[发明专利]一种基于图对比学习的多意图推荐方法及装置

说明书

本发明公开一种基于图对比学习的多意图推荐方法及装置，其中方法包括：获取数据集；根据数据集获取图结构数据；对原始二分图通过参数化的方式构建增强对比视图；将初始化的用户和商品特征分成K段特征块；每个隐因子对应解耦表征独立学习，基于原始图和增强图分别输出两种视图下的K个意图特征；每种潜在意图下的特征进行自适应的对比学习；将K段特征拼接形成用户和商品的特征向量，进行互信息最大化任务；将拼接后的特征向量再进行最后推荐预测监督任务，与两个无监督任务进行联合学习。本发明对对比视图的对比学习调整为自适应的对比学习，学习出更多元化的语义特征信息，增强模型的可解释性和鲁棒性，可广泛应用于机器学习技术领域。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于图对比学习的多意图推荐方法及装置。

背景技术

最近几年，随着互联网技术的迅速发展，电商、社交、视频软件等各种服务平台中产生海量的数据。面对大量的数据，人们可能会产生不知所措的茫然，但是对于机器学习模型来说，海量的数据就是其学习的核心“燃料”，数据驱动技术。其中受益和发展很大的推荐系统，根据用户购买商品的历史交互行为，对其属性和各种潜在的隐性关系进行分析，提取特征，挖掘其隐藏在数据背后的规律和用户的兴趣，给用户推荐可能感兴趣的商品。

随之各种基于GNN(图神经网络)推荐算法也被学者提出，而且可以实现很高的推荐性能。但是可能缺少一定的可解释性和抗噪声的鲁棒性，难以让用户产生信任。因为大部分GNN模型，通过聚合邻居信息来学习节点特征时，将邻居节点的信息作为一个感知整体，忽略了决定每条连边消息传递时隐藏的影响因子，即没有考虑用户购买这个商品的真正意图。另一方面，海量现实数据中的可用标签稀少，也会存在各种噪声因素。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于图对比学习的多意图推荐方法及装置。

本发明所采用的技术方案是：

一种基于图对比学习的多意图推荐方法，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(要解耦出来的隐因子数)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(一种数据增强方式，删除边)，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(图卷积神经)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。

进一步地，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；