对比学习方法。图对比学习作为一种新兴的自监督学习范式，因其能够有效捕捉图结构中的相似性和异质性特征而在应对数据稀疏和冷启动问题时表现出色，尽管这种学习范式在推荐系统中取得了良好效果，但仍然面临三点不足之处：(1)消息传播过程中采用平均邻居聚合和非自适应表征读取机制，难以学习出高质量的节点表征；(2)介入对比学习时依赖随机扰动生成图增强视角，这可能破坏图数据的固有结构，进而削弱模型的精确度；(3)参数优化时平等对待所有观测样例，忽视了不同训练阶段正样本的差异性影响。具体而言，本发明专利技术针对上述问题，提出高效图对比学习方法(简称EGCL)。首先，设计图自适应传播模块，通过借鉴热核思想和注意力机制来改进图神经网络的信息传播规则，并采用可学习的权重分配策略实现邻居节点差异化聚合；其次，设计无需图增强的双重对比学习范式，通过域内对比学习(intra‑CL)与域间对比学习(inter‑CL)实现节点表征的相互促进；最后，引入样例权重自适应的高效优化算法，将训练过程转化为双层优化问题，自适应调节不同阶段下每个样例对于模型优化的贡献度。

【技术实现步骤摘要】

技术介绍

1、在信息过载的时代，推荐系统在缓解信息过载问题和提供个性化服务方面发挥着重要作用，从用户的历史行为推断用户对某项物品的偏好是现代推荐的关键。随着社交网络的普及，许多平台(如豆瓣)鼓励用户在线娱乐，并与朋友分享体验。根据社会影响和同质化原理，社交关系在向用户提供个性化服务的功能上扮演着十分重要的角色，亦称为社交推荐，即运用社交关系来缓解协同过滤推荐方法的两大挑战：数据稀疏和冷启动。

2、据专利技术人所知，近年来，该领域的早期阶段使用矩阵分解来模拟用户-物品交互，以及基于分解或基于正则化的方式来捕捉社会影响。然而，这些早期的社会意识方法只利用了直接的邻居，并不能模拟“口碑”效应，随后在社交推荐的研究中使用多个图传播层模拟递归社会扩散过程并开发了一种空间自适应图卷积网络去捕捉交互图和社交图中的高阶协同信号，尽管取得了令人鼓舞的成果，但这些方式仍然使用监督学习进行训练，容易受到数据分布的偏差和交互噪声的影响，很多研究使用对比学习提高模型的准确性和鲁棒性。从早期基于分解的方法到神经社会化方法再到近期的图神经网络方法。尽管已经取得显著进展，但本文档来自技高网...

【技术保护点】

1.一种面向社交推荐的高效图对比学习方法，其特征在于，(1)主要解决图神经网络在消息传播、对比学习融合及参数优化中的三大局限性，提升社交推荐系统的表征学习与训练效率；(2)该方法包含了三个主要模块，分别是图自适应传播模块、无需图增强的双重对比学习模块以及模型优化模块。

2.根据权利要求1所述的面向社交推荐的高效图对比学习方法，其特征在于，模型的输入数据包含兴趣图社交图以及社交好友集合和用户历史行为集合

3.根据权利要求1和2所述的面向社交推荐的高效图对比学习方法，其特征在于，采用独热编码技术初始化用户u和物品i的原始特征向量vu＝one-hot(u)、vi＝one...

【技术特征摘要】

1.一种面向社交推荐的高效图对比学习方法，其特征在于，(1)主要解决图神经网络在消息传播、对比学习融合及参数优化中的三大局限性，提升社交推荐系统的表征学习与训练效率；(2)该方法包含了三个主要模块，分别是图自适应传播模块、无需图增强的双重对比学习模块以及模型优化模块。

2.根据权利要求1所述的面向社交推荐的高效图对比学习方法，其特征在于，模型的输入数据包含兴趣图社交图以及社交好友集合和用户历史行为集合

3.根据权利要求1和2所述的面向社交推荐的高效图对比学习方法，其特征在于，采用独热编码技术初始化用户u和物品i的原始特征向量vu＝one-hot(u)、vi＝one-hot(i)，并通过可学习参数矩阵和进行线性投影，生成初始表征pu＝ptvu、qi＝qtvi。

4.根据权利要求1、2和3所述的面向社交推荐的高效图对比学习方法，其特征在于，在图自适应传播模块，将节点的重要性融入到消息传播过程中，以兴趣图为例，对于每个用户u及其邻居集合权重系数的邻域聚合操作fagg可抽象为：

5.根据权利要求1、2、3和4所述的面向社交推荐的高效图对比学习方法，其特征在于，在图自适应传播模块...

【专利技术属性】
技术研发人员：吴宾，樊瑞文，田怡豪，吴欣欣，
申请(专利权)人：郑州大学，
类型：发明
国别省市：