基于共识偏好及个性化偏好的物品推荐方法

本发明属于计算机，涉及一种物品推荐方法，具体涉及一种基于共识偏好及个性化偏好推荐的物品推荐方法。

背景技术：

1、互联网拥有海量的信息，但是用户在互联网上获取的信息量的上限不是信息提供方所提供的信息量的上限，而是用户能获取的信息量的生理上限。如音乐推荐领域中，为增加用户粘性，使得某音乐推荐平台的用户更多，就需要在大量的音乐中推荐用户感兴趣的音乐，如此一来就需要对海量的信息进行筛选。该任务就是推荐系统的主要任务，即对海量信息进行筛选以缓解信息过载问题。

2、在物品推荐方法中，通常以召回率(recall)和命中率(hit rate)为评估指标。召回率主要衡量的是所有真实正样本中，模型预测正确的比例，当该指标越靠近1，则说明模型推荐的准确性越高；hit rate主要衡量模型推荐成功的物品占推荐物品的比例，该指标越靠近1，则说明模型推荐的准确性越高。

3、物品推荐领域中，基于机器学习模型的物品推荐方法是目前主流的方法，近几年随着图神经网络的快速发展，同时用户与物品的交互天然地可以用于构建图结构数据，将图神经网络应用于物品推荐成为一种新的推荐方法。例如，he等人在其发表的论文“graphcollaborative signal denoising and augmentation for recommendation”(proceedings ofthe 46th internationalacm sigir conference on research anddevelopment in information retrieval，2023，pp.2037–2041.)中，提出了一种基于图卷积网络的物品推荐方法graphda。该方法的推荐的核心为协同过滤思想，即利用交互过相同物品的用户的偏好具有相似性的特点，也就是利用用户之间的共识偏好为用户进行物品推荐。graphda首先预训练经典的推荐模型lightgcn，得到用户与物品的表征向量；然后在第一步得到的表征向量的基础上，通过构建用户-用户增强邻接矩阵、物品-物品增强邻接矩阵和用户-物品增强邻接矩阵组成的用户-物品增强二部图，并以该二部图构建新的图神经网络对第一步得到的表征向量进行进一步的特征提取，从而得到用户与物品最终的表征向量；最后将用户与物品最终的表征向量求内积，得到用户对物品的交互预测概率，为用户推荐交互预测概率最高的前topk个物品。该方法中的图神经网络利用了用户-物品二部图的高阶连通性，在一定程度上提高了物品推荐的准确性，但其存在的不足之处是，graphda采用向量的内积方式仅对用户的共识偏好进行拟合，而没有考虑到用户之间的偏好矛盾现象，即交互过的相同物品的用户可能会有不同的偏好的现象，及其所蕴含的用户的个性化偏好信息，导致物品推荐的准确性仍然较低。

技术实现思路

1、本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于共识偏好及个性化偏好的物品推荐方法，用于解决现有技术中存在的因未考虑用户个性化偏好对推荐准确率的影响。

2、为实现上述目的，本发明采取的技术方案包括如下步骤：

3、(1)构建表征构造模型cf的训练样本集lcf、推荐模型upn的训练样本集lupn和测试样本集ltest；

4、(2)构建表征构造模型cf：

5、构建包括顺次连接的嵌入层、层组合模块和预测层，以及图卷积模块的表征构造模型cf，图卷积模块包括顺次连接的h个图卷积神经网络gcn，嵌入层的输出还与第一个图卷积神经网络gcn1的输入相连，层组合模块的输入还与每个图卷积神经网络的输出相连，其中h≥1；

6、(3)初始化参数：

7、初始化迭代次数为t，最大迭代次数为t，t＞1000，表征构造模型cf嵌入层的参数的值为服从标准正态分布的随机数，并令t＝0；

8、(4)对表征构造模型cf进行训练：

9、将训练样本集lcf作为表征构造模型cf的输入进行前向传播，得到每个用户um与两个物品in1、in2交互的概率值

10、(5)获取训练好的表征构造模型：

11、采用bpr损失函数，并通过概率值计算表征构造模型cf的损失值lbpr，然后通过lbpr对嵌入层参数的偏导对进行更新，得到本次迭代的推荐模型cft，最后判断t＞t是否成立，若是，得到训练好的表征构造模型cf*，否则，令t＝t+1，cf＝cft，并执行步骤(4)；

