CN115358809B 一种基于图对比学习的多意图推 荐方法及装置 （华南理工大学）

一种基于图对比学习的多意图推荐方法及本发明公开一种基于图对比学习的多意图和商品特征分成K段特征块；每个隐因子对应解两种视图下的K个意图特征；每种潜在意图下的特征进行自适应的对比学习；将K段特征拼接形明对对比视图的对比学习调整为自适应的对比2采用稀疏图结构形式对用户社交关系、商品属性关系及用户商品交基于原始社交关系和商品属性关系，引入用户购买商品的行为，形将两个对比视图根据K个潜在隐因子解耦出的两组意图特征，在不同隐因子下分别独将推荐任务与基于多意图个性化对比学习任务，以及基于图将数据集进行划分，对每个用户的验证集和测试集分别随机选取为了将辅助信息加入交互行为推荐预测中，在每个意图因子场景，通过参数化的方式来计算K个潜在因子对应交互关系图上每个3d/k为维度为d/k大小的实数空间；基于每个意图因子对应的图卷积神经网络消息传递模型GCNk，输入用户商品的节点特某个节点的k个特征块在各自增强图上进行邻居信息或者高阶信息的聚合后，得到每′两个对比视图根据K个潜在隐因子解耦出的两组意图特征，在不同隐因子下分别独立地进计算K个隐因子对应的对比损失，再融合成统一特征对应的损失前的权重系数，定义4从概率角度来衡量这个对比学习的合理性，作为每个节点的K个意图类别下的各自独立对比损失累加前的权重系数，最后每个节点的对比损失总的损失函数即用户和商品侧的对比损失和；其5[0003]随之各种基于GNN(图神经网络)推荐算法也被学者提出，而且可以实现很高的推[0010]基于K(要解耦出来的隐因子数)个解耦出的潜在因子意图表征来构建对应的对比[0013]将两个对比视图根据K个潜在隐因子解耦出的两组意图特征，在不同隐因子下分6[0023]在每个意图因子场景，通过参数化的方式来计算K个潜在因子对应交互关系图上K个隐因子对应的图上一条UI交互边的用户节点特征和v2kkd/k为维度为d/k大小的实数空间；7[0035]某个节点的k个特征块在各自增强图上进行邻居信息或者高阶信息的聚合后，得[0040]正例样本得分：pos_scorer=exp(D(Erj,E⃞y)),所有负列得分：all_neg_scorex=大化两个视角的特征信息是会产生次优的效果；故定义从概率角度来衡E2uBPRLoss损失函数得到推荐任务的有监督损失Lbpr，与无监督损失相加得到最后的模型损[0047]L=Lbpr十H*LC十P*Lr8施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适指示的技术特征的数量或者隐含指明所指示的技术特属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体9征具有可解释性；并且不仅引入强大的特征学习的对比学习方法又从更细粒度和多方面，[0073]形成新的社交关系图和商品属性图：为了将辅助信息加[0075]在每个意图因子场景，通过参数化的方式来计算K个潜在因子对应交互关系图上v2kkk[0086]某个节点的k个特征块在各自增强图上进行邻居信息或者高阶信息的聚合后，得jE)),所有负列得分，基于特定意图特征空间的对比损失函数接下来计算K个隐因子耦学习出来的K个隐因子对应的特征表示的归一化概率分布有关即这个节点具有某个意图作为每个节点的K个意图类别下的各自独立对比损失累加前的权重系数，E2uBPRLoss损失函数得到推荐任务的有监督损失Lbpr，与无监督损失相加得到最后的模型损[0101]如图2所示，本实施例提供一种基于解耦用户和商品的多隐因子对应的向量表征[0104]根据用户商品交互数大于等于3的条件过滤无效的用户，保留有效用户和对应交[0109]节点解耦出来的K个意图向量表征分别在K个GCN消息传递渠道上进行邻居信息的[0112]将K个隐因子空间学习到的意图表征向量分别进行对比学习，将正例得分比上所意图特征属于这个隐因子类别的概率大小，得到K个意图子空间的对比损失函数累加前的监督信号，再次对解耦学习到的意图特征拼接起来,得到的用户特征和商品特征在进行分[0115]将K段意图特征拼接在一起组成用户商品特征，利用内积的方式计算正负样本得分，基于BPRloss计算出推荐任务损失，联合上述提到的对比损失任务和互信息最大化任构方式存储。对比视图的构建：利用边的特征输入参数MLP变换网络中输出边的重要性概[0126]将相应的隐因子对应的用户和商品的意图特征分别在原始二分图和增强图进行K息的概率分布和根据InfoNCEloss的公式求出节点的某个意图下的两个视角的解耦特征对[0130]将上述解耦学习出的K个意图特征进行拼接得到完整的用户和商品特征，根据本全局图表征的两个递进式的最大化互信息的优化目标进一步强化节点[0132]模型最后输出全面的用户和商品嵌入向量，用BPRLoss损失函数得到推荐任务的因子对应的用户和商品解耦特征进行MLP变换，得到的此意图语义下的交互边的重要性来认为解耦出来的K个特征本质上是具有相似的语义信息。而本发明是在每个意图子空间独[0138](5)引入多意图分解和隐因子原型意图向量，本发明通过概率分布的概念计算出每个节点学出的解耦特征所代表的隐因子语义意图的归一化概率分布和计算出的各个对比损失函数值的归一化概率分布来决定每个隐因子特征空间下的对比损失函数累加前的提供的一种基于图对比学习的多意图推荐方法，可执行方法实施例的任意组合实施步骤，[0145]在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提改变以及其中被描述为较大操作的一部分的子操作被说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装