[發明專利]一種基于生成對抗網絡的雙向動態推薦系統

有效

• 申請號: 202011101268.6
• 申請日: 2020-10-15
• 公開（公告）號: CN112395494B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 房笑宇;夏彬;曹陳涵;韓悅
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于生成對抗網絡的雙向動態推薦方法，其特征在于：包括有以下步驟：

S1：收集推薦系統雙方主體客體之間的歷史相互選擇數據，分別對其進行重新分配分組，即針對主體推薦客體的行為中，采用數據處理模塊，構建以主體為中心的通用數據集；針對客體推薦主體的行為中，采用數據處理模塊，構建以客體為中心的通用數據集；

其中采用數據處理模塊分別構建以主體為中心的通用數據集和以客體為中心的通用數據集的具體構建步驟如下：

S1.1：采集主體客體雙方之間的歷史選擇信息，以此作為模型學習的樣本，并對原始信息進行格式化處理；

S1.2：分別對主體客體按照排列次序進行數字化編碼，將字符形式的名稱轉換為模型可讀取的數字化格式；

S1.3：若主體的數量為u，客體的數量為v，分別以主體為中心構建u*v維和以客體為中心構建v*u維矩陣，在u*v維的矩陣中，第零行依次存放每個主體，第零列依次存放每個客體，矩陣中第(i，j)位置的數據表示第i個主體對第j個客體的偏好權重；

S1.4：在v*u維矩陣中，第零行依次放置每個客體，第零列以此放置每個主體；假若主體和客體之間并沒有歷史選擇記錄，那么在各自的矩陣中對應位置權重值為0；

S2：對抗網絡中設置有兩個生成器，訓練對抗網絡中的一個生成器，利用通用數據集學習主體選擇客體的偏好；訓練生成對抗網絡中的另一個生成器，利用通用數據集學習客體選擇主體的偏好；

S3：使用兩個判別器分別對兩個生成器生成的數據進行判別后，分別得到具有推薦合適主體的生成器和具有推薦合適客體的生成器；

S4：訓練得到已經收斂的生成對抗網絡，并使用兩個可利用的生成器為主客體分別進行生成推薦。

2.根據權利要求1所述的一種基于生成對抗網絡的雙向動態推薦方法，其特征在于：所述S2中生成器包括有三個輸入，以主體為中心分別為：被推薦主體；前一個推薦客體；以前一個推薦客體為中心進行推薦主體的序列；

以客體為中心分別為：被推薦客體；前一個推薦主體；以前一個推薦主體為中心進行推薦客體的序列。

3.根據權利要求1所述的一種基于生成對抗網絡的雙向動態推薦方法，其特征在于：所述S2中生成器模型為一個三層的循環神經網絡，訓練過程如下：

S2.1：將原始主體樣本及以客體為中心的生成器中生成的主體樣本分別編碼成128維數組形式的數據信息作為網絡的輸入；

S2.2：將編碼后的數據輸入到第一層長短期記憶神經網絡中，用于提取特征信息；

S2.3：對S2.2中的兩個特征向量進行融合，將融合后的特征向量輸入到第二層的長短期記憶神經網絡中，提取更深層的特征信息；

S2.4：在以主體為中心的生成器中，第三層網絡接入一個線性回歸模型，輸出維度為客體的數目，最終使用sigmoid函數進行推薦排序；同樣的，以客體為中心的生成器與之類似，第三層網絡接入一個線性回歸模型，輸出維度為主體的數目，最終使用sigmoid函數進行推薦排序；

S2.5：生成器的損失函數包括兩部分組成，對第一部分的損失函數使用交叉熵函數，衡量生成推薦序列與真實序列之間的差異性；對第二部分損失函數使用均方誤差函數，衡量主體與針對錯誤推薦客體進行推薦的主體之間的相似度，具體公式如下：

loss(x_i,y_i)＝(x_i-y_i)²

S2.6：生成器訓練完畢，獲得推薦模型。