[发明专利]一种面向信息茧房的跨领域推荐方法

权利要求书

1.一种面向信息茧房的跨领域推荐方法，其特征在于，包括以下步骤：

步骤1、获取用户对产品的评分数据并进行数据预处理：

步骤1.1、确定两类属于不同领域的物品，并获得公共用户数据集U在两个领域物品上的评分数据集，其中，公共用户总数记为m；

步骤1.2、选择其中一个领域作为源域D_S，另一个作为目标域D_T，目标域D_T和源域D_S中的物品集分别表示为P和M，目标域D_T和源域中D_S的物品总数分别记为n_T和n_S；

步骤1.3、令公共用户集U对目标域物品集P的评分矩阵记为R_T中任意用户u对目标域D_T中任意物品i的评分记为r_u，i，若用户u评价了物品i，则令r_u，i为1，否则，令r_u，i为0，同理，令公共用户集U对源域物品集M的评分矩阵记为R_S中任意用户u对源域D_S中任意物品j的评分记为r_u，j，若用户u评价了物品j，则令r_u，j为1，否则，令r_u，j为0；

步骤2、构建跨领域知识迁移推荐模型的跨域知识迁移模块：

步骤2.1、提取目标域D_T中用户u-物品i的特征

步骤2.1.1、对用户u和目标域D_T中物品i进行one-hot编码，分别将其映射为独热编码向量I_u∈{0，1}^m和其中，每个独热编码向量仅在id索引位置时取值为1，其余位置均取值为0；

步骤2.1.2、对用户u和物品i分别进行嵌入化操作，构建用户u的嵌入矩阵和物品i的嵌入矩阵其中，d为嵌入后的维度；

步骤2.1.3、将用户u及物品i的嵌入表示XI_u和Y_TI_i进行横向拼接，得到目标域D_T的用户u-物品i的特征且

步骤2.2、提取目标域D_T中用户u的历史行为会话特征O_u，t：

步骤2.2.1、从目标域D_T中选择固定长度的、任意用户u历史点击任意物品i的表示向量，共计K个，并将其汇集成用户行为序列Λ_u，且Λ_u＝[λ₁，λ₂，...，λ_k，...，λ_K]，其中，λ_k表示第k个表示向量；

步骤2.2.2、利用长短期记忆网络对用户行为序列Λ_u进行序列嵌入，得到t时刻下LSTM输出的隐藏状态h_u，t；

步骤2.2.3、根据式(1)计算得到用户u的历史行为会话特征O_u，t：

式(1)中，a_t，b表示使用Softmax函数计算得到的第b个权重系数；

步骤2.3、将所提取的用户u-物品i的特征及用户u的历史行为会话特征O_u，t进行拼接，得到目标域D_T的组合特征I_u，i，且

步骤2.4、提取源域D_S中用户u-物品j的特征I_u，j：

步骤2.4.1、对于用户u和源域D_S中的物品j，按照步骤2.1.1到步骤2.1.3的过程进行相同操作，最终得到源域D_S的用户u-物品j的特征且其中，表示对源域D_S中的物品j进行编码映射后的独热编码向量，表示物品j的嵌入矩阵；

步骤2.4.2、对源域D_S的用户u-物品j的特征先复制后拼接，得到与目标域D_T的组合特征I_u，i维度对齐的源域D_S的用户u-物品j的嵌入表示特征I_u，j，且

步骤2.5、构建由目标域D_T部分和源域D_S部分所共同组成的跨领域交叉网络，并以组合特征I_u，i和嵌入表示特征I_u，j分别作为跨领域交叉网络中目标域D_T部分和源域D_S部分的输入，然后通过知识迁移学习域间迁移特征再将其与领域内特征进行结合，最终得到跨领域交叉网络的输出

步骤2.5.1、跨领域交叉网络在目标域D_T部分，利用式(2)和式(3)分别得到第l+1隐藏层的领域内特征和域间迁移特征

式(2)和式(3)中，跨领域交叉网络在目标域D_T部分的第l到第l+1隐藏层的权重矩阵表示为第l隐藏层的输入表示为当l＝1时，初始化第l隐藏层的偏置项表示为跨领域交叉网络在源域D_S部分的第l隐藏层的输入表示为当l＝1时，初始化M^l为第l隐藏层从源域D_S到目标域D_T共享的知识迁移矩阵；

