[發明專利]一種基于雙重對比學習的物品推薦方法及裝置

在審

• 申請號: 202310521595.4
• 申請日: 2023-05-10
• 公開（公告）號: CN116485502A
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 唐杰;張丹;耿陽李敖;東昱曉
• 申請（專利權）人: 清華大學
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06N3/0895;G06N3/04;G06F18/22;G06F16/9536
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 韓海花

本發明公開了一種基于雙重對比學習的物品推薦方法及裝置，該方法包括：獲取用戶與物品的交互記錄信息，并構建目標推薦模型RecDCL；將交互記錄信息輸入編碼器得到用戶和物品的當前表征，并計算FCL的目標函數；其中，FCL的目標函數，包括基于當前表征的互相關矩陣計算的對齊性損失和基于當前表征計算的一致性損失；基于當前表征對應的歷史表征得到的擾動表征計算BCL的目標函數，并對FCL的目標函數和BCL的目標函數進行聯合優化；基于優化后的聯合目標函數的損失計算結果計算用戶和物品的相似度，并根據相似度計算結果對物品列表進行排序，以根據物品排序結果預測用戶點擊的物品。本發明可以高效精確的預測用戶點擊的物品。

技術領域

本發明涉及物品推薦技術領域，特別是涉及一種基于雙重對比學習的物品推薦方法及裝置。

背景技術

自監督推薦(Self-supervised?Recommendation,SSR)在協同過濾領域已經取得巨大成功。基于SSR的一個主要分支，對比學習(Contrastive?Learning,CL)可以通過對比原始數據和增強后的數據表征解決數據稀疏的問題，然而，已有的基于SSR的對比方法主要以一種批處理(batch-wise)的方式關注于對比式，沒有很好地在特征處理(feature-wise)維度探索潛在正則性。另外，同時仍然沒有探索的一個點是同時使用batch-wise的對比學習(BCL)和feature-wise的對比學習(FCL)是否有利于推薦。

對比學習目前已經是自監督學習的一個主要分支，CL的基本思想是增強更多的監督信號并且通過增強后的數據執行一個上下文任務，解決數據稀疏的問題。對于推薦，近些年CL已經取得巨大成功。

一般來說，CL的目標函數通常可以歸為兩類：batch-wise的目標和feature-wise的目標。Batch-wise的目標是最大化正樣本對的距離同時最小化負樣本對的距離。基于batch-wise的典型協同過濾(Collaborative?Filtering，CF)方法是應用BPR損失函數預測用戶的偏好，這些方法包括GNNs-based的PinSAGE、NGCF和LightGCN等以及SSL-based的SGL和SimGCL等。特定地，這些方法通常要求用戶和物品之間的正交互對也需要負采樣得到的負樣本。然而，因為負采樣機制可能錯誤地將“正樣本但是沒有觀察”到的樣本作為負樣本對，進而限制了方法的性能。更進一步，一些最近應用在推薦系統里的對比學習方法BUIR，CLRec和DirectAU，他們優化batch-wise的對比學習的優化目標(簡稱為BCL)，并指出沒有負采樣也可以獲得更魯棒的提升，然而可能會造成微小的平凡解，而且他們也很少調研通過feature-wise訓練目標獲得的表征信息。

另一方面，對于feature-wise的對比學習的訓練目標(簡稱為FCL)，已有的方法主要關注于計算機視覺(Computer?Science，CV)領域。比如說Barlow?Twins，VICREG已經被致力于調研表征向量的重要性而且提出了一種創新的feature-wise的目標函數，這些方法通過去相關組件達到最大化向量可變性的效果，同時避免了坍塌問題并保留預期效果。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明提出一種基于雙重對比學習的物品推薦方法。本發明調研了BCL和FCL之間目標函數的關系，調研結果表明同時使用他們可以產生一個聯合收益。受到此發現的啟發，提出了一個為推薦的雙重CL方法，叫做RecDCL，RecDCL以一種feature-wise的方式在用戶-物品的正交互對上滿足對齊屬性，然后在用戶和物品內部通過多項式核優化了一致分布，最后以batch-wise的目標在輸出向量上生成了對比式的表征，以加強表征的魯棒性有效預測用戶的點擊對象。

本發明的另一個目的在于提出一種基于雙重對比學習的物品推薦裝置。

為達上述目的，本發明一方面提出一種基于雙重對比學習的物品推薦方法，包括：