本發(fā)明涉及人工智能機器學習，特別是涉及一種基于意圖導向的自監(jiān)督學習圖推薦方法、系統(tǒng)、終端設備及計算機可讀存儲介質(zhì)。

背景技術(shù)：

1、在互聯(lián)網(wǎng)和數(shù)字技術(shù)迅猛發(fā)展的信息時代，人們面臨著海量的信息和內(nèi)容，如何從中篩選出符合用戶興趣和偏好的信息已經(jīng)成為了一個急需解決的問題。推薦系統(tǒng)能夠根據(jù)用戶之前交互過的物品以及各種行為數(shù)據(jù)，向用戶推薦其未來可能進行交互的物品和內(nèi)容，從而能夠提高用戶的體驗，增加用戶的粘性以及促進各種商品的交易。

2、目前，傳統(tǒng)的推薦算法大多是只使用協(xié)同過濾的算法來進行推薦，這類推薦算法的缺點是在訓練推薦算法時會面臨數(shù)據(jù)稀疏性以及數(shù)據(jù)中存在假負樣本的問題。這些問題會降低推薦算法的準確度，從而影響到推薦系統(tǒng)的性能。

技術(shù)實現(xiàn)思路

1、為了解決上述現(xiàn)有技術(shù)中的至少一個問題，本發(fā)明提供了一種基于意圖導向的自監(jiān)督學習圖推薦方法、系統(tǒng)、終端設備及計算機可讀存儲介質(zhì)，能夠更好地建模用戶的興趣，從而實現(xiàn)更準確、更高效的用戶推薦。

2、本發(fā)明的第一個目的在于提供一種基于意圖導向的自監(jiān)督學習圖推薦方法。

3、本發(fā)明的第二個目的在于提供一種基于意圖導向的自監(jiān)督學習圖推薦系統(tǒng)。

4、本發(fā)明的第三個目的在于提供一種終端設備。

5、本發(fā)明的第四個目的在于提供一種計算機可讀存儲介質(zhì)。

6、本發(fā)明的第一個目的可以通過采取如下技術(shù)方案達到：

7、一種基于意圖導向的自監(jiān)督學習圖推薦方法，所述方法包括：

8、根據(jù)用戶與物品的交互數(shù)據(jù)構(gòu)建用戶-物品交互圖，將用戶-物品交互圖中用戶-物品的id輸入意圖感知的圖編碼器，獲取每個意圖下的用戶-物品的嵌入表示，并對每個意圖下的用戶-物品嵌入表示進行聚合；

9、將聚合后用戶-物品的嵌入表示輸入訓練好的自監(jiān)督學習框架中的在線網(wǎng)絡，預測用戶-物品的推薦分數(shù)；其中，所述自監(jiān)督學習框架包括在線網(wǎng)絡和目標網(wǎng)絡，所述在線網(wǎng)絡用于根據(jù)聚合后用戶-物品的嵌入表示預測用戶-物品的推薦分數(shù)，所述目標網(wǎng)絡用于在訓練過程中對聚合后用戶-物品的嵌入表示進行數(shù)據(jù)增強。

10、進一步的，所述將用戶-物品交互圖中用戶-物品的id輸入意圖感知的圖編碼器，獲取每個意圖下的用戶-物品的嵌入表示，包括：

11、將用戶和物品的id轉(zhuǎn)換為可學習的初始嵌入表示，再將初始嵌入表示根據(jù)k個意圖分解為k個不同的嵌入表示；k為大于1的正整數(shù)；

12、根據(jù)每個意圖的嵌入表示以及用戶在該意圖下跟物品進行交互的概率，構(gòu)建每個意圖下的用戶-物品交互圖；

13、對每個意圖下的用戶-物品交互圖進行圖卷積操作，獲取每個意圖下的用戶-物品的嵌入表示。

14、進一步的，所述數(shù)據(jù)增強采用節(jié)點特化的方式。

15、進一步的，設在線網(wǎng)絡的輸出為其中，和分別為用戶的輸出和物品的輸出；

16、設目標網(wǎng)絡的擾動輸出為其中，和分別為用戶的輸出和物品的輸出；

17、在訓練過程中，只在在線網(wǎng)絡上進行反向傳播損失，損失函數(shù)為負余弦損失函數(shù)c·；在目標網(wǎng)絡上停止梯度傳播，采用sg(·)作為停止梯度算子；則自監(jiān)督學習框架的損失函數(shù)為：

