[发明专利]一种用户项目推荐方法

说明书

本发明公开了一种用户项目推荐方法，其步骤包括：1)从训练数据集中选取一已观测用户/项目对(u,p)并将其输入到推荐系统模型M，得到用户u与项目p的相似性分数s(u,p)；2)选取一未观测用户/项目对(u,n)并将其输入到模型M，得到用户u与项目n的相似性分数s(u,n)；3)利用损失函数计算得到损失值；然后根据所得损失值采用反向传播算法对模型M进行优化；b_u为用户u对应的辅助分数；4)对于一预测项目x，则其输入到训练好的模型M中，若相似性分数s(u,x)大于b_u，则将项目x推荐给该用户u。

技术领域

本发明属于计算机软件技术领域，具体涉及一种用户项目推荐方法。

背景技术

面对信息过载的问题，推荐系统在高效地为用户提供有用信息方面发挥着重要作用。作为推荐系统中广泛使用的技术，基于协同过滤(CF)的方法通常利用用户交互行为来模拟用户的潜在偏好，并根据用户的偏好向用户推荐项目。通常，给定用户项目交互数据，典型的CF方法通常包括两个步骤：(i)定义评分函数以计算用户和候选项目之间的相关性得分，(ii)定义损失函数以优化所有观察到的用户项目交互的总相关性得分。从损失定义的角度来看，CF方法通常通过损失函数进行优化，该损失函数为观察到的相互作用(即积极实例)分配较高的分数s_p，为未观察到的相互作用(即消极实例)分配较低的分数s_n。在以前的工作中，有两种类型的损失函数是为推荐系统设计的，即逐点损失函数和成对损失函数。基于点的方法通常将排名任务描述为回归或分类任务，其中损失函数ψ(x,l)直接将样本x的标准化相关性得分s_x优化为其标签l∈{0,1}。示例x＝(u，i)是用户u和项目i的观察到或未观察到的对。通常，基于点的损失函数使用固定的硬指标(如0.5)来区分样本是正的还是负的，也就是说，对于排名阶段的所有用户，分数超过0.5的样本被视为正的，即用户u会对i项感兴趣。相应地，成对方法是将正负样本的配对(x_n，x_p)作为输入，并尝试通过损失函数φ(x_n,x_p)最小化相对分数s_n-s_p。成对损失的重点是使正样本的得分s_p大于负样本的得分s_n，这可以得到样本x＝(u,i)在排名阶段使用的合理性。

近年来，这两种损失函数范式在各种推荐方法中得到了广泛应用，并有助于获得良好的推荐性能。然而，它们仍然有缺点。他们很难学习明确用户的个性化兴趣边界，用户的个性化兴趣边界可以直接推断用户是否喜欢某个给定的未见过的项目。事实上，在排名阶段，用户从互动中了解到自己的兴趣边界，以确定样本是否为正样本。如上所述，逐点损失函数是非个性化的，并且容易将全局兴趣边界确定为所有用户的固定硬线，这可能会对实际兴趣边界低于固定硬线的用户进行错误分类。由于成对方法无法为未见过的候选样本x提供明确的个性化边界，因为其通过相对分数学习的分数S_x只能反映样本x的合理性，而不是明确的用户特定指标，表明该样本在排名阶段是否为正样本。

此外，成对方法存在训练效率较低问题。对于成对样本，随着模型在训练后期的收敛，大多数负样本都得到了正确分类。在这种情况下，大多数随机生成的训练样本的损失为零，即这些样本太“容易”而无法正确分类，并且无法生成有效的梯度来更新模型，这也被称为梯度消失问题。为了缓解这个问题，以前的工作采用了硬负样本挖掘策略来提高有效样本的概率。虽然这些方法是成功的，但它们忽略了导致消失问题的基本机制。直观地说，硬样本通常是边界附近的样本，模型很难很好地区分这些样本，因此相应的推荐系统对不同用户进行项目推荐时的准确性有待提升。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种用户项目推荐方法。本发明能同时兼顾成对方法和逐点方法的优势，并学习用户明确的兴趣边界。