本發(fā)明涉及數(shù)據(jù)處理，特別是涉及一種基于多視圖對比學(xué)習(xí)的項目推薦方法。

背景技術(shù)：

1、項目推薦系統(tǒng)作為大數(shù)據(jù)時代獲取信息的重要工具之一，受到廣泛的關(guān)注和研究。其中，順序推薦旨在分析用戶的項目序列特性，為其提供個性化的項目推薦。

2、當(dāng)前順序推薦模型通常建模用戶的即時意圖以捕捉其潛在需求，但大多數(shù)基于意圖的順序推薦模型忽略了鄰居用戶的項目交互序列信息，使項目序列嵌入缺乏重要的鄰居意圖信息，導(dǎo)致嵌入的多樣性不足。而且，現(xiàn)有基于意圖的推薦模型對于項目交互序列內(nèi)部子序列信息的利用大多不夠充分，影響推薦的準(zhǔn)確性。

技術(shù)實現(xiàn)思路

1、為此，本發(fā)明的實施例提出一種基于多視圖對比學(xué)習(xí)的項目推薦方法，以解決現(xiàn)有技術(shù)嵌入多樣性不足、推薦準(zhǔn)確性低的問題。

2、根據(jù)本發(fā)明一實施例的基于多視圖對比學(xué)習(xí)的項目推薦方法，應(yīng)用于項目推薦系統(tǒng)，所述項目推薦系統(tǒng)包括分割聚類模塊、融合提取模塊和對比推薦模塊；

3、所述方法包括：

4、在分割聚類模塊中，獲取用戶交互項目序列，將用戶交互項目序列滑動分割為多個交叉子序列，基于交叉子序列獲得初步的粗粒度意圖嵌入，并對初步的粗粒度意圖嵌入進行聚類，獲得細(xì)粒度意圖嵌入；

5、在融合提取模塊中，將用戶交互項目序列融合時間間隔信息與位置信息，構(gòu)建出可表達(dá)用戶意圖的用戶簇興趣圖與項目簇興趣圖，在用戶簇興趣圖內(nèi)進行同簇交互，并對用戶簇興趣圖與項目簇興趣圖進行異簇交互，得到全局層面的用戶意圖嵌入；

6、在對比推薦模塊中，將初步的粗粒度意圖嵌入通過層注意力網(wǎng)絡(luò)獲得最終的粗粒度意圖嵌入，基于最終的粗粒度意圖嵌入進行推薦任務(wù)，獲得項目推薦列表，且對最終的粗粒度意圖嵌入、細(xì)粒度意圖嵌入、以及全局層面的用戶意圖嵌入進行多視圖對比學(xué)習(xí)，優(yōu)化對比推薦模塊的模型參數(shù)。

7、根據(jù)本發(fā)明實施例的基于多視圖對比學(xué)習(xí)的項目推薦方法，具有以下有益效果：

8、（1）針對現(xiàn)有基于意圖的推薦模型中缺乏重要的鄰居意圖信息的問題，本發(fā)明考慮結(jié)合時間間隔信息與位置信息構(gòu)建可表達(dá)用戶意圖的用戶簇興趣圖、項目簇興趣圖，在用戶簇興趣圖內(nèi)進行同簇交互，并對用戶簇興趣圖與項目簇興趣圖進行異簇交互，通過上述信息融合交互以提取全局層面的用戶意圖嵌入，能夠有效豐富嵌入的多樣性，有助于模型性能提升；

9、（2）針對現(xiàn)有基于意圖的推薦模型對于項目交互序列內(nèi)部子序列信息的利用不夠充分的問題，本發(fā)明使用層注意力網(wǎng)絡(luò)動態(tài)處理不同時段子序列嵌入以捕捉用戶意圖的動態(tài)變化信息，能夠進一步提升模型性能；

10、（3）結(jié)合多視圖自對比學(xué)習(xí)以融合不同視圖的信息對模型性能提升最大。由于綜合建模用戶意圖需考慮多方面因素，所以如何融合多方面的信息成為一個關(guān)鍵問題。本發(fā)明從多視圖獲取不同信息后，對最終的粗粒度意圖嵌入、細(xì)粒度意圖嵌入、以及全局層面的用戶意圖嵌入進行多視圖對比學(xué)習(xí)，可在緩解數(shù)據(jù)稀疏性的同時捕獲樣本對的相似性與差異性，學(xué)習(xí)到更具判別性的特征，從而提高模型的泛化能力，且提升推薦的準(zhǔn)確性。

