[发明专利]一种协同过滤推荐方法

说明书

一种协同过滤推荐方法，该方法包括以下步骤：步骤1：从电商平台数据集中获取用户ID、商品ID信息，生成用户ID‑商品ID对；步骤2：对于用户ID‑商品ID对中任意一个用户i，计算用户i和好友l的联合嵌入向量s；步骤3：计算归一化注意力向量α_j；步骤4：计算关系向量f_i，l；步骤5：计算好友级注意力β_i，l；步骤6：预测用户i对所有商品的评分；步骤7：对评分从高到低进行排序，生成排序列表，给用户推荐排序列表中的前N个商品。本发明加强了推荐模型的稳健性，即降低了模型对于对抗性扰动的敏感度。本发明在商品推荐和个性化排序等领域具有一定的应用价值。

技术领域

本发明涉及个性化推荐领域，具体涉及一种协同过滤推荐方法。

背景技术

在协同过滤推荐中，社交信息对提高推荐系统的表现很有帮助，利用这些信息来进行推荐的方法被称为社交感知的方法。现有的社交感知推荐方法没有充分研究用户和好友之间的偏好差异对预测用户偏好的影响，而且不同好友对用户的影响也不同。此外，现有推荐方法的模型参数容易受到对抗性扰动的影响，表现为模型泛化能力较低。

发明内容

为了解决现有的社交感知的推荐方法没有考虑到的一些问题，还有模型稳健性较低容易受到对抗性扰动影响的问题，本发明提出了一种协同过滤推荐方法，加强了推荐模型的稳健性，即降低了模型对于对抗性扰动的敏感度。

为了解决上述技术问题本发明提供如下的技术方案：

一种协同过滤推荐方法，包括以下步骤：

步骤1：从电商平台数据集中获取用户ID、商品ID信息，生成用户ID-商品ID对；

步骤2：对于用户ID-商品ID对中任意一个用户i，计算用户i和好友l的联合嵌入向量s；

步骤3：计算归一化注意力向量α_j；

步骤4：计算关系向量f_i,l；

步骤5：计算好友级注意力β_i,l；

步骤6：预测用户i对所有商品的评分；

步骤7：对评分从高到低进行排序，生成排序列表，给用户推荐排序列表中的前N个商品。

进一步，所述步骤2中，计算联合嵌入向量s的公式如(1)所示：

其中，u_i是用户i的嵌入向量，u_i,l是用户i的朋友l的嵌入向量，“⊙”是向量的Hadamard积运算，“‖‖₂”是向量的L2范数。

再进一步，所述步骤3中，通过如下步骤计算归一化注意力向量α_j：

计算注意力向量α′_j，公式如(2)所示，其中s为步骤2已计算的联合嵌入向量，K_j为N×d键矩阵K的第j行，N为记忆大小，d为嵌入向量维度；

α′_j＝s^TK_j (2)；

计算归一化注意力向量α_j，公式如(3)所示：

所述步骤4中，通过如下步骤计算关系向量f_i,l：

计算好友向量F_j，公式如(4)所示，其中M_j为记忆矩阵M的第j行；