一种基于自监督变分自编码器的物品推荐方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113868517A(43)申请公布日2021.12.31(21)申请号202111087039.8(22)申请日2021.09.16(71)申请人北京交通大学地址100044北京市海淀区西直门外上园村3号(72)发明人王靖张志飞邬俊(74)专利代理机构北京市商泰律师事务所11255代理人黄晓军(51)Int.Cl.G06F16/9535(2019.01)G06Q30/06(2012.01)G06N20/00(2019.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于自监督变分自编码器的物品推荐方法(57)摘要本发明提供了一种基于自监督变分自编码器的物品推荐方法。该方法包括：获取推荐主任务数据，收集用户反馈数据，构建用户‑物品反馈矩阵；获取自监督辅助任务数据，利用自监督辅助任务数据进行数据增广，获得增广后的用户‑物品反馈矩阵；将所述用户‑物品反馈矩阵和所述增广后的用户‑物品反馈矩阵输入到自监督变分自编码器SSVAE模型，利用目标函数优化算法训练SSVAE模型，得到训练好的SSVAE模型；根据训练好的SSVAE模型预测用户对未评分物品的喜好程度，并将预估分值较高的物品推荐给用户。本发明的方法通过设计简单而有效的自监督任务挖掘用户反馈信息的内在特征，辅助主任务获取更高质量的用户表征，可以大幅度提高推荐性能。CN113868517ACN113868517A权利要求书1/2页1.一种基于自监督变分自编码器的物品推荐方法，其特征在于，包括：获取推荐主任务数据，收集用户反馈数据，构建用户‑物品反馈矩阵；获取自监督辅助任务数据，利用所述自监督辅助任务数据进行数据增广获得增广后的用户‑物品反馈矩阵；将所述用户‑物品反馈矩阵和所述增广后的用户‑物品反馈矩阵输入到自监督变分自编码器SSVAE模型，利用目标函数优化算法训练SSVAE模型，得到训练好的SSVAE模型；根据训练好的SSVAE模型预测用户对未评分物品的喜好程度，并将预估分值较高的物品推荐给用户。2.根据权利要求1所述的方法，其特征在于，所述的获取推荐主任务数据，收集用户反馈数据，构建用户‑物品反馈矩阵，包括：获取推荐主任务数据，收集用户反馈数据，将用户反馈数据表示为用户‑物品反馈矩阵X∈{0，1}m×n，其中m、n分别表示用户、物品的数量；矩阵的第u行是用户u的反馈向量，记录了用户u的历史交互行为，xui＝1表示用户u与物品i发生过交互行为，xui＝0表示用户u与物品i尚未产生交互。3.根据权利要求1所述的方法，其特征在于，所述的获取自监督辅助任务数据，利用所述自监督辅助任务数据进行数据增广，获得增广后的用户‑物品反馈矩阵，包括：获取自监督辅助任务数据，增广用户反馈数据并构造自监督学习任务的正负样本对，对于用户‑物品反馈矩阵X，以固定的概率α丢弃X中一部分历史交互物品的节点信息，丢弃节点的值用0代替，表示如下：X′＝P′⊙X，X″＝P″⊙X其中和是两个独立的掩码向量，⊙是哈达玛乘积，X′和X″是增广后的用户‑物品反馈矩阵，表示用户反馈的两个不同视图，每个视图代表用户的部分反馈数据，矩阵X′和X″的第u行x′u和x″u表示在对应视图下用户u的反馈向量；同一用户在不同视图下的反馈向量x′u和″u视作正样本对，不同用户在不同视图下的反馈向量x′u和x″v，u≠v视作负样本对。4.根据权利要求1所述的方法，其特征在于，所述的将所述用户‑物品反馈矩阵和所述增广后的用户‑物品反馈矩阵输入到自监督变分自编码器SSVAE模型，利用目标函数优化算法训练SSVAE模型，得到训练好的SSVAE模型，包括：设置SSVAE模型的目标函数如下：其中表示推荐任务的损失函数，表示自监督学习任务的损失函数，λ是控制自监督任务学习强度的参数；将用户‑物品反馈矩阵X输入至SSVAE模型进行训练，学习用户特征的分布，根据分布采样得到用户特征矩阵将Z输入至解码器训练，重构用户‑物品反馈矩阵；其中Z的第u行表示用户u的特征向量，d为向量维度，损失函数定义如下：2CN113868517A权利要求书2/2页将增广后的用户‑物品反馈矩阵X′和X″输入至SSVAE模型进行训练，获取用户特征矩阵和其中Z′和Z″的第u行和分别表示对应视图下用户u的特征向量，其中d为向量维度；采用对比学习的方式最大化用户正样本对特征z′u和z″u间的一致性，以及负样本对特征z′u和z″v之间的差异性，学习具有判别性的用户特征，辅助推荐任务，损失函数定义如下：其中U表示用户节点集合，u为用户节点索引，s(·)为余弦相似度函数用于衡量同一用户节点在两个视图的相似度，τ是可调的超参数合并整理各项后，自监督变分自编码器模型的最终目标函数表示如下：利用所述最终目标函数用优化算法训