技術(shù)特征：

1.一種基于多視圖對比學(xué)習(xí)的項目推薦方法，其特征在于，應(yīng)用于項目推薦系統(tǒng)，所述項目推薦系統(tǒng)包括分割聚類模塊、融合提取模塊和對比推薦模塊；

2.根據(jù)權(quán)利要求1所述的基于多視圖對比學(xué)習(xí)的項目推薦方法，其特征在于，在分割聚類模塊中，獲取用戶交互項目序列su，將通過滑動拆分ds操作將用戶交互項目序列su分割為多個交叉子序列，基于交叉子序列獲得初步的粗粒度意圖嵌入，表達(dá)式如下：

3.根據(jù)權(quán)利要求2所述的基于多視圖對比學(xué)習(xí)的項目推薦方法，其特征在于，在分割聚類模塊中，對初步的粗粒度意圖嵌入進行k-means聚類，獲得聚類結(jié)果集合f，，其中，fh表示第h個聚類中心，h表示用戶意圖的類型總數(shù)，將獲得的聚類中心作為細(xì)粒度意圖嵌入，且定義分布函數(shù)q(fh)，若su屬于第h個聚類簇，則q(fh)=1，即表明用戶的潛在意圖為fh；若su不屬于第h個聚類簇，則q(fh)=0，即表明用戶的潛在意圖不是fh。

4.根據(jù)權(quán)利要求3所述的基于多視圖對比學(xué)習(xí)的項目推薦方法，其特征在于，在融合提取模塊中，采用無向圖gc表示所有用戶與項目的交互，gc={vc,?ec}，其中，vc為節(jié)點集合，ec為邊集合，當(dāng)節(jié)點集合vc中的節(jié)點vc的主體為用戶時，節(jié)點vc表示用戶嵌入；當(dāng)節(jié)點集合vc中的節(jié)點vc的主體為項目時，節(jié)點vc表示項目嵌入，將用戶交互項目序列融合時間間隔信息與位置信息，得到第k個項目的項目嵌入ek，表達(dá)式為：

5.根據(jù)權(quán)利要求4所述的基于多視圖對比學(xué)習(xí)的項目推薦方法，其特征在于，在融合提取模塊中，在用戶簇興趣圖內(nèi)進行同簇交互，表達(dá)式如下：

6.根據(jù)權(quán)利要求5所述的基于多視圖對比學(xué)習(xí)的項目推薦方法，其特征在于，在對比推薦模塊中，將初步的粗粒度意圖嵌入通過層注意力網(wǎng)絡(luò)獲得最終的粗粒度意圖嵌入，滿足以下條件式：

7.根據(jù)權(quán)利要求6所述的基于多視圖對比學(xué)習(xí)的項目推薦方法，其特征在于，所述對比推薦模塊的總損失函數(shù)l滿足以下條件式：

技術(shù)總結(jié)
本發(fā)明提供一種基于多視圖對比學(xué)習(xí)的項目推薦方法，包括：在分割聚類模塊中，將用戶交互項目序列滑動分割為多個交叉子序列，基于交叉子序列獲得初步的粗粒度意圖嵌入，并對初步的粗粒度意圖嵌入進行聚類，獲得細(xì)粒度意圖嵌入；在融合提取模塊中，構(gòu)建出可表達(dá)用戶意圖的用戶簇興趣圖與項目簇興趣圖，在用戶簇興趣圖內(nèi)進行同簇交互，并對用戶簇興趣圖與項目簇興趣圖進行異簇交互，得到全局層面的用戶意圖嵌入；在對比推薦模塊中，將初步的粗粒度意圖嵌入通過層注意力網(wǎng)絡(luò)獲得最終的粗粒度意圖嵌入，基于最終的粗粒度意圖嵌入進行推薦任務(wù)，獲得項目推薦列表。本發(fā)明能夠解決現(xiàn)有技術(shù)嵌入多樣性不足、推薦準(zhǔn)確性低的問題。

技術(shù)研發(fā)人員：錢忠勝,萬子瓏,范賦宇,劉鈞杰,付庭峰,何玉水,饒雨賢
受保護的技術(shù)使用者：江西財經(jīng)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30