[发明专利]一种基于图对比学习的多意图推荐方法及装置

权利要求书

1.一种基于图对比学习的多意图推荐方法，其特征在于，包括以下步骤：

采集带有用户社交关系、商品属性关系及用户商品交互关系的数据集；

采用稀疏图结构形式对用户社交关系、商品属性关系及用户商品交互关系的数据进行存储，获得可用在图卷积神经网络模型的图结构数据；

基于原始社交关系和商品属性关系，引入用户购买商品的行为，形成新的社交关系图和商品属性图；

基于K个解耦出的潜在因子意图表征来构建对应的对比视图，通过可学习的drop方式，产生参数化增强后的UI图；

进行推荐模型解耦特征的学习，建立K个GCN消息传递渠道，分别进行特征编码，同时每个GCN渠道分别在原用户-商品交互二分图和增强用户-商品二分图进行两组特征的学习；

引入K个意图原型向量，学习UI图上每个节点的多个意图特征的分布；

将两个对比视图根据K个潜在隐因子解耦出的两组意图特征，在不同隐因子下分别独立得进行K次个性化对比学习；

将K个意图特征拼接组合，作为预测的用户和商品特征，利用社交关系图和商品属性图的图结构信息，引入基于互信息最大化的无监督学习任务；

将推荐任务与基于多意图个性化对比学习任务，以及基于图结构互信息的最大化任务进行联合学习；

将模型最终学习到的用户和商品嵌入向量进行打分预测，得到推荐商品顺序。

2.根据权利要求1所述的一种基于图对比学习的多意图推荐方法，其特征在于，所述多意图推荐方法还包括对获取到数据集进行预处理的步骤：

根据模型预设条件过滤无效的用户，保留有效的用户和相应的商品节点；

将数据集进行划分，对每个用户的验证集和测试集分别随机选取一个交互，剩下的交互项作为训练集。

3.根据权利要求1所述的一种基于图对比学习的多意图推荐方法，其特征在于，所述基于原始社交关系和商品属性关系，引入用户购买商品的行为，形成新的社交关系图和商品属性图，包括：

为了将辅助信息加入交互行为推荐预测中，将社交关系和属性关系按照模型所需要的设定进一步处理，具体如下：将数据集中的社交关系和商品属性关系注入用户购买商品行为信息。如果两个朋友之间购买相同商品的个数大于预设阈值，就判定为可能因为某个相似购买意图而产生联系，重新构建一个社交关系图；如果两个属于同一类别的商品被很多相同用户购买，则判定这两个商品可能因为包含相似的某个购买意图而产生联系，重新形成一个商品属性关系图；利用细粒度分层级的图结构信息产生的监督信号，对模型学出的包含多个因子对应的特征向量进一步学习。

4.根据权利要求1所述的一种基于图对比学习的多意图推荐方法，其特征在于，所述基于K个解耦出的潜在因子意图表征来构建对应的对比视图，通过可学习的drop方式，产生参数化增强后的UI图，包括：

在每个意图因子场景，通过参数化的方式来计算K个潜在因子对应交互关系图上每个边是否被删除的概率ω_{k_ui}，

ω_{k_ui}＝MLP(Concat[u_k,v_k])

其中，MLP是多层感知机，Concat代表将两个特征向量拼接在一起；u_k和v_k分别为第K个隐因子对应的图上一条UI交互边的用户节点特征和商品节点特征；

为了优化图结构的学习并以端到端的方式学习，采用重参数技巧，表示为：

ρ＝σ((log∈-log(1-∈)+ω)/τ)

其中，∈服从(0,1)的均匀分布；τ0，是温度系数；σ(.)是激活函数；

计算出每个边的存在的概率后，将概率小于预设阈值的边删除，其他的边保留，重新得到一个drop后的增强图G′_{k_ui}；

将节点特征(u_k,v_k)，增强图G′_{k_ui}输入到共享参数的GCN编码器中，经过L层消息传递聚合累加，得到最终的多个意图下的用户和商品特征E′_ku,E′_ki。