[发明专利]基于属性驱动解耦表征学习的多模态推荐方法

说明书

本发明涉及推荐系统及深度学习技术领域，具体涉及基于属性驱动解耦表征学习的多模态推荐方法。该方法包括以下步骤：在通过预处理得到训练集和测试集，对数据集的信息进行特征提取与转换，将不同信息嵌入均匀划分，利用属性分类器、多模态对比学习、多模态注意力机制和属性值分类器计算得出结果，最后利用模型总损失通过Adam优化器优化模型参数。采用本发明的方法用解耦表征学习技术来学习稳健和独立的表示，一方面提升了推荐系统的性能，另一方面对模型推荐的结果具有可解释性和可控性最终提高推荐性能。

技术领域

本发明涉及推荐系统及深度学习技术领域，具体涉及基于属性驱动解耦表征学习的多模态推荐方法。

背景技术

推荐系统在电子商务和广告等各种在线服务中发挥着至关重要的作用，它帮助用户找到与其兴趣相匹配的物品，由于它们的重要性，一直致力于开发先进的推荐模式，以提高其性能。其中，基于协同过滤的模型通过利用用户-物品交互数据来学习用户和物品表示，取得了很大的成功。然而，这些模型在实际应用中很容易遇到稀疏性问题，因为它们仅仅依赖于交互数据，为了缓解推荐中的数据稀疏性或冷启动问题，经常使用包含用户或物品相关联的丰富信息的辅助信息(例如，属性信息、用户评论和物品图像)来增强用户和物品的表征学习。

近年来，解耦表征学习能够识别和解开数据背后的潜在因素而引起了人们的极大兴趣，这些表征已被证明在处理不同领域的复杂变体时更加健壮，但是在推荐系统中利用解耦表征学习技术的研究在可解释性和可控性方面仍然面临限制，推荐系统的性能和模型推荐的结果有待提高。

因此，针对上述问题，提出基于属性驱动解耦表征学习的多模态推荐方法，来解决上述问题。

发明内容

针对现有技术中存在的问题，本发明提供了基于属性驱动解耦表征学习的多模态推荐方法，该方法用解耦表征学习技术来学习稳健和独立的表示，一方面提升了推荐系统的性能，另一方面对模型推荐的结果具有可解释性和可控性最终提高推荐性能。

为实现上述目的，本发明提供如下技术方案：

本发明提供了基于属性驱动解耦表征学习的多模态推荐方法，包括以下步骤：

1）在亚马逊评论数据集中通过预处理得到训练集和测试集；

2）对数据集的用户ID和物品ID信息进行嵌入参数初始化同时对评论和图片信息进行特征提取与转换；

3）将用户ID嵌入、物品ID嵌入、评论嵌入和图片嵌入均匀划分成一定数量的块；

4）利用属性分类器监督用户ID嵌入、物品ID嵌入、评论嵌入和图片嵌入的每一块特征向量能够预测相应的属性；

5）利用多模态对比学习来实现多模态特征的对齐和解耦；

6）利用多模态注意力机制分别计算物品ID嵌入、物品评论嵌入和物品图片嵌入相同块的特征向量在不同模态上的重要性并加权得到最终物品的一定数量的特征向量块数，利用属性值分类器监督每一块特征向量能够预测相应的属性值；

7)计算用户对物品的偏好得分；

8)利用模型总损失通过Adam优化器优化模型参数。