[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

本發明提供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，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。本發明解決了現有多域推薦難以準確推測用戶喜好的問題。

技術領域

本發明涉及內容推薦技術領域，尤其涉及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。

背景技術

個性化推薦系統已被廣泛用于協助用戶在各種推薦場景中進行決策，例如購物平臺的商品推薦、短視頻推薦、知識平臺的論文推薦等。為了滿足用戶多樣化的需求，這些平臺提供了越來越多屬于不同領域的異構項目，例如，購物平臺提供了多種領域的產品，包括書籍、數字音樂、服裝等。每個用戶都可以在平臺上瀏覽和評論不同領域的項目，每個領域的項目也可以被不同用戶交互。因此，為了更好地刻畫目標用戶的偏好，可以聚合這些多領域的用戶行為，以了解目標用戶的多樣化特征，從而提高每個領域的推薦質量。

多域推薦(MDR)旨在利用來自多個領域的豐富知識來同時提高各個域的推薦性能，近年來已經引起了廣泛關注。它的關鍵挑戰在于如何基于域間重疊實體(用戶或項目)來捕獲目標用戶的域不變和特定域偏好。一種常見的解決方案是基于多任務學習策略，它可以將每個領域的推薦目標視為一個任務，然后聯合使用多領域的行為信息來生成最終的推薦。此外，還有一些其他模型利用不同的技術(即自監督學習、特征聚類、預訓練和遷移學習)來提高目標域中用戶的推薦性能。然而，盡管現今對MDR進行了大量研究，但它們的性能仍然遭受著一些瓶頸問題，一些關鍵挑戰仍沒有得到很好地解決。例如，1)少量的用戶交互數據導致低效的監督效果。在現實世界的推薦系統中，因為大多數用戶只與有限數量的項目進行交互，因此來自不同領域的跨數據集總是表現出弱監督問題；此外，樣本標簽的不足也會嚴重降低模型訓練過程中用戶或物品的表示效率。因此，如何在沒有大量顯式訓練標簽的情況下緩解稀疏交互問題是提高MDR性能的關鍵。2)特征不全問題使得現有模型更加關注目標域中目標用戶的獨域偏好，忽略了它們在其他域中的域不變特征。簡單地結合多個線性訓練模型的方案無法全面地捕獲多維度用戶偏好，導致難以解決多域場景下的用戶特征偏差問題。

稀疏用戶交互問題導致多域推薦難以實現有效的預測性能。雖然目前很多技術(遷移技術、自監督學習等)可以應用于多域推薦場景，但是這些現有模型仍然遭受著低效的推薦結果。特征偏差問題致使目前多域推薦模型的預測精度十分低下。大多數推薦方法僅關注目標域中用戶特征，忽略用戶在其它域中的域不變偏好，因此，難以準確推薦用戶偏好的內容。

發明內容

本發明提供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，用以解決現有多域推薦難以準確推測用戶喜好的問題。

本發明提供一種基于分層圖對比學習的知識感知多域推薦方法，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。