【技術實現步驟摘要】
本專利技術涉及個性化推薦，尤其涉及一種基于圖生成擴散模型的硬負采樣對比推薦方法。
技術介紹
1、現有的推薦系統主要基于用戶-物品歷史交互圖，通過圖神經網絡(gnn)對這些數據進行嵌入表示，并優化這些表示以提高推薦性能。隨著在線服務的普及，推薦系統已成為解決信息過載問題的關鍵工具。通過分析用戶的行為和需求，這些系統能夠為用戶提供個性化的產品和內容推薦。從協同過濾到圖神經網絡的演變，推薦系統的研究不斷取得進展。例如，pinsage、gcmc、ngcf、lightgcn等模型，通過捕獲用戶-項目交互圖的局部和全局信息，展示了優秀的個性化推薦效果。此外，為了減少對數據標簽的依賴，自監督學習被引入推薦系統中，如sgl、slrec等模型，它們利用數據本身的結構和模式來創建監督信號，從而提高了推薦系統的準確性和相關性。
2、盡管現有技術在推薦系統方面取得了顯著成果，但仍面臨一些挑戰。首先，推薦方法的表示能力有限，難以全面捕捉用戶和項目的復雜關系，這限制了推薦系統的性能。其次，數據噪聲問題是推薦系統需要解決的關鍵問題之一。由于用戶交互行為的隨機性和數據收集的限制，推薦系統中存在大量的噪聲數據，這可能導致推薦結果的不準確。同時，真實場景下的推薦系統飽受數據稀疏性的困擾，基于用戶-物品歷史交互圖的這種表示機制不能確保利用高質量的數據精準預測用戶數據。此外，推薦系統對高質量數據的依賴也是一個局限性。在真實場景中，高質量的數據往往難以獲取，這進一步限制了推薦系統在實際應用中的效果。最后，訓練過程中模型崩潰的問題也是當前推薦系統領域亟待解決的
技術實現思路
1、本專利技術旨在至少解決現有技術中存在的真實場景中的推薦系統應用存在數據稀疏和數據噪聲引起用戶-物品交互圖表示能力較差，但大部分模型存在不穩定和生成能力有限的技術問題，特別創新地提出了一種基于圖生成擴散模型的硬負采樣對比推薦方法.
2、為了實現本專利技術的上述目的，本專利技術提供了基于圖生成擴散模型的硬負采樣對比推薦方法，包括以下步驟：
3、構建了一個用戶-物品交互圖，其中用戶和物品作為節點，它們之間的交互(如購買、評分等)作為邊；然后，通過圖卷積神經網絡將用戶-物品交互圖編碼，得到用戶和物品節點嵌入向量，然后對用戶和物品節點嵌入向量進行內積，得到推薦概率；最后，將前n個推薦概率最高的物品推薦給用戶；
4、所述圖卷積神經網絡的模型參數通過以下訓練得到：
5、s1，將所述節點嵌入向量分別通過內聯擴散模型視圖生成器、參數拓撲降噪視圖生成器生成對比視圖1和對比視圖2；所述內聯擴散模型視圖生成器包括內聯擴散模型，所述參數拓撲降噪視圖生成器包括參數拓撲降噪網絡；通過引入內聯擴散模型(l-diffusion)和參數拓撲降噪網絡(ptdnet)作為視圖生成器；能改善推薦方法表示能力有限和數據噪聲問題；
6、s2，將對比視圖1和對比視圖2進行對比學習；緩解推薦系統中以來高質量數據的局限性，以及在對比學習的兩個對比視圖都來自不同的視圖生成器，能解決訓練過程中模型崩潰的問題。
7、優選地，通過圖卷積神經網絡將用戶-物品交互圖編碼，得到節點嵌入向量，包括：通過集成多個表征嵌入傳播層來改進用戶和物品節點的特征表示：
8、將ui和vj在l層的圖神經網絡遍歷得到的表征嵌入向量分別定義為和目標節點信息從l-1層傳播到l層，為了得到一個高質量的節點嵌入表征，把每一個傳播層上的節點嵌入求和，再將最終得到用戶和物品的嵌入表示之間的內積用來預測個性化推薦中用戶對物品的偏好程度，節點嵌入向量計算具體過程如式(5)：
9、
10、其中，和分別為ui和vj在l層的圖神經網絡遍歷得到的表征嵌入向量；
11、表示用戶對于物品的偏好得分；
12、分別表示用戶與所采樣錨點鄰接目標節點的聚合信息經過l層的圖神經網絡得到的表征嵌入向量和物品與所采樣錨點鄰接目標節點的聚合信息經過l層的圖神經網絡得到的表征嵌入向量；
13、分別表示ui和vj在l-1層的圖神經網絡遍歷得到的表征嵌入向量；
14、分別表示用戶最終的節點嵌入向量和物品最終的節點嵌入向量；
15、表示用戶與物品嵌入向量內積得到的偏好得分；
16、分別表示ui和vj在l層的圖神經網絡遍歷得到的表征嵌入向量；
17、和分別表示每個用戶ui和物品vj的信息表征嵌入向量；
18、l表示圖神經網絡的層數；
19、所述對節點嵌入向量進行內積，得到推薦概率；表示為；
20、
21、其中，為的轉置。
22、優選地，的計算公式如下：
23、
24、其中，e(u)、e(v)分別為用戶與物品的矩陣嵌入表示；
