一种流行度纠偏推荐方法、装置、电子设备及存储介质

本申请涉及物品推荐，特别是涉及一种流行度纠偏推荐方法、装置、电子设备及存储介质。

背景技术：

1、推荐系统或者推荐模型作为一种有效缓解信息过载的技术，能够为用户提供个性化的物品推荐。现有推荐模型不断更新迭代，旨在实现设计出更加精准高效的推荐。然而，推荐模型中往往存在着损害推荐性能的流行度偏差。流行度偏差的产生来源于推荐数据中的物品交互频率呈现长尾分布，而基于此类数据进行训练的推荐模型会继承甚至放大对流行物品的偏好，导致热门物品在最终的推荐结果中占据了过多的比重，从而影响推荐的有效性和公平性。

2、现有解决流行度偏差的方法主要包括以下几类：

3、1、基于因果的方法：通过假设因果图来识别流行度偏差，并用因果推断方法消除其影响。由于基于因果的方法的有效性与因果图的准确性紧密相连，而广泛存在的无法被识别的混淆因子又会影响因果图的准确性，所以该方法对流行度偏差的优化效果并不理想。

4、2、基于倾向性得分的方法直接调整训练样本的权重让数据分布更加均匀。基于倾向性得分的方法会忽略其他有价值的信息（例如，物品质量等），且通常在性能上不如基于因果的方法。

5、3、基于正则的方法通过引入正则项来约束预测值，该方法往往直接对预测值施加较强的约束，这将潜在地影响推荐的准确性。

6、4、基于解耦的方法通过学习解耦的表征来消除流行度信息的影响，从而获取真实的用户兴趣。然而，基于解耦的方法对于从用户兴趣中解耦出流行度偏差的解耦效果并不能得到良好的保证，因此对流行度影响的消除效果也并不理想。

7、综上所述，现有的对于推荐模型流行度偏差的消除效果并不理想，导致推荐模型的推荐准确度降低，针对相关技术中的推荐模型中普遍出现的流行度偏差的问题，目前还没有提出有效的解决方案。

技术实现思路

1、在本实施例中提供了一种流行度纠偏推荐方法、装置、电子设备及存储介质，以解决相关技术中的推荐模型中普遍出现的流行度偏差的问题。

2、第一个方面，在本发明中提供了一种流行度纠偏推荐方法，包括：

3、获取目标推荐模型，以最小化目标损失为优化目标，对所述目标推荐模型进行训练；其中，所述目标损失包括第一损失和第二损失，所述第一损失根据所述目标推荐模型的预测值和标签值确定，所述第二损失与目标矩阵的谱范数呈正相关，所述目标矩阵为用户表征矩阵与物品表征矩阵的转置之间乘积矩阵；

4、通过训练后的所述目标推荐模型向用户推荐物品。

5、在其中的一些实施例中，所述第二损失根据所述目标矩阵的列和向量和所述目标矩阵的乘积确定。

6、在其中的一些实施例中，所述目标损失根据所述第一损失、所述第二损失和所述第二损失的预设权重系数确定。

7、在其中的一些实施例中，所述目标损失为：

8、

9、其中，为目标损失，为第一损失，为所述第二损失，β为所述第二损失的预设权重系数，u为用户表征矩阵，v为物品表征矩阵，e为n维的全1向量，n为用户的数量，表示范数；

10、所述第一损失为：

11、

12、其中，表示用户是否喜欢物品的标签值，表示用户u是否喜欢物品i的预测值，n为用户的数量，m为物品的数量，为损失函数。

13、在其中的一些实施例中，所述预设权重系数选自如下参数之一：

14、1e-4、1e-3、1e-2、1e-1、5e-1、1或5。

15、在其中的一些实施例中，所述损失函数为交叉熵损失函数或平方损失函数。

16、在其中的一些实施例中，通过训练后的所述目标推荐模型向用户推荐物品包括：

17、通过所述目标推荐模型预测用户对物品的兴趣，根据所述兴趣向用户推荐物品。

18、第二个方面，在本发明中提供了一种流行度纠偏推荐装置，包括：

19、获取模块，用于获取目标推荐模型，以最小化目标损失为优化目标，对所述目标推荐模型进行训练；其中，所述目标损失包括第一损失和第二损失，所述第一损失根据所述目标推荐模型的预测值和标签值确定，所述第二损失与目标矩阵的谱范数呈正相关，所述目标矩阵为用户表征矩阵与物品表征矩阵的转置之间乘积矩阵；

20、推荐模块，用于通过训练后的所述目标推荐模型向用户推荐物品。

21、第三个方面，在本发明中提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的流行度纠偏推荐方法。

22、第四个方面，在本发明中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的流行度纠偏推荐方法。

23、与相关技术相比，本发明基于目标矩阵的最大右奇异向量和物品流行度向量具有明显相似性这一特点，引入与目标矩阵的谱范数呈正相关的第二损失，通过约束目标矩阵的谱范数来减小目标推荐模型的第二损失，对目标推荐模型的目标损失进行优化，能够提高推荐模型的准确率，缓解推荐模型对热门物品的偏好的现象，解决了现有技术中推荐模型中普遍出现的流行度偏差问题。

24、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

技术特征：

1.一种流行度纠偏推荐方法，其特征在于，包括：

2.根据权利要求1所述的流行度纠偏推荐方法，其特征在于，所述第二损失根据所述目标矩阵的列和向量和所述目标矩阵的乘积确定。

3.根据权利要求1所述的流行度纠偏推荐方法，其特征在于，所述目标损失根据所述第一损失、所述第二损失和所述第二损失的预设权重系数确定。

4.根据权利要求3所述的流行度纠偏推荐方法，其特征在于，所述目标损失为：

5.根据权利要求4所述的流行度纠偏推荐方法，其特征在于，所述预设权重系数选自如下参数之一：

6.根据权利要求4所述的流行度纠偏推荐方法，其特征在于，所述损失函数为交叉熵损失函数或平方损失函数。

7.根据权利要求1所述的流行度纠偏推荐方法，其特征在于，通过训练后的所述目标推荐模型向用户推荐物品包括：

8.一种流行度纠偏推荐装置，其特征在于，包括：

9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的流行度纠偏推荐方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的流行度纠偏推荐方法的步骤。

技术总结
本申请涉及一种流行度纠偏推荐方法、装置、电子设备及存储介质，其中，该流行度纠偏推荐方法包括：获取目标推荐模型，以最小化目标损失为优化目标，对所述目标推荐模型进行训练；其中，所述目标损失包括第一损失和第二损失，所述第一损失根据所述目标推荐模型的预测值和标签值确定，所述第二损失与目标矩阵的谱范数呈正相关，所述目标矩阵为用户表征矩阵与物品表征矩阵的转置之间乘积矩阵；通过训练后的所述目标推荐模型向用户推荐物品。通过本申请，降低了推荐模型对热门物品的偏好，缓解了推荐模型中普遍存在的流行度偏差问题。

技术研发人员：陈佳伟,林思仪,王灿,冯雁
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/2/8