[发明专利]基于一阶元学习和多监督者关联网络的冷启动推荐方法

说明书

本发明提出了一种基于一阶元学习和多监督者关联网络的冷启动推荐方法，包括：S1，将原始特征通过嵌入层转化为稠密向量，得到用户的稠密表示和物品的稠密表示；S2，将用户的稠密表示输入到多监督者网络当中；S3，通过多监督者网络生成的用户表示以及物品的稠密表示输入到关联网络计算每个用户和物品的重要性，进行一个细粒度的用户‑物品交互建模，得到加权之后的用户表示和物品表示；S4，将经过细粒度建模生成的用户表示和物品表示输入到基于FOMAML的个性化用户偏好估计模型当中输出最终的结果。本发明方法有效缓解了模型训练开销过大的问题和用户爱好偏差问题，提升了模型冷启动推荐的准确性。

技术领域

本发明涉及冷启动推荐领域，特别是涉及一种基于一阶元学习和多监督者关联网络的冷启动推荐方法。

背景技术

随着信息科技的迅速发展，互联网信息数量呈现指数性增长，并且低熵信息在互联网上所占的比例越来越大，互联网用户想要根据自身需求获取对应的信息的难度越来越大。推荐系统作为解决信息超载现象的有效工具可以帮助用户在繁杂的信息当中找出满足需求的信息。传统的推荐系统通常可以分为基于协同过滤的推荐系统和基于内容的推荐系统，基于协同过滤的推荐系统通过从大量用户中收集用户的历史偏好信息来评估用户响应，这种预测方式是建立在与目标用户具有相似性的其他用户对物品的评级之上的。所以当有新用户或者新物品时这类系统就无法处理，因为缺乏用户-物品的交互历史，无法判定新用户或者新物品与其他用户或者其他物品的相似度。为此引入了基于内容的推荐系统来解决冷启动问题，此类推荐系统是根据用户的个人资料信息和物品的内容来提出建议的，它向新用户推荐和其具有相似内容的用户所喜爱的物品。但是当用户-物品交互历史数据稀疏时，此类系统在实际运用当中并没有很好的表现。另外由于大众网络安全意识的提升，获取用户的个人资料信息也是越来越困难，推荐系统面临着冷启动问题。

为了缓解冷启动问题，业界做了很多努力。近年来研究人员将基于优化的元学习引入到了推荐系统当中，基于优化的参数初始化的基本思想是将元知识w，定义为基础推荐模型的初始参数，然后以双层优化的形式更新参数初始化。除了基于推荐模型的参数初始化之外，一些工作还利用元学习来学习不同冷启动任务的自适应超参数。

目前基于元学习范式的模型还是存在一些问题，例如MeLU仅使用到了用户和物品的相关属性，没有使用到富有价值的用户历史交互序列，同时每一类属性生成的嵌入向量(embedding)都是固定的，没有考虑到可能存在相同属性的用户偏爱不同类型的物品的这种情况。MAMO为每个用户构建独有的嵌入向量生成器和推荐器，但是效果不是很稳定，这可能由于过拟合导致的。除此之外多数元学习范式模型的均是引入MAML元学习框架，但是其内部分二阶导运算会导致收敛速度慢、梯度退化和训练开销大等缺点。

此外，在工业界中对推荐系统的时延性有很高的要求，同时在实际应用中用户的潜在喜好是难以琢磨的，对于拥有相似特征的用户来说，他们所喜欢的物品可能会有细微的区别。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于一阶元学习和多监督者关联网络的冷启动推荐方法。

为了实现本发明的上述目的，本发明提供了一种基于一阶元学习和多监督者关联网络的冷启动推荐方法，包括：

S1，将原始特征通过嵌入层转化为稠密向量，得到用户的稠密表示和物品的稠密表示；用户和物品的稠密表示分别为其中k表示嵌入维度，表示用户第N个特征的稠密化向量表示，表示物品第M个特征的稠密化表示；

S2，将用户的稠密表示输入到多监督者网络当中；

S3，通过多监督者网络生成的用户表示以及物品的稠密表示输入到关联网络计算每个用户和物品的重要性，进行一个细粒度的用户-物品交互建模，得到加权之后的用户表示和物品表示；

S4，将经过细粒度建模生成的用户表示和物品表示输入到基于FOMAML的个性化用户偏好估计模型当中输出最终的结果。