12、(6)构建共识偏好及个性化偏好拟合推荐模型upn：

13、构建包括训练好的表征构造模型cf*中的嵌入层，以及与其顺序连接的包括k个全连接网络的全连接模块，损失函数为正例拟合损失函数的共识偏好及个性化偏好拟合推荐模型upn，其中：

14、

15、其中，为物品in的交互向量的第m个元素，为upn输出物品交互预测向量的第m个元素，为物品in的负例掩码，k≥2；

16、(7)初始化参数：

17、初始化迭代次数为t，最大迭代次数为t，t＞1000，共识偏好及个性化偏好拟合推荐模型upn第k个全连接网络的权值偏置为服从标准正态分布的随机数，upn的推荐偏好度γ，学习率为lr，并令t＝0，upnt＝upn；

18、(8)对共识偏好及个性化偏好拟合推荐模型upn进行训练：

19、将训练样本集lupn作为共识偏好及个性化偏好拟合推荐模型upn的输入进行前向传播，得到单个物品in与所有用户的交互预测向量

20、(9)获取训练好的共识偏好及个性化偏好拟合推荐模型upn：

21、采用正例拟合损失函数并通过交互预测向量与upn的训练样本集lupn样本中的计算推荐模型upn的损失值然后通过对upn模型参数的偏导对进行更新，得到本次迭代的推荐模型cft，最后判断t＞t是否成立，若是，得到训练好的推荐模型upn*，否则，令t＝t+1，upnt+1＝upnt，并执行步骤(8)；

22、(10)获取物品推荐结果：

23、将测试样本集ltest作为训练好的共识偏好及个性化偏好拟合推荐模型upn*的输入进行前向传播，得到物品in与所有用户的交互预测向量其中的第m个元素为用户um与物品in的交互预测概率

24、将用户um与所有未交互过的物品的交互概率进行由大到小的排序，其中前topk个物品即为用户um推荐的物品。

25、本发明与现有技术相比，具有如下优点：

26、本发明在训练好的表征构造模型的基础上构建共识偏好及个性化偏好拟合推荐模型，在对该模型进行训练以及获取推荐结果的过程中，全连接网络具有较强的拟合能力，可同时拟合用户的共识偏好与个性化偏好，在更细微的层面更精准地捕获现有技术忽略的用户的个性化偏好，有效提高了物品推荐的准确性。

技术特征：

1.一种基于共识偏好及个性化偏好的物品推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(1)所述的构建表征构造模型cf的训练样本集lcf、推荐模型upn的训练样本集lupn和测试样本集ltest，实现步骤为：

3.根据权利要求1所述的方法，其特征在于，步骤(4)所述的对表征构造模型cf进行训练，实现步骤为：

4.根据权利要求1所述的方法，其特征在于，步骤(5)所述的表征构造模型cf的损失值lbpr、更新的公式分别为：

5.根据权利要求1所述的方法，其特征在于，步骤(6)所述的物品的负例掩码计算公式为：

6.根据权利要求1所述的方法，其特征在于，步骤(8)所述的对共识偏好及个性化偏好拟合推荐模型upn进行训练，实现步骤为：

7.根据权利要求1所述的方法，其特征在于，步骤(9)所述的对进行更新，更新公式为：

技术总结
本发明提出了一种基于共识偏好及个性化偏好的物品推荐方法，实现步骤为：构建表征构造模型CF的训练样本集、推荐模型UPN的训练样本集和测试样本集；构建表征构造模型CF；初始化参数；对表征构造模型CF进行训练；获取训练好的表征构造模型；构建共识偏好及个性化偏好拟合推荐模型UPN；初始化参数；对共识偏好及个性化偏好拟合推荐模型UPN进行训练；获取训练好的共识偏好及个性化偏好拟合推荐模型UPN；获取物品推荐结果。本发明共识偏好及个性化偏好拟合推荐模型中的全连接网络具有较强的拟合能力，可同时拟合用户的共识偏好与个性化偏好，在更细微的层面更精准地捕获用户的个性化偏好，有效提高了物品推荐的准确性。

技术研发人员：慕彩红,罗佳申,刘逸,田强
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/1/15