[发明专利]一种自适应设置推荐系统表征模长的方法

说明书

一种自适应设置推荐系统表征模长的方法，包括如下步骤：根据模型当前的状态，计算基准温度系数τ₀；基于τ₀，针对每个用户，计算其个性化的温度系数τ_u；根据以上τ_u，获得用户物品的模长调节后的表征向量。本发明的优点是：能够自适应寻找细粒度的最优的表征模长，提高了模型的推荐性能。

技术领域

本发明涉及推荐系统协同过滤的技术领域，特别是基于表征学习的协同过滤技术领域。

背景技术

为实现更为精准高效的推荐系统设计，现有推荐系统模型不断更新迭代，旨在设计出真实场景适配性较强的模型。随着过去十年硬件的快速发展，以及大数据技术的深耕，基于表征学习的推荐系统正逐步替代过去基于规则或者矩阵分解技术的模型。而其中协同过滤任务仅仅通过用户的历史点击记录这一数据，不借助其他额外辅助信息的前提下，实现较为精准的用户推荐，是推荐系统中最为广泛的也最为基础的任务之一。

尽管现有的基于表征学习的推荐模型通过搭建愈发庞大愈发复杂的网络架构，实现了较为不错的性能提升，但现有推荐模型缺乏对表征模长的探索，而模长对推荐的性能起着至关重要的作用。现有方法要么采用正则项来隐式控制模长，然而这会导致推荐结果遭受流行度偏差问题同时也会影响模型训练的收敛速度；要么直接暴力的采用模长归一化的方式，并用一个超参数即温度系数来控制归一化的模长，然而模型性能会对温度系数非常敏感，手工的方式往往难以找到合适的温度系数。同时，统一的温度系数缺乏灵活性，也不利于推荐模型的训练。为了克服这一问题，必须要设计一种自适应的温度系数的设置方法。

发明内容

本发明要克服现有技术的以上问题，提出一种自适应设置推荐系统表征模长的方法。

本发明的一种自适应设置推荐系统表征模长的方法，包括以下步骤：

1)根据当前模型的状态，按照式(1)计算基准温度系数：

其中μ₊,μ分布代表推荐模型对正样本以及所有样本的预测分数的均值，即这里n,m,代表推荐系统中用户数量，物品数量；D代表正样本集合，其每个元素是一个用户物品对；|D|代表正样本的数量；f_ui代表模型对用户u和物品i构成的样本的预测值，可以使用任意的基于表征学习的推荐模型，即f_ui＝F(h_u,h_i)，这里F(.,.)代表所使用的模型，h_u,h_i分别代表用户和物品原始的模长未调节的表征向量。比如典型的对于一个矩阵分解模型而言，/

2)根据以上τ₀，针对每个用户，计算其个性化的温度系数：

这里L(u)为每个用户的累计损失均值即这里δ(.,.)代表选择使用的损失函数，可以是交叉熵损失、平方损失等；r_ui为观测到的标签，代表用户是否喜欢这个物品；q为整个数据集的损失阈值，为方便计算此处将q设置成L(u)的均值，即W(.)为Lambert-W function；max(.,.)代表二者取最大值；β为系数，此处可简单设置为1。

3)根据以上τ_u，获得用户物品模长调节后的表征向量：

这里|.|代表向量的L2范数。

以常用的模型矩阵分解MF和协同图神经网络LGN为基础推荐模型，选取两个公开的真实数据集Yelp，MovieLens进行实验。按照隐式反馈的推荐系统评判原则出发，将数据集划分为训练集，验证集以及测试集。以Recall@20及NDCG@20作为度量。

表1不同方法在两个数据集上的性能比较