[發明專利]基于個性化對比損失的序列推薦方法、系統、介質及設備

在審

• 申請號: 202310003947.7
• 申請日: 2023-01-03
• 公開（公告）號: CN116049547A
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 趙國帥;湯豪;錢學明
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/08;G06N3/0464
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

本發明公開了一種基于個性化對比損失的序列推薦方法、系統、介質及設備，對用戶的交互記錄數據按照時間先后順序排列，形成用戶的序列交互數據；利用用戶序列交互數據，通過深度學習推薦模型SASRec得到用戶和物品的特征表達；利用用戶和物品的特征表達，基于個性化對比損失函數PCL進行模型訓練。通過引入交叉熵或二值交叉熵損失的絕對約束和均勻性正則化約束，改進了對比損失CL僅有相對約束和對物品均勻性分布約束不足的問題，并形成了序列推薦方法PCL4SRec，顯著地提升了序列推薦的性能。

技術領域

本發明屬于推薦系統技術領域，具體涉及一種基于個性化對比損失的序列推薦方法、系統、介質及設備。

背景技術

序列推薦考慮了用戶交互記錄中的時間信息或用戶交互的順序，可以結合用戶的長期和短期偏好實現更準確的推薦，成為研究的重要方向之一。最近，基于對比學習的序列推薦方法也成為研究的熱點。然而，現有的研究方法都局限于對比學習框架的在推薦中的常規流程并且采用多任務學習的方式。本章認為對比學習的核心是對比損失(ContrastiveLoss，CL)，它通過更多樣本的對比去實現更好的性能。同時，序列推薦內主流損失函數非常有限，二元交叉熵(Binary?Cross?Entropy，BCE)和交叉熵(Cross?Entropy，CE)占絕對主導地位，BPR(Bayesian?Personalized?Ranking)也會被用到。對比損失可以被引入和改進作為序列推薦領域新的損失函數。現有基于改進對比損失的方法在Top-k推薦領域也獲得了比對比學習框架方法更好的推薦結果。因此，將對比損失(Contrastive?Loss，CL)引入并改進使之更加適應序列推薦既拓展了原有對比學習的方法，也提供了新的損失函數和更好的性能，具有重要意義。

個性化對于序列推薦尤其重要。推薦系統重視個性化特征的表達以達到千人千面和精準化推薦。不同用戶的特征是不同的，相同用戶也會隨著時間而產生興趣的變化。特別地，序列推薦要求用戶在序列中的不同位置或時間的表征是不同的、個性化的。所以個性化的特征表示是實現準確推薦的關鍵。越來越多的方法和模型中，用戶在不同時間的表征是通過對物品進行特征聚合得到的。物品潛向量的個性化以及模型整體的個性化表達能力會直接影響用戶在不同時間的個性化表征，所以個性化對序列推薦尤為重要。

但是實驗發現對比損失有損于個性化特征表達。如圖3所示，特別是圖3(c)中ML-1M數據集上，對比損失(CL)的特征空間分布過于緊湊，引起節點的過于集中，不利于個性化特征的表達。使用方差來衡量圖節點特征的平滑度的方法，實驗發現對比損失的方差小于BCE損失，只有后者的一半(Beauty數據集)或1/3(數據集)。

具體分析，這是對比損失存在的兩個不足造成的：

(1)從直觀上看，對比損失使用戶離正例越近越好，離負例越遠越好。這是一個“相對”約束，因為它只基于相對距離，沒有確定的距離或決策面來提供“絕對”約束。因此，對比損失存在絕對約束不足的問題，導致欠佳的特征分布。

(2)現有研究表明，均勻性傾向于保留具有最大信息量的特征分布，即在單位超球上的均勻分布。也就是說，好的分布應該是所有的物品都盡可能均勻地分布。但對比損失只限制了用戶與負樣本之間的距離，使他們分布更加均勻，因而存在均勻性約束不足的問題。

因此，分析、改進對比損失函數在序列推薦中的特種空間分布緊湊、有損于個性化特征表達的問題，為序列推薦提供新的對比學習方式和損失函數，提升序列推薦性能具有重要意義。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于個性化對比損失的序列推薦方法、系統、介質及設備，用于解決CL損失函數在序列推薦中的特種空間分布緊湊、有損于個性化特征表達的技術問題。

本發明采用以下技術方案：