步骤2.5.2、根据式(4)计算跨领域交叉网络的输出

式(4)中，σ(·)表示激活函数，和表示通过Softmax函数计算得到的两种特征的权重系数，跨领域交叉网络的输出表示特征权重系数和对第l+1隐藏层的领域内特征和域间迁移特征进行加权和后的激活值；

步骤2.5.3、利用式(5)建立损失函数

式(5)中，分别表示的分布，sup表示求上界，E表示求期望，f(·)表示高斯核映射函数，||f||＜1表示函数f在再生希尔伯特空间中的范数应不大于1；

步骤3、构建跨领域知识迁移推荐模型的目标域意外性提取模块：

步骤3.1、计算用户u对新物品i_new的意外性

步骤3.1.1、根据式(6)对目标域D_T中用户u历史点击物品i的表示向量进行聚类，直至密度加权平均值m(i)收敛，最终得到N个聚类簇{F₁，F₂，...，F_Z，...，F_N}，其中，F_Z表示第Z个簇；

式(6)中，i_g表示目标域D_T中除任意物品i外，用户u的历史点击物品，N(i)表示目标域D_T中物品i的所有邻居物品的集合，K(i_g-i)表示均值偏移算法使用的核函数；

步骤3.1.2、利用式(7)得到用户u对新物品i_new的意外性

式(7)中，d(i_new，F_Z)表示新物品i_new到第Z个聚类簇F_Z的聚类边缘的距离；

步骤3.2、提取用户u的意外性感知向量unexp_fac_u：

步骤3.2.1、从目标域D_T中选择固定长度的、用户u历史点击物品i的表示向量，共计K′个，且K′＜K，并将其汇集成用户短历史行为序列Λ′_u，按照步骤2.2.2到步骤2.2.3的过程，使用LSTM进行相同操作，根据式(8)最终得到用户u的短历史行为会话特征O′_u，t：

式(8)中，a′_t，b表示使用Softmax函数计算得到的第b个权重系数，h′_u，t表示利用LSTM对用户短历史行为序列Λ′_u进行序列嵌入后所得到的t时刻下LSTM输出的隐藏状态；

步骤3.2.2、以目标域D_T中用户u的短历史行为会话特征O′_u，t作为输入，使用L层全连接网络输出用户u的意外性感知向量unexp-fac_u；

步骤4、利用所获取的数据集对跨领域知识迁移推荐模型进行训练，并根据测试结果调整优化跨领域知识迁移推荐模型的超参数；

步骤4.1、使用交叉熵作为基础损失函数，以用户u与物品i的交互行为作为区分正负样本的标准，并根据式(9)建立目标函数，根据式(10)建立联合损失函数，训练跨领域知识迁移推荐模型：

式(9)中，θ表示跨领域知识迁移推荐模型中的所有参数，R⁺、R^-为用户u-物品i评分矩阵中的正样本与负样本，r′_u，i为样本中用户u对物品i的真实评分，为跨领域知识迁移推荐模型用户u对物品i的预测得分；

式(10)中，分别为目标域D_T的交叉熵损失、目标域D_T的最大均值差异约束损失和源域D_S的交叉熵损失，令则代表跨领域知识迁移推荐模型所有参数，且之间共享用户u及知识迁移矩阵M；

步骤4.2、使用Tensorflow框架，并根据式(11)和式(12)更新和学习跨领域知识迁移推荐模型参数：

式(11)和式(12)中，μ表示学习率，和分别表示跨领域知识迁移推荐模型在源域上和目标域上更新前和更新后的参数；

步骤5、按照固定比例随机抽取每个用户的评分数据用于划分训练集和测试集，将测试集数据输入到训练好的跨领域知识迁移推荐模型中，输出用户u对任意物品i的预测得分从而获得用户u对目标域D_T物品集P中全部物品的预测得分后进行降序排序，最终选择前N项产品推荐给用户u：

步骤5.1、根据式(13)计算跨域知识迁移模块中用户u-物品i的相关性预测得分

式(13)中，f(·)是交互函数，θ是跨领域知识迁移推荐模型中的所有参数；

步骤5.2、根据式(14)计算目标域D_T意外性提取模块的意外性得分

式(14)中，f(·)表示交互函数，unexp_fac_u表示用户u的意外性感知向量，表示用户u对新物品i_new的意外性；

步骤5.3、根据式(15)计算物品i预测得分

式(15)中，表示目标域D_T意外性提取模块的意外性得分，表示跨域知识迁移模块中用户u-物品i的相关性预测得分。