[發(fā)明專利]一種提高協(xié)同過濾模型穩(wěn)定性的方法

有效

• 申請?zhí)枺?/td>: 202010008222.3
• 申請日: 2020-01-06
• 公開（公告）號: CN111259233B
• 公開（公告）日: 2022-07-26
• 發(fā)明（設(shè)計(jì)）人: 吳哲夫;李澤農(nóng)
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種提高協(xié)同過濾模型穩(wěn)定性的方法，其特征在于，該方法包括如下步驟：

步驟1：訓(xùn)練動(dòng)態(tài)美學(xué)協(xié)同過濾推薦系統(tǒng)模型DCFA得到收斂參數(shù)；

步驟2：構(gòu)建對抗性擾動(dòng)Δadv，即得到使BPR優(yōu)化方法損失最大的擾動(dòng)；

步驟3：在DCFA模型上添加步驟2得到的對抗性擾動(dòng)得到模型ADCFA；

步驟4：將步驟1得到的收斂參數(shù)作為模型ADCFA的初始值；

步驟5：使用隨機(jī)梯度下降方法SGD優(yōu)化模型ADCFA；

步驟6：通過步驟5的方法更新得到模型參數(shù)Θ；

所述步驟1中，DCFA的預(yù)測模型為：

其中U、V、T分別是用戶、產(chǎn)品以及時(shí)間的嵌入矩陣，M是用戶偏好矩陣，W是產(chǎn)品潛在特征矩陣，N是在時(shí)間r時(shí)的偏好矩陣，F(xiàn)是特征矩陣，u、i、r分別表示用戶、物品、時(shí)間；

所述步驟2中，構(gòu)建對抗性擾動(dòng)Δadv，所述過程如下：

其中∈≥0是控制擾動(dòng)幅度的超參數(shù)，||·||是L2范數(shù)，對應(yīng)的目標(biāo)函數(shù)如下：

其中，和如下表示：

所述步驟3中，ADCFA為：

其中，Δ_i表示加入到特征嵌入矩陣的對抗性擾動(dòng)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括以下步驟：

步驟7：將原先的模型DCFA和模型ADCFA進(jìn)行泛化性能的對比。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述方法還包括以下步驟：

步驟8：將原先的模型DCFA和模型ADCFA進(jìn)行魯棒性能的對比。

4.根據(jù)權(quán)利要求1～3之一所述的方法，其特征在于，所述步驟5中，SGD所需要輸入的數(shù)據(jù)包括訓(xùn)練集，迭代次數(shù)以及正則化系數(shù)和兩個(gè)超參數(shù)，輸出為收斂的模型參數(shù)。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟7中，進(jìn)行泛化性能對比的過程如下：先對DCFA模型進(jìn)行1000次迭代訓(xùn)練使其達(dá)到收斂狀態(tài)，再用該訓(xùn)練所得到的參數(shù)初始化ADCFA模型，為了實(shí)現(xiàn)對比，我們用一樣的參數(shù)初始化一個(gè)新的DCFA模型并繼續(xù)訓(xùn)練它。

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述步驟8中，進(jìn)行魯棒性能對比的過程如下：對DCFA模型和ADCFA模型加入相同大小的擾動(dòng)，并記錄它們的性能變化。