[发明专利]基于解耦多行为表征学习的个性化推荐方法

说明书

本发明涉及推荐系统及深度学习技术领域，具体涉及一种基于解耦多行为表征学习的个性化推荐方法。利用级联行为关系学习每个行为中用户嵌入和物品嵌入，每个行为中的用户和物品特征信息作为元知识，元网络模型提取元知识为用户和物品建模行为之间的个性化特征转换。在此基础上，利用解耦表征学习解耦每个行为中的用户嵌入和物品嵌入。针对解耦后的用户嵌入和物品嵌入，设计了特征偏好注意力网络建模用户在不同行为中对不同的特征有不同的偏好。最后聚合所有行为中用户对物品的预测分数。因此，本发明一方面建模更加细粒度化的用户嵌入和物品嵌入，另一方面也使得推荐模型更加个性化，从而提升了推荐系统的性能。

技术领域

本发明涉及推荐系统及深度学习技术领域，尤其涉及一种基于解耦多行为表征学习的个性化推荐方法。

背景技术

推荐作为信息时代处理信息过载问题的有效工具，在过去的十年中取得了巨大的进步。基于模型的协同过滤根据用户和物品的交互来学习用户和物品的表示以进行推荐，自从在Netflix推荐算法竞赛中获得成功以来，它已经成为主流的推荐技术。但是协同过滤模型往往建立在与平台利润直接相关的单一行为之上，如电子商务平台的购买行为或App平台的下载行为。由于这种行为给用户带来了真实的经济或时间成本，单一行为推荐模型在实际应用中会遇到严重的数据稀疏问题。幸运的是，用户通常会采取其他类型的行为(即点击和购物车)来获取有关物品的更多信息，以帮助他们做出最终决定。与购买行为相比，其他类型的行为具有更丰富的交互作用。这些类型的行为或辅助行为可以被用来帮助捕捉用户偏好，缓解推荐中的数据稀疏问题。

近年来，多行为推荐模型利用行为的级联关系取得了巨大进步，例如多行为推荐模型级联图卷积网路（MB-CGCN），它采用级联的图卷积神经网络（GCN）模块来显式地建模行为之间的级联关系。在该模型中，GCN 中结构模型（LightGCN）在前一个行为上学习的行为特征在特征转换操作后传递给链中的下一个行为，从所有行为中学习的嵌入被聚集在一起以用于最终预测。

尽管级联多行为推荐模型技术取得了巨大进步，但仍然面临两大限制。一方面，每种行为的用户嵌入和物品嵌入所有特征纠缠在一起，从而产生次优化问题。用户在不同行为中对不同的特征偏好是不同的，所有特征纠缠在一起不能建模用户的特征偏好。另一方面，行为之间的特征转换是共享的。每个行为之间的特征转换应该根据用户或者物品信息建模个性化的特征转换，产生更加具有个性化的推荐模型。

发明内容

本发明针对现有技术的不足，研制一种基于解耦多行为表征学习的个性化推荐方法，不仅能够显示每个行为中用户对物品的偏好程度，而且提出利用元学习网络建模个性化的特征转换。

本发明解决技术问题的技术方案为：

一种基于解耦多行为表征学习的个性化推荐方法，包括如下步骤：

（a）在电子商务数据集中通过预处理得到训练集和测试集；

（b）数据集中包括M个用户、N个物品以及B种交互行为；

（c）构建个性化级联GCN模块得到B种交互行为的用户嵌入和物品嵌入，该模块由B个GCN组成，GCN之间由元学习网络传递个性化信息；

（d）对B种交互行为的用户嵌入和物品嵌入进行解耦，利用特征偏好注意力网络建模用户在不同行为中有不同的特征偏好；

（e）计算用户在B种行为下对物品的整体偏好；

（f）利用模型损失通过Adam优化器优化模型参数。

所述的基于解耦多行为表征学习的个性化推荐方法优选方案，步骤(a)包括如下步骤：对于电子商务数据集，将用户在B种行为中所交互过的物品分别按照留一法进行划分，每个用户在B种行为中的最后一次交互被保留下来作为测试集，其余的数据作为训练集，B种交互行为的顺序遵循数据集或者真实行为的顺序。

所述的基于解耦多行为表征学习的个性化推荐方法优选方案，步骤（b）包括如下步骤：