【技術(shù)實(shí)現(xiàn)步驟摘要】
本公開的實(shí)施例涉及計(jì)算機(jī)，具體涉及任務(wù)導(dǎo)向的多模態(tài)物品推薦方法、裝置、電子設(shè)備和介質(zhì)。
技術(shù)介紹
1、隨著多模態(tài)學(xué)習(xí)技術(shù)的快速發(fā)展，如何針對(duì)多模態(tài)物品進(jìn)行推薦成為了推薦系統(tǒng)的一個(gè)重要研究方向。目前，在對(duì)多模態(tài)物品進(jìn)行推薦時(shí)，通常采用的方式為：首先，模態(tài)表示提取階段，利用預(yù)訓(xùn)練模型(比如文本預(yù)訓(xùn)練模型和視覺預(yù)訓(xùn)練模型)來提取物品模態(tài)表示。接著，用戶興趣建模階段，將預(yù)訓(xùn)練模型生成的模態(tài)表示整合進(jìn)下游推薦任務(wù)的用戶和物品交互表示學(xué)習(xí)過程中，生成最終的用戶和物品表示。最后，根據(jù)最終的用戶和物品表示生成物品推薦結(jié)果。
2、然而，當(dāng)采用上述方式對(duì)多模態(tài)物品進(jìn)行推薦時(shí)，經(jīng)常會(huì)存在如下技術(shù)問題：
3、由于上述物品推薦方式分為模態(tài)表示提取和用戶興趣建模兩個(gè)階段進(jìn)行，預(yù)訓(xùn)練模型輸出的物品模態(tài)表示通常不能很好地適配最終的用戶和物品的交互表示學(xué)習(xí)，容易使得模型陷入局部最優(yōu)，物品表示的準(zhǔn)確性也降低，進(jìn)一步地，難以準(zhǔn)確確定用戶感興趣的候選物品，從而，導(dǎo)致難以將用戶感興趣的候選物品推薦給用戶。
4、該
技術(shù)介紹
部分中所公開的以上信息僅用于增強(qiáng)對(duì)本公開構(gòu)思的背景的理解，并因此，其可包含并不形成本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。
技術(shù)實(shí)現(xiàn)思路
1、本公開的內(nèi)容部分用于以簡(jiǎn)要的形式介紹構(gòu)思，這些構(gòu)思將在后面的具體實(shí)施方式部分被詳細(xì)描述。本公開的內(nèi)容部分并不旨在標(biāo)識(shí)要求保護(hù)的技術(shù)方案的關(guān)鍵特征或必要特征，也不旨在用于限制所要求的保護(hù)的技術(shù)方案的范圍。
2、本公開的一些
3、第一方面，本公開的一些實(shí)施例提供了一種任務(wù)導(dǎo)向的多模態(tài)物品推薦方法，該方法包括：獲取物品模態(tài)數(shù)據(jù)集和用戶物品間交互數(shù)據(jù)集，其中，上述物品模態(tài)數(shù)據(jù)集中的物品模態(tài)數(shù)據(jù)與物品集中的物品相對(duì)應(yīng)；基于上述物品模態(tài)數(shù)據(jù)集和上述用戶物品間交互數(shù)據(jù)集，生成初始物品模態(tài)關(guān)系圖矩陣集、用戶物品交互矩陣和物品間二階交互關(guān)系矩陣；基于上述用戶物品間交互數(shù)據(jù)集，生成訓(xùn)練樣本集，以及基于訓(xùn)練樣本集，執(zhí)行以下訓(xùn)練步驟：將預(yù)先生成的初始交互嵌入表示集合、各個(gè)物品模態(tài)嵌入表示集合、初始物品模態(tài)關(guān)系圖矩陣集和用戶物品交互矩陣輸入初始物品推薦模型，得到高階用戶嵌入向量集合和高階物品嵌入向量集合，其中，初始交互嵌入表示集合包括初始用戶嵌入向量集合和初始物品嵌入向量集合，初始物品推薦模型包括第一圖神經(jīng)網(wǎng)絡(luò)子模塊、第二圖神經(jīng)網(