[發明專利]一種基于對抗哈希的物品推薦方法

有效

• 申請號: 202110650234.0
• 申請日: 2021-06-10
• 公開（公告）號: CN113377973B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 楊陽;何仕遠;許啟迪;賓燚
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F16/435
• 分類號: G06F16/435;G06F16/45;G06F16/483;G06V20/00;G06V10/46;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 四川鼎韜律師事務所 51332
• 代理人: 溫利平

本發明公開了一種基于對抗哈希的物品推薦方法，創新地設計了一個基于物品視覺特征的物品哈希網絡利用哈希函數根據物體深度學習特征將物品空間映射到低維空，生成物品ID以及潛在向量，同時，采用模態判別器使潛在向量h_i與視覺嵌入v_i相似，利用對抗訓練，視覺嵌入直接推斷物品潛在向量，對模型參數較少的冷啟動物品，提高了推薦性能(準確性)。

技術領域

本發明屬于物品推薦技術領域，更為具體地講，涉及一種基于對抗哈希的物品推薦方法。

背景技術

物品推薦是應用機器學習的一項基本任務，學習用戶的興趣以及如何向用戶推薦物品。隨著推薦場景的復雜化和數據量的增加，物品推薦進入了深度學習的新時代。貝葉斯個性化排序(BPR)等基于潛在因素的方法將每個物品和用戶表示為潛在因素或嵌入，并根據不同的機制計算相似度或偏好。BPR是一種協同過濾方法，利用一種新的BPR成對排序損失來訓練矩陣分解模型。由于矩陣分解是完全基于用戶-物品交互學習的，因此它可以作為具有視覺特征的模型的基準。但是，這些方法不能充分利用物品的側面信息，在推測用戶偏好時可能會隱藏有用信息。

基于神經網絡的方法為從圖像、文字和視頻的角度理解物品內容提供了新的工具，但如何利用這些深度學習特征進行物品推薦仍是一個問題。在基于圖像的物品推薦場景中，DUIF(Deep User and Image Feature learning)將矩陣分解中嵌入的項替換為將圖像深度特征投影到潛在空間中。VBPR(Visual Bayesian Personalized Ranking)同時使用物品潛在因素和深度學習圖像特征來表示一個項目，在推薦場景預熱時性能更好。由于VBPR在預測不可見的用戶-多媒體物品交互方面具有很強的泛化能力，因此被認為是最有效的物品推薦模型。

物品推薦在在線服務中起著核心作用，由于深度神經網絡在表示學習方面的成功，物品推薦的最新進展主要集中在探索深度學習方法來提高推薦精度。但是，由于物品總體呈冪律分布，并不是所有的物品嵌入都能被很好的訓練，從而導致冷啟動物品的推薦性能(準確性)較差。

目前的物品推薦方法仍然依賴于從用戶-物品交互中訓練出來的項目潛在因子或項目嵌入。因此，當推斷用戶對冷啟動物品的偏好時，這些錯誤的輸入將帶來更糟糕的結果。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于對抗哈希的物品推薦方法，以提高冷啟動物品的推薦準確性。

為實現上述發明目的，本發明基于對抗哈希的物品推薦方法，其特征在于，包括以下步驟：

(1)、提取物品的深度學習特征圖

對物品的圖片或視頻進行預處理，然后送入卷積神經網絡進行特征提取，得到物品的D維的深度學習特征圖c_i，i＝1，2，…N，N為物品的數量，深度學習特征圖c_i為行向量；

(2)、獲取物品的潛在向量

將物品的深度學習特征圖c_i送入物品哈希網絡中，首先進行哈希函數映射，將視覺上相似的物品通過哈希函數映射到同一個桶(bucket)中，哈希函數為一個兩層感知器h，得到特征向量b_i：

b_i＝sgn(h(c_i))

其中，h()表示哈希函數，將深度學習特征圖c_i映射為L維，如果某一維大于0，則符號函數sgn()返回1，否則返回0；這樣，特征向量b_i表示為：

特征向量b_i為二進制multi-hot為物品的新“ID”，所有N個物品的特征向量b_i按行依次放置，構成矩陣B_N×L；