[發明專利]一種基于分層圖對比學習的知識感知多域推薦方法及系統

在審

• 申請號: 202310347942.6
• 申請日: 2023-04-03
• 公開（公告）號: CN116501956A
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 李涓子;李亞坤;侯磊;關勇;孟斌杰;張鵬;唐杰;許斌
• 申請（專利權）人: 清華大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/042;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 孟紫琴

1.一種基于分層圖對比學習的知識感知多域推薦方法，其特征在于，包括：

獲取分層交互網絡上多個節點，通過加權求和平滑目標節點和鄰居節點進行分層表示，基于分層消息傳遞機制，通過交互的項目及其連接的實體來聚合更多偏好知識；

基于預設的對比學習方法，在分層節點中刪除部分節點進行對比學習的數據增強；

基于增強后的數據通過在跨多域中域共享圖對比學習和在特定域中獨域圖對比學習，識別目標用戶內在的偏好特征；

基于目標用戶內在的偏好特征進行多任務模型構建，對所述多任務模型進行優化訓練生成多域推薦模型，通過所述多域推薦模型完成多域推薦。

2.根據權利要求1所述的基于分層圖對比學習的知識感知多域推薦方法，其特征在于，所述獲取分層交互網絡上多個節點，通過加權求和平滑目標節點和鄰居節點進行分層表示，基于分層消息傳遞機制，通過交互的項目及其連接的實體來聚合更多偏好知識，具體包括：

在分層交互網絡上存在大規模節點，包括目標節點，每個目標節點周圍有鄰居節點；

通過加權求和策略來平滑目標節點及其鄰居節點的特征，進行分層表示定義；

通過堆疊不同的層級表示形成用戶或項目的更高級別的分層表示，聚合在多個層級上獲得的分層表示生成最終的偏好知識表示。

3.根據權利要求1所述的基于分層圖對比學習的知識感知多域推薦方法，其特征在于，所述基于預設的對比學習方法，在分層節點中刪除部分節點進行對比學習的數據增強，具體包括：

通過對比學習方法，在每個分層視圖上隨機丟棄設定比例的節點及其連接關系；

每個節點的丟棄概率遵循相同的均勻分布，實現數據增強。

4.根據權利要求1所述的基于分層圖對比學習的知識感知多域推薦方法，其特征在于，所述基于增強后的數據通過在跨多域中域共享圖對比學習和在特定域中獨域圖對比學習，識別目標用戶內在的偏好特征，具體包括：

在跨多域中域共享圖對比學習中，跨多個域來學習目標用戶的域不變特征，通過學習在所有域中的行為特征來展示用戶的不變偏好；

通過采用生成的不同層次視圖來共同訓練多域的對比學習任務，獲得不同分層結構中的域不變特征，以識別目標用戶內在的偏好特征。

5.根據權利要求4所述的基于分層圖對比學習的知識感知多域推薦方法，其特征在于，所述基于增強后的數據通過在跨多域中域共享圖對比學習和在特定域中獨域圖對比學習，識別目標用戶內在的偏好特征，還包括：

在特定域中獨域圖對比學習包括基于項目的獨域對比學習和基于鄰居的獨域對比學習；

所述基于項目的獨域對比學習，基于項目的獨域對比學習任務，對于每個項目節點，基于增強的分層視圖從同一交互節點的兩個特定域的表示生成正對樣例，負對樣例可以從每個分層視圖中不同交互節點的表示中獲取；

所述基于鄰居的獨域對比學習，利用相似鄰居的交互項目建立基于鄰居的獨域對比學習任務，能夠在特定域中節點之間執行高階連接，采用多跳推理策略來獲得目標用戶的高階偏好信號，鄰居引導的正樣本和負樣本可以為提出的模型提供不同的偏好信號，識別偏好特征。

6.根據權利要求1所述的基于分層圖對比學習的知識感知多域推薦方法，其特征在于，所述基于目標用戶內在的偏好特征進行多任務模型構建，對所述多任務模型進行優化訓練生成多域推薦模型，通過所述多域推薦模型完成多域推薦，具體包括：

基于域共享和特定域視圖，對用戶或項目執行多層知識聚合后，通過多個對比學習任務獲得多域表示；

通過多域貝葉斯個性化排序方法來預測目標域中未觀察到的評分值，確定優化目標；

基于優化目標通過執行多任務優化策略訓練生成多域推薦模型，進行多域推薦。