25、分別表示用戶和物品與所采樣錨點鄰接目標節點的聚合信息表示；
26、分別表示歸一化鄰接矩陣中的第i行，歸一化鄰接矩陣中的第j列；
27、是通過用戶-物品交互圖的鄰接矩陣a計算出的歸一化鄰接矩陣表示，的計算推導如式(4)：
28、
29、其中，和分別表示為關于用戶和物品的對角矩陣；
30、表示歸一化鄰接矩陣第i行第j列的元素；
31、ai,j表示用戶物品交互圖的鄰接矩陣a第i行第j列的元素；
32、li和lj分別為用戶和物品的所有鄰居節點集合表示；||為絕對值符號。歸一化后的矩陣能更好的反映用戶-物品之間的交互信號，能更好的傳遞和迭代嵌入層聚合后的信息。
33、優選地，內聯擴散模型視圖生成器生成用于對比學習的對比視圖1包括以下步驟：
34、s2-1，將用戶項目交互的嵌入表征向量el輸入vgae編碼器，過程如式(6)：
35、
36、其中，qφ(x|e)表示經過圖變分編碼得到的概率分布；
37、n表示高斯分布；
38、x表示用戶項目交互的嵌入表征向量el通過被參數化的圖變分編碼器低維映射；
39、μφ(e)表示經神經網絡的參數集推理出來的高斯分布均值；
40、σφ(e)表示經神經網絡的參數集推理出來的高斯分布方差；
41、e由公式(5)得到，為或
42、μ表示高斯分布的均值，所輸入數據再嵌入向量空間中最可能存在的位置，σ表示高斯分布的方差，并且各維度之間的方差是獨立的，反映出均值數據周圍的離散情況，φ是vgae編碼器的參數集合，
43、s2-2，將vgae編碼器輸出低維映射為x，并將其輸入擴散模型；
44、s2-2-1，正向過程：在正向傳播過程中，內聯擴散模型迭代本文檔來自技高網...
【技術保護點】
1.一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，通過圖卷積神經網絡將用戶-物品交互圖編碼，得到節點嵌入向量，包括：通過集成多個表征嵌入傳播層來改進用戶和物品節點的特征表示：
3.根據權利要求2所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，的計算公式如下：
4.根據權利要求1所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，內聯擴散模型視圖生成器生成用于對比學習的對比視圖1包括以下步驟：
5.根據權利要求1所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，參數拓撲降噪視圖生成器生成用于對比學習的對比視圖2表示為：
6.根據權利要求5所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，Zl通過以下方式求得：
7.根據權利要求1所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，對比學習的損失函數表示為：
8.根據權利要求1
9.根據權利要求1所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，在對比學習時，為了使兩個生成的對比視圖1和對比視圖2在訓練過程中能夠相互對齊并適應CF任務，引入BPR損失函數來約束兩個視圖的一致性：
10.根據權利要求9所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，通過以下公式計算：
...【技術特征摘要】
1.一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，通過圖卷積神經網絡將用戶-物品交互圖編碼，得到節點嵌入向量，包括：通過集成多個表征嵌入傳播層來改進用戶和物品節點的特征表示：
3.根據權利要求2所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，的計算公式如下：
4.根據權利要求1所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，內聯擴散模型視圖生成器生成用于對比學習的對比視圖1包括以下步驟：
5.根據權利要求1所述的一種基于圖生成擴散模型的硬負采樣對比推薦方法，其特征在于，參數拓撲降噪視圖生成器生成用于對比學習的對比視圖2表示為：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。