wǎng)絡(luò)子模塊、多頭注意力子模塊和物品嵌入表示融合層；基于上述高階用戶嵌入向量集合和上述高階物品嵌入向量集合，確定訓(xùn)練樣本集包括的至少一個(gè)訓(xùn)練樣本中的每個(gè)訓(xùn)練樣本對(duì)應(yīng)的交互預(yù)測(cè)值；通過預(yù)先設(shè)計(jì)的信息約束損失函數(shù)和推薦損失函數(shù)，基于初始物品模態(tài)關(guān)系圖矩陣集、上述物品間二階交互關(guān)系矩陣、上述至少一個(gè)訓(xùn)練樣本中的每個(gè)訓(xùn)練樣本對(duì)應(yīng)的交互預(yù)測(cè)值和對(duì)應(yīng)的樣本標(biāo)簽，生成物品推薦損失值，其中，上述信息約束損失函數(shù)用于最小化每個(gè)初始物品模態(tài)關(guān)系圖矩陣和上述物品間二階交互關(guān)系矩陣之間的信息差異；響應(yīng)于確定上述物品推薦損失值小于預(yù)設(shè)損失閾值，將訓(xùn)練完成的初始物品推薦模型確定為物品推薦模型；利用上述物品推薦模型，生成目標(biāo)用戶對(duì)應(yīng)的物品推薦信息，以及將上述物品推薦信息發(fā)送至上述目標(biāo)用戶對(duì)應(yīng)的瀏覽終端。
4、第二方面，本公開的一些實(shí)施例提供了一種任務(wù)導(dǎo)向的多模態(tài)物品推薦裝置，裝置包括：獲取單元，被配置成獲取物品模態(tài)數(shù)據(jù)集和用戶物品間交互數(shù)據(jù)集，其中，上述物品模態(tài)數(shù)據(jù)集中的物品模態(tài)數(shù)據(jù)與物品集中的物品相對(duì)應(yīng)；構(gòu)建單元，被配置成基于上述物品模態(tài)數(shù)據(jù)集和上述用戶物品間交互數(shù)據(jù)集，生成初始物品模態(tài)關(guān)系圖矩陣集、用戶物品交互矩陣和物品間二階交互關(guān)系矩陣；第一生成以及執(zhí)行單元，被配置成基于上述用戶物品間交互數(shù)據(jù)集，生成訓(xùn)練樣本集，以及基于訓(xùn)練樣本集，執(zhí)行以下訓(xùn)練步驟：將預(yù)先生成的初始交互嵌入表示集合、各個(gè)物品模態(tài)嵌入表示集合、初始物品模態(tài)關(guān)系圖矩陣集和用戶物品交互矩陣輸入初始物品推薦模型，得到高階用戶嵌入向量集合和高階物品嵌入向量集合，其中，初始交互嵌入表示集合包括初始用戶嵌入向量集合和初始物品嵌入向量集合，初始物品推薦模型包括第一圖神經(jīng)網(wǎng)絡(luò)子模塊、第二圖神經(jīng)網(wǎng)絡(luò)子模塊、多頭注意力子模塊和物品嵌入表示融合層；基于上述高階用戶嵌入向量集合和上述高階物品嵌入向量集合，確定訓(xùn)練樣本集包括的至少一個(gè)訓(xùn)練樣本中的每個(gè)訓(xùn)練樣本對(duì)應(yīng)的交互預(yù)測(cè)值；通過預(yù)先設(shè)計(jì)的信息約束損失函數(shù)和推薦損失函數(shù)，基于初始物品模態(tài)關(guān)系圖矩陣集、上述物品間二階交互關(guān)系矩陣、上述至少一個(gè)訓(xùn)練樣本中的每個(gè)訓(xùn)練樣本對(duì)應(yīng)的交互預(yù)測(cè)值和對(duì)應(yīng)的樣本標(biāo)簽，生成物品推薦損失值，其中，上述信息約束損失函數(shù)用于最小化每個(gè)初始物品模態(tài)關(guān)系圖矩陣和上述物品間二階交互關(guān)系矩陣之間的信息差異；響應(yīng)于確定上述物品推薦損失值小于預(yù)設(shè)損失閾值，將訓(xùn)練完成的初始物品推薦模型確定為物品推薦模型；第二生成以及發(fā)送單元，被配置成利用上述物品推薦模型，生成目標(biāo)用戶對(duì)應(yīng)的物品推薦信息，以及將上述物品推薦信息發(fā)送至上述目標(biāo)用戶對(duì)應(yīng)的瀏覽終端。
