[發明專利]一種提高協同過濾模型穩定性的方法

有效

• 申請號: 202010008222.3
• 申請日: 2020-01-06
• 公開（公告）號: CN111259233B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 吳哲夫;李澤農
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種提高協同過濾模型穩定性的方法，由于產品的視覺外觀對消費者的抉擇有著越來越重要的影響，產品視覺特征在推薦中越來越受到關注。利用新的網絡結構BDN(Brain?inspired Deep Network)提取的美學特征相較于從傳統卷積神經網絡提取用來表示圖像的CNN特征，對于推薦系統能起到更好的推薦效果。但并未有學者研究過美學特征對于推薦算法魯棒性的影響，因此本發明中我們主要就隨時間變化的美學因子是否會影響模型的魯棒性展開。我們通過對模型動態美學因子嵌入式矩陣加對抗性擾動發現其會使模型魯棒性下降，在此前提下，采用對模型進行對抗性訓練的方式進行改善，增強了原有模型的魯棒性和泛化能力。

技術領域

本發明涉及提高推薦系統穩定性領域，采用目前比較成熟的平臺Tensorflow提高模型的魯棒性，具體涉及一種提高協同過濾模型穩定性的方法。

背景技術

現有的推薦技術方面的研究，有的根據應用場景考慮不同的影響因素構建新的算法，有的則是利用新的融合方式來優化算法，早期的融合技術是通過將多特征空間映射到一個統一空間實現，后期則是使用不同特征的結果列表，并利用候選結果進行融合實現，都是以不同的形式將特征有效整合來提升算法性能。還有的是通過提出新型的特征提取技術優化所得特征質量，間接地優化算法。

但基本上目前所有的研究都是集中在如何提高推薦的準確率，而對于推薦算法的魯棒性問題的研究屈指可數。提高模型魯棒性以抵擋來自外界的破壞就顯得十分重要。于是我們需要一種有效的方法來對推薦系統的魯棒性進行提高。

發明內容

為了提高推薦系統的魯棒性，本發明提出了一種提高協同過濾模型穩定性的方法，提高了模型的魯棒性，能抵抗來自外界的惡意攻擊。

為實現上述的目標，本發明采用的技術方案為：

一種提高協同過濾模型穩定性的方法，包括以下步驟：

步驟1：訓練動態美學協同過濾推薦系統模型DCFA得到收斂參數；

所述DCFA的預測模型為：

其中U、V、T分別是用戶、產品以及時間的嵌入矩陣，M是用戶偏好矩陣，W是產品潛在特征矩陣，N是在時間r時的偏好矩陣，F是特征矩陣，u、i、r分別表示用戶、物品、時間；

步驟2：構建對抗性擾動Δadv，即得到使BPR優化方法損失最大的擾動，過程如下：

其中∈≥0是控制擾動幅度的超參數，||·||是L2范數，對應的目標函數如下：

其中，和如下表示：

步驟3：在DCFA模型上添加步驟2得到的對抗性擾動得到模型ADCFA；

模型ADCFA為：

其中，Δ_i表示加入到特征嵌入矩陣的對抗性擾動；

步驟4：將步驟1得到的收斂參數作為模型ADCFA的初始值；

步驟5：使用隨機梯度下降方法SGD優化模型ADCFA；

步驟6：通過步驟5的方法更新得到模型的參數Θ。

進一步，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進行泛化性能的對比；