[發(fā)明專利]一種信息增強(qiáng)的緩解推薦用戶冷啟動(dòng)問(wèn)題的元學(xué)習(xí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110683807.X
• 申請(qǐng)日: 2021-06-21
• 公開（公告）號(hào): CN113343094A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 吳國(guó)棟;畢海嬌;汪菁瑤;涂立靜;李景霞
• 申請(qǐng)（專利權(quán)）人: 安徽農(nóng)業(yè)大學(xué)
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F40/284;G06N3/04;G06N3/08;G06Q30/06
• 代理公司: 安徽合肥華信知識(shí)產(chǎn)權(quán)代理有限公司 34112
• 代理人: 余成俊

本發(fā)明公開了一種信息增強(qiáng)的緩解推薦用戶冷啟動(dòng)問(wèn)題的元學(xué)習(xí)方法，根據(jù)用戶物品的評(píng)論關(guān)系構(gòu)建用戶—物品二部圖；將用戶鄰域信息和物品描述文本作為節(jié)點(diǎn)信息的來(lái)源，對(duì)構(gòu)建的二部圖進(jìn)行隨機(jī)采樣，構(gòu)建元學(xué)習(xí)的任務(wù)，每個(gè)任務(wù)代表為一個(gè)新用戶做冷啟動(dòng)推薦來(lái)模擬為新用戶實(shí)現(xiàn)推薦的場(chǎng)景；再使用bert方法，針對(duì)每個(gè)元學(xué)習(xí)任務(wù)進(jìn)行文本數(shù)據(jù)的特征提取工作，以得到偏好信息；將偏好信息引導(dǎo)元全局參數(shù)生成每個(gè)用戶的嵌入生成函數(shù)的局部參數(shù)，通過(guò)將元學(xué)習(xí)任務(wù)輸入到推薦模型得到用戶對(duì)物品的預(yù)測(cè)評(píng)分，對(duì)于元學(xué)習(xí)參數(shù)進(jìn)行更新，訓(xùn)練好的參數(shù)直接運(yùn)用到未訓(xùn)練過(guò)的新用戶。本發(fā)明緩解了新用戶交互少無(wú)法評(píng)估偏好推薦不準(zhǔn)確的問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及網(wǎng)絡(luò)信息推送方法領(lǐng)域，具體是一種信息增強(qiáng)的緩解推薦用戶冷啟動(dòng)問(wèn)題的元學(xué)習(xí)方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)的發(fā)展，電商平臺(tái)幾乎可以滿足人們?nèi)魏钨?gòu)物需求，也越來(lái)越多人依賴于網(wǎng)絡(luò)購(gòu)物。面對(duì)爆炸式增長(zhǎng)的用戶與物品數(shù)量，推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)根據(jù)用戶的偏好，為用戶提供精確的個(gè)性化推薦，在提升用戶購(gòu)物體驗(yàn)的同時(shí)，也提高了電商平臺(tái)的銷量。但是推薦模型一般對(duì)用戶特定的數(shù)據(jù)敏感，對(duì)部分用戶表現(xiàn)較好，但總體來(lái)說(shuō)泛化能力差。并且推薦模型需要大量用戶交互數(shù)據(jù)進(jìn)行訓(xùn)練來(lái)提供個(gè)性化推薦，新用戶的最大特點(diǎn)就是用戶交互數(shù)據(jù)較少，因此傳統(tǒng)的方法都存在嚴(yán)重的冷啟動(dòng)問(wèn)題。推薦系統(tǒng)的冷啟動(dòng)問(wèn)題與泛化能力差的問(wèn)題亟待解決。

最新的研究將新興元學(xué)習(xí)算法應(yīng)用到推薦之中，主要是通過(guò)元學(xué)習(xí)實(shí)現(xiàn)小樣本學(xué)習(xí)的方法來(lái)模擬交互極少的新用戶來(lái)緩解冷啟動(dòng)方面的問(wèn)題，除此之外，還應(yīng)用于對(duì)已有的推薦系統(tǒng)自適應(yīng)選擇或者再訓(xùn)練等方面。目前，大部分關(guān)于元學(xué)習(xí)緩解冷啟動(dòng)問(wèn)題的研究都直接利用了模型無(wú)關(guān)元學(xué)習(xí)算法(Model-Agnostic Meta-Learning，MAML)思想對(duì)推薦模型的參數(shù)初始化進(jìn)行學(xué)習(xí)，在大量不同的任務(wù)上訓(xùn)練，通過(guò)少量的梯度步驟，能快速得到適應(yīng)新任務(wù)的表征。但是目前元學(xué)習(xí)對(duì)推薦系統(tǒng)冷啟動(dòng)問(wèn)題的研究存在一些問(wèn)題，無(wú)法很好緩解完全冷啟動(dòng)場(chǎng)景，大部分的研究都是基于新用戶具有少量交互的基礎(chǔ)上，并且具有穩(wěn)定性差和在一些用戶上模型獲得局部最優(yōu)解等缺點(diǎn)。因此，需要添加一些用戶的偏好信息指導(dǎo)元學(xué)習(xí)的參數(shù)指導(dǎo)生成不同用戶的推薦模型參數(shù)，提高模型的泛化能力。但是由于隱私保護(hù)的原因，用戶的配置文件難以獲得甚至或得到虛假的配置文件信息，導(dǎo)致初始偏好獲取困難。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種信息增強(qiáng)的緩解推薦用戶冷啟動(dòng)問(wèn)題的元學(xué)習(xí)方法，利用用戶對(duì)物品的評(píng)論文本提取偏好信息來(lái)優(yōu)化元學(xué)習(xí)方法，以解決現(xiàn)有技術(shù)推薦系統(tǒng)中用戶冷啟動(dòng)問(wèn)題，為新用戶提供更加準(zhǔn)確的個(gè)性化推薦。

為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案為：

一種信息增強(qiáng)的緩解推薦用戶冷啟動(dòng)問(wèn)題的元學(xué)習(xí)方法，包括以下步驟：

(1)、基于評(píng)論關(guān)系構(gòu)建用戶、物品的鄰接矩陣，然后基于所述鄰接矩陣構(gòu)建用戶-物品交互二部圖，所述用戶-物品交互二部圖中以用戶、物品分別作為節(jié)點(diǎn)；

(2)、根據(jù)物品自身的屬性特征生成物品節(jié)點(diǎn)的嵌入向量，并利用聚合方法生成用戶節(jié)點(diǎn)的嵌入向量；

(3)、對(duì)所述用戶-物品交互二部圖進(jìn)行采樣以構(gòu)建元學(xué)習(xí)任務(wù)的數(shù)據(jù)集；

(4)、利用bert模型從用戶對(duì)物品的評(píng)論文本中提取用戶偏好信息；

(5)、搭建全連接網(wǎng)絡(luò)作為推薦模型，向推薦模型中加入所述用戶節(jié)點(diǎn)的偏好信息，并采用步驟(3)得到的數(shù)據(jù)集訓(xùn)練所述推薦模型，基于訓(xùn)練結(jié)果將推薦模型的全局參數(shù)更新至最優(yōu)參數(shù)；

(6)、使用全局參數(shù)為最優(yōu)參數(shù)的推薦模型，對(duì)新用戶進(jìn)行物品推薦。

進(jìn)一步的，所述步驟(1)中，獲取用戶對(duì)物品的評(píng)論文本，基于評(píng)論文本得到用戶、物品的評(píng)論關(guān)系。

進(jìn)一步的，所述步驟(1)中，用戶-物品交互二部圖以所述鄰接矩陣作為用戶-物品交互二部圖的邊。