18、

19、進一步的，采用交叉預測的方法預測用戶和物品之間的交互得分，即為推薦分數(shù)：

20、s(eu,ei)＝h(eu)·(ei)t+eu·h(ei)t

21、其中，s(eu,ei)為用戶u對物品i的推薦分數(shù)，(eu,ei)為用戶-物品的嵌入表示，eu和ei分別為用戶的嵌入表示和物品的嵌入表示；(·)t表示進行轉(zhuǎn)置操作，h(·)為在線網(wǎng)絡。

22、進一步的，在自監(jiān)督學習框架中加入去噪模塊以實現(xiàn)數(shù)據(jù)去噪；利用去噪模塊的輸出與目標網(wǎng)絡的輸出進行對比學習，以減輕訓練過程中噪聲的影響。

23、進一步的，所述數(shù)據(jù)去噪，包括：

24、將用戶-物品交互圖輸入去噪模塊，根據(jù)節(jié)點與其相鄰節(jié)點的結(jié)構(gòu)相似性計算用戶和物品交互的可靠程度；

25、根據(jù)用戶和物品交互的可靠程度重新構(gòu)建鄰接矩陣，并且將其中可靠程度低于設定閾值的交互丟棄，實現(xiàn)去噪；

26、對去噪后的鄰接矩陣進行圖卷積，獲得去噪后的用戶和物品的嵌入表示，即為去噪模塊的輸出。

27、進一步的，所述在線網(wǎng)絡為單層感知機。

28、本發(fā)明的第二個目的可以通過采取如下技術(shù)方案達到：

29、一種基于意圖導向的自監(jiān)督學習圖推薦系統(tǒng)，所述系統(tǒng)包括：

30、獲取模塊，用于根據(jù)用戶與物品的交互數(shù)據(jù)構(gòu)建用戶-物品交互圖，將用戶-物品交互圖中用戶-物品的id輸入意圖感知的圖編碼器，獲取每個意圖下的用戶-物品的嵌入表示，并對每個意圖下的用戶-物品嵌入表示進行聚合；

31、預測模塊，用于將聚合后用戶-物品的嵌入表示輸入訓練好的自監(jiān)督學習框架中的在線網(wǎng)絡，預測用戶-物品的推薦分數(shù)；其中，所述自監(jiān)督學習框架包括在線網(wǎng)絡和目標網(wǎng)絡，所述在線網(wǎng)絡用于根據(jù)聚合后用戶-物品的嵌入表示預測用戶-物品的推薦分數(shù)，所述目標網(wǎng)絡用于在訓練過程中對聚合后用戶-物品的嵌入表示進行數(shù)據(jù)增強。

32、本發(fā)明的第三個目的可以通過采取如下技術(shù)方案達到：

33、一種終端設備，包括處理器以及用于存儲處理器可執(zhí)行程序的存儲器，所述處理器執(zhí)行存儲器存儲的程序時，實現(xiàn)上述的基于意圖導向的自監(jiān)督學習圖推薦方法。

