[發(fā)明專利]基于對比學習和雙邊協(xié)同的下一個興趣點推薦方法和裝置

在審

• 申請?zhí)枺?/td>: 202111603826.3
• 申請日: 2021-12-24
• 公開（公告）號: CN114238773A
• 公開（公告）日: 2022-03-25
• 發(fā)明（設計）人: 沈利東;沈利輝;趙朋朋;李業(yè)芃
• 申請（專利權）人: 江蘇億友慧云軟件股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06N3/04;G06N3/08
• 代理公司: 北京遠大卓悅知識產(chǎn)權代理有限公司 11369
• 代理人: 吳朝陽

1.一種基于對比學習和雙邊協(xié)同的下一個興趣點推薦方法，其特征在于，包括：

獲取多個用戶的歷史興趣點序列，其中，每個用戶的歷史興趣點序列包括相應用戶所訪問的若干興趣點；

根據(jù)所述多個用戶的歷史興趣點序列所包括的多個興趣點，獲取所述多個興趣點的歷史用戶序列，其中，每個興趣點的歷史用戶序列包括對相應興趣點進行訪問的若干用戶；

基于對比學習，根據(jù)所述多個用戶的歷史興趣點序列以及所述多個興趣點的歷史用戶序列，構建神經(jīng)網(wǎng)絡模型，并基于所構建的神經(jīng)網(wǎng)絡模型生成目標評分矩陣，其中，所述目標評分矩陣包括所述多個用戶中每個用戶對所述多個興趣點中每個興趣點的評分；

根據(jù)所述目標評分矩陣，對選自于所述多個用戶中的目標用戶推薦下一個興趣點。

2.如權利要求1所述的基于對比學習和雙邊協(xié)同的下一個興趣點推薦方法，其特征在于，所述神經(jīng)網(wǎng)絡模型包括第一神經(jīng)網(wǎng)絡和第二神經(jīng)網(wǎng)絡；

所述基基于對比學習，根據(jù)所述多個用戶的歷史興趣點序列以及所述多個興趣點的歷史用戶序列，構建神經(jīng)網(wǎng)絡模型，并基于所構建的神經(jīng)網(wǎng)絡模型生成目標評分矩陣，其中，所述目標評分矩陣包括所述多個用戶中每個用戶對所述多個興趣點中每個興趣點的評分，包括：

采用所述第一神經(jīng)網(wǎng)絡對所述多個用戶的歷史興趣點序列進行處理，得到所述多個用戶對各自對應的每個興趣點的評分，生成第一評分矩陣；

采用所述第二神經(jīng)網(wǎng)絡對所述多個興趣點的歷史用戶序列進行處理，得到所述多個興趣點被各自對應的用戶所賦予的評分，生成第二評分矩陣；

基于對比學習的損失函數(shù)，將所述第一評分矩陣和所述第二評分矩陣進行對比，并對所述神經(jīng)網(wǎng)絡模型進行訓練；

基于訓練完成的神經(jīng)網(wǎng)絡模型輸出更新的第一評分矩陣，將更新的第一評分矩陣作為所述目標評分矩陣。

3.如權利要求2所述的基于對比學習和雙邊協(xié)同的下一個興趣點推薦方法，其特征在于，所述第一神經(jīng)網(wǎng)絡包括第一子神經(jīng)網(wǎng)絡和第二子神經(jīng)網(wǎng)絡；

所述采用所述第一神經(jīng)網(wǎng)絡對所述多個用戶的歷史興趣點序列進行處理，得到所述多個用戶對各自對應的每個興趣點的評分，生成第一評分矩陣，包括：

采用第一子神經(jīng)網(wǎng)絡對所述多個用戶的歷史興趣點序列進行處理，得到所述多個用戶各自對應的每個興趣點的特征向量；

采用所述第二子神經(jīng)網(wǎng)絡對所述多個用戶各自對應的每個興趣點的特征向量進行處理，得到所述多個用戶對各自對應的每個興趣點的評分，生成第一評分矩陣。

4.如權利要求3所述的基于對比學習和雙邊協(xié)同的下一個興趣點推薦方法，其特征在于，所述第一子神經(jīng)網(wǎng)絡包括GNN；

所述采用第一子神經(jīng)網(wǎng)絡對所述多個用戶的歷史興趣點序列進行處理，得到所述多個用戶各自對應的每個興趣點的特征向量，包括：

將每個用戶的歷史興趣點序列輸入所述GNN中進行處理，得到所述GNN的輸出層中與每個用戶相對應的每個結點的向量；其中，所述GNN的輸出層中與每個用戶相對應的每個結點代表每個用戶所對應的每個興趣點；

將所述GNN的輸出層中與每個用戶相對應的每個結點的向量與相應結點的相對位置編碼向量以非線性變換的方式結合，得到每個用戶所對應的每個興趣點的特征向量。

5.如權利要求3所述的基于對比學習和雙邊協(xié)同的下一個興趣點推薦方法，其特征在于，所述方法還包括：

根據(jù)所述多個用戶的歷史興趣點序列，確定所述多個用戶中兩兩用戶之間的興趣偏好相似度；

所述采用所述第二子神經(jīng)網(wǎng)絡對所述多個用戶各自對應的每個興趣點的特征向量進行處理，得到所述多個用戶對各自對應的每個興趣點的評分，生成第一評分矩陣，包括：

將每個用戶所對應的每個興趣點的特征向量輸入所述第二子神經(jīng)網(wǎng)絡中進行處理，得到每個用戶對對應的每個興趣點的候選評分；

根據(jù)每個用戶對對應的每個興趣點的候選評分以及相應用戶與所述多個用戶中其他用戶之間的興趣偏好相似度，確定每個用戶對對應的每個興趣點的評分。