[發明專利]基于評論共性信息嵌入和遷移的跨域推薦方法及系統

在審

• 申請號: 202111591808.8
• 申請日: 2021-12-23
• 公開（公告）號: CN114254203A
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 聶婕;左子杰;宋寧;王京禹;謝華鑫;時津津
• 申請（專利權）人: 中國海洋大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N20/00
• 代理公司: 青島華慧澤專利代理事務所(普通合伙) 37247
• 代理人: 趙梅

本發明屬于跨域推薦技術領域，公開了基于評論共性信息嵌入和遷移的跨域推薦方法及系統，該方法包括源數據的預處理、抽離評論信息的共性表征、學習用戶和物品的嵌入表征、用戶嵌入表征的跨域遷移和冷啟動跨域推薦的步驟，本發明充分利用評論信息在輔助域和目標域的共性表征開展嵌入表征的遷移，提高嵌入表征的泛化性；在多域表征融合時，應用堆疊變分自編碼機作為融合架構，提升了多視角信息融合的合理性。

技術領域

本發明屬于跨域推薦技術領域，特別涉及基于評論共性信息嵌入和遷移的跨域推薦方法及系統。

背景技術

跨域推薦是利用遷移機制，借助輔助域用戶或物品表征預測目標域用戶物品的交互信息，以達到解決數據稀疏和冷啟動的目的。跨域推薦包括兩個關鍵過程，其一，在單一域中開展特征工程，獲得高質量的用戶和物品嵌入；其二，利用遷移機制，將輔助域的用戶和物品嵌入至目標域，緩解目標域的交互稀疏和冷啟動問題。針對過程一，目前主要采用深度神經網絡表征模型，例如：堆疊自編碼器等。針對過程二，目前主要采用多層感知機(MLP)，通過公共子空間映射機制，進行輔助域到目標域的遷移。

傳統方法主要面臨的問題是用戶和物品嵌入表征的質量不高，這是由于用戶和物品嵌入表征學習僅依賴于交互歷史，特征抽取非常局限。Fu等人提出了一種融合交互歷史和評論信息(輔助語義)的基于堆疊降噪自編碼器的方法，該方法主要針對顯式推薦場景，引入輔助信息提升用戶和物品表征能力，該方法的優勢在于添加和利用了用戶和物品的評論信息，將其融入用戶嵌入的學習過程中，獲得的表征相較于未考慮評論信息的方法而言，提升用戶和物品表征在跨域應用時的泛化性。但是，該方法存在以下缺陷問題：第一，輔助信息不全面，未充分利用評論信息在輔助域和目標域的共性特征開展用戶嵌入表征的學習。例如，當前方法在AU_SDAE中僅嵌入用戶在輔助域的評論信息，忽略了輔助域和目標域的用戶評論信息之間的相關性，不僅導致輔助信息的視角單一，也容易引入單一域的噪聲，降低表征的泛化性。第二，多域表征融合不合理。例如，當前方法在多域表征融合時，應用堆疊降噪自編碼器作為融合架構，不僅空間映射機制缺乏合理性，還會降低用戶和物品嵌入表征的泛化性。第三，輔助信息的利用率低，僅在單域表征過程中使用，在遷移過程中并沒有發揮有效作用。

針對以上問題，本發明提出了基于評論共性信息嵌入和遷移的跨域推薦方法。

發明內容

針對現有技術存在的不足，本發明提供一種基于評論共性信息嵌入和遷移的跨域推薦方法及系統，充分利用評論信息在輔助域和目標域的共性表征開展用戶嵌入表征的學習；在多域表征融合時，應用堆疊變分自編碼機作為融合架構，充分利用了變分自編碼器這種深度生成模型在構建表征隱空間的有效性，提升了多視角信息融合的合理性。

為了解決上述技術問題，本發明采用的技術方案是：

首先，本發明提供一種基于評論共性信息嵌入和遷移的跨域推薦方法，包括以下步驟：

步驟一、源數據的預處理

源數據由評分數據和評論數據兩部分組成，其中評論數據需要預先處理成結構化的N維向量，在輸入模型時，評分數據分別從用戶和物品的視角對每一個項都隨機初始化成一個N維的評分向量；

步驟二、抽離評論信息的共性表征

在整個模型訓練過程中，利用變分自編碼器抽離出用戶在輔助域和目標域上評論信息的共性表征，同時也抽離出物品在輔助域和目標域上的評論信息的共性表征；

步驟三、學習用戶和物品的嵌入表征

在抽離了評論信息的共性表征之后，利用多個堆疊變分自編碼器分別從用戶和物品的視角同時在輔助域和目標域深度融合評論信息的共性表征和相應的評分向量，最終同時得到用戶和物品在輔助域和目標域上的嵌入表征；

步驟四、用戶嵌入表征的跨域遷移