34、本發(fā)明的第四個目的可以通過采取如下技術(shù)方案達到：

35、一種計算機可讀存儲介質(zhì)，存儲有程序，所述程序被處理器執(zhí)行時，實現(xiàn)上述的基于意圖導向的自監(jiān)督學習圖推薦方法。

36、本發(fā)明相對于現(xiàn)有技術(shù)具有如下的有益效果：

37、本發(fā)明采用自監(jiān)督學習，有效解決了數(shù)據(jù)稀疏性的問題；通過設計對應的輔助任務，能夠更好的利用現(xiàn)有的用戶-物品交互數(shù)據(jù)中的信息；通過采用意圖感知的圖編碼器，能夠更好地建模用戶的各種興趣，從而提高推薦的性能；相比于眾多推薦系統(tǒng)方法中采用的bpr損失函數(shù)，本發(fā)明在孿生網(wǎng)絡的自監(jiān)督學習框架中，在計算損失函數(shù)時能夠只使用觀測到的用戶-物品交互的信息，從而避免了數(shù)據(jù)中存在假負樣本的問題，提高推薦的準確率；采用對比學習的形式將去噪模塊結(jié)合到推薦任務上，減輕了數(shù)據(jù)噪聲對算法的影響。

技術(shù)特征：

1.一種基于意圖導向的自監(jiān)督學習圖推薦方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的自監(jiān)督學習圖推薦方法，其特征在于，所述將用戶-物品交互圖中用戶-物品的id輸入意圖感知的圖編碼器，獲取每個意圖下的用戶-物品的嵌入表示，包括：

3.根據(jù)權(quán)利要求1所述的自監(jiān)督學習圖推薦方法，其特征在于，所述數(shù)據(jù)增強采用節(jié)點特化的方式。

4.根據(jù)權(quán)利要求1所述的自監(jiān)督學習圖推薦方法，其特征在于，設在線網(wǎng)絡的輸出為其中，和分別為用戶的輸出和物品的輸出；

5.根據(jù)權(quán)利要求1所述的自監(jiān)督學習圖推薦方法，其特征在于，采用交叉預測的方法預測用戶和物品之間的交互得分，即為推薦分數(shù)：

6.根據(jù)權(quán)利要求1～5任一項所述的自監(jiān)督學習圖推薦方法，其特征在于，在自監(jiān)督學習框架中加入去噪模塊以實現(xiàn)數(shù)據(jù)去噪；利用去噪模塊的輸出與目標網(wǎng)絡的輸出進行對比學習，以減輕訓練過程中噪聲的影響。

7.根據(jù)權(quán)利要求6所述的自監(jiān)督學習圖推薦方法，其特征在于，所述數(shù)據(jù)去噪，包括：

8.根據(jù)權(quán)利要求1～5任一項所所述的自監(jiān)督學習圖推薦方法，其特征在于，所述在線網(wǎng)絡為單層感知機。

9.一種基于意圖導向的自監(jiān)督學習圖推薦系統(tǒng)，其特征在于，所述系統(tǒng)包括：

10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時，實現(xiàn)權(quán)利要求1～8任一項所述的自監(jiān)督學習圖推薦方法。

技術(shù)總結(jié)
本發(fā)明公開了一種基于意圖導向的自監(jiān)督學習圖推薦方法、系統(tǒng)、設備及存儲介質(zhì)，所述方法包括：根據(jù)用戶與物品的交互數(shù)據(jù)構(gòu)建用戶?物品交互圖，將用戶?物品交互圖中用戶?物品的ID輸入意圖感知的圖編碼器，獲取每個意圖下的用戶?物品的嵌入表示并進行聚合；將聚合后用戶?物品的嵌入表示輸入訓練好的自監(jiān)督學習框架中的在線網(wǎng)絡，預測用戶?物品的推薦分數(shù)；其中，所述自監(jiān)督學習框架包括在線網(wǎng)絡和目標網(wǎng)絡，所述在線網(wǎng)絡用于根據(jù)聚合后用戶?物品的嵌入表示預測用戶?物品的推薦分數(shù)，所述目標網(wǎng)絡用于在訓練過程中對聚合后用戶?物品的嵌入表示進行數(shù)據(jù)增強。本發(fā)明能夠根據(jù)意圖更好地建模用戶的興趣，從而實現(xiàn)更準確、更高效的用戶推薦。

技術(shù)研發(fā)人員：楊博航,陶乾
受保護的技術(shù)使用者：華南理工大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2