[發明專利]一種基于生成對抗網絡的對級排序項目推薦方法

有效

• 申請號: 201910571454.7
• 申請日: 2019-06-28
• 公開（公告）號: CN110442781B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 張晨燕;劉東華;袁龍飛;陳博
• 申請（專利權）人: 武漢大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06F40/289;G06F40/30;G06N3/0464
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魏波

本發明公開了一種基于生成對抗網絡的對級排序項目推薦方法，首先利用卷積神經網絡從文本評論中捕獲評論信息的上下文特征。其次通過嵌入層從用戶的反饋數據中提取用戶交互特征和項目交互特征。之后對項目的交互特征和評論特征進行融合，并利用生成對抗網絡的生成器為用戶生成個性化的負樣本，通過對抗的訓練來更新參數，不斷提高生成器的推薦性能，直到最終生成器的推薦結果收斂。本發明可以有效的從評論中挖掘項目的評論特征緩解隱式反饋數據的稀疏性，利用生成對抗的過程個性化的選擇負樣本，克服傳統采樣方式的弱點，提高推薦的準確性。

技術領域

本發明屬于數據挖掘技術領域，具體涉及智能推薦領域中的一種基于生成對抗網絡的對級排序項目推薦方法。

背景技術

互聯網的發展為人們帶來了更加便捷的服務和更多樣化的信息，隨著接觸到的信息規模與日俱增，用戶不可避免的遭遇信息過載的問題，使得快速獲取目標信息變得越來越困難。推薦系統作為解決信息過載問題的重要手段，對客戶留存和互聯網企業成功與否有著重要的影響。推薦系統從用戶的歷史反饋中學習用戶的特征，從而從大量的項目集中選擇符合用戶偏好的項目，為用戶進行個性化的推薦。現實生活中，用戶更多以隱式反饋的方式來表達自己的偏好，如是否點擊、是否購買等，但是沒有觀察到的項目表達何種含義是不確定的，因此基于隱式反饋的項目推薦更加具有挑戰性。

現有的基于隱式反饋的推薦方法主要分為兩類：點級回歸和對級排序。點級回歸認為未觀察到的項目就是用戶不喜歡的項目([文獻1])，通過回歸優化用戶對項目的預測評分，并根據預測評分的高低對項目進行排序。對級排序可以利用未觀察到的數據，一定程度上緩解了數據稀疏性。[文獻2]基于用戶更喜歡觀察到的項目的假設，提出貝葉斯個性化排序算法(Bayesian?Personalized?Ranking,BPR)。將項目推薦問題轉化為偏序關系〈i,j〉中用戶是否更喜歡項目i的二分類問題，通過所有項目兩兩之間的偏序關系來生成推薦列表。Zhao等人提出SBPR將社交關系引入到BPR中進行建模([文獻3])。[文獻4]設計了包含視覺信息的排序模型，利用深度神經網絡提取視覺特征，作為交互信息的輔助，生成更符合用戶偏好的個性化排名。但是上述方法大多采用隨機采樣的方式選擇負樣本，忽略了負樣本和用戶之間的相關性。

近年來，隨著深度學習研究的不斷深入以及在圖像、語音、自然語言處理等領域取得的巨大成功([文獻5]-[文獻8])，將深度學習引入到推薦領域成為研究的一個熱點，利用深度神經網絡挖掘輔助信息的特征能夠有效地緩解數據稀疏性和冷啟動問題。[文獻9]采用堆疊降噪自動編碼器提取項目評論的上下文特征，并將評論特征的提取與評級矩陣的協同過濾緊密結合，允許兩者之間的雙向交互；[文獻10]利用無監督學習得到的詞向量構建詞向量矩陣，通過卷積、池化提取文本的語義特征，對文本進行分類。[文獻11]利用卷積神經網絡提取有效的特征表示，并集成概率矩陣分解重構用戶-項目評分矩陣。卷積神經網絡克服了詞袋模型的固有局限性，能夠成功的學習文本的語義特征。

[文獻12]首次提出生成對抗網絡，其基本思想是在生成器和判別器之間進行極大極小的博弈游戲，二者進行迭代的訓練，相互促進。由于生成器具有生成樣本的能力，在許多領域有了成功的應用([文獻13])。Wang等人首次將生成對抗的思想引入到信息檢索領域(IRGAN)([文獻14])，設計了一個符合推薦領域特點的生成離散數據的生成器，并給出一個可行的優化方案；用判別器的判斷生成器推薦的項目是否符合用戶的偏好。[文獻15]提出對抗成對學習推薦系統，將生成對抗網絡的思想應用于排序學習，利用生成器來生成一個負樣本，提供了生成器生成離散樣本優化問題的另一種解決方案，并且增加了收斂速度，提高了對抗模型的穩定性。[文獻16]提出融合長期的評分信息和短期的會話信息在內容感知的電影推薦使用對抗性訓練，為用戶推薦下一部電影。然而目前在生成對抗網絡中融合評論信息，緩解數據稀疏性進行項目推薦的研究還很少。