5、第三方面，本公開的一些實(shí)施例提供了一種電子設(shè)備，包括：一個(gè)或多個(gè)處理器；存儲(chǔ)裝置，其上存儲(chǔ)有一個(gè)或多個(gè)程序，當(dāng)一個(gè)或多個(gè)程序被一個(gè)或多個(gè)處理器執(zhí)行，使得一個(gè)或多個(gè)處理器實(shí)現(xiàn)上述第一方面任一實(shí)現(xiàn)方式所描述的方法。
6、第四方面，本公開的一些實(shí)施例提供了一種計(jì)算機(jī)可讀介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述第一方面任一實(shí)現(xiàn)方式所描述的方法。
7、本公開的上述各個(gè)實(shí)施例具有如下有益效果：通過本公開的一些實(shí)施例的任務(wù)導(dǎo)向的多模態(tài)物品推薦方法，提高了物品推薦的準(zhǔn)確性，便于將用戶感興趣的物品推薦給用戶。具體來說，造成難以將用戶感興趣的候選物品推薦給用戶的原因在于：由于上述物品推薦方式分為模態(tài)表示提取和用戶興趣建模兩個(gè)階段進(jìn)行，預(yù)訓(xùn)練模型輸出的物品模態(tài)表示通常不能很好地適配最終的用戶和物品的交互表示學(xué)習(xí)，容易使得模型陷入局部最優(yōu)，物品表示的準(zhǔn)確性也降低，進(jìn)一步地，難以準(zhǔn)確確定用戶感興趣的候選物品，從而，導(dǎo)致難以將用戶感興趣的候選物品推薦給用戶。基于此，本公開的一些實(shí)施例的任務(wù)導(dǎo)向的多模態(tài)物品推薦方法，首先，獲取物品模態(tài)數(shù)據(jù)集和用戶物品間交互數(shù)據(jù)集。其中，上述物品模態(tài)數(shù)據(jù)集中的物品模態(tài)數(shù)據(jù)與物品集中的物品相對(duì)應(yīng)。由此，可以得到表征物品的不同模態(tài)類型的物品數(shù)據(jù)和用戶物品的交互記錄，便于后續(xù)根據(jù)用戶物品的交互記錄約束物品模態(tài)表示的學(xué)習(xí)，生成任務(wù)導(dǎo)向的物品模態(tài)表示。然后，基于上述物品模態(tài)數(shù)據(jù)集和上述用戶物品間交互數(shù)據(jù)集，生成初始物品模態(tài)關(guān)系圖矩陣集、用戶物品交互矩陣和物品間二階交互關(guān)系矩陣。由此，可以確定物品與物品在不同物品模態(tài)下的關(guān)系和在用戶物品交互下的關(guān)系，以及用戶與物品之間的交互關(guān)系。之后，基于上述用戶物品間交互數(shù)據(jù)集，生成訓(xùn)練樣本集，以及基于訓(xùn)練樣本集，執(zhí)行以下訓(xùn)練步驟：將預(yù)先生成的初始交互嵌入表示集合、各個(gè)物品模態(tài)嵌入表示集合、初始物品模態(tài)關(guān)系圖矩陣本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種任務(wù)導(dǎo)向的多模態(tài)物品推薦方法，包括：
2.根據(jù)權(quán)利要求1所述的方法，其中，所述方法還包括：
3.根據(jù)權(quán)利要求1所述的方法，其中，所述基于所述物品模態(tài)數(shù)據(jù)集和所述用戶物品間交互數(shù)據(jù)集，生成初始物品模態(tài)關(guān)系圖矩陣集、用戶物品交互矩陣和物品間二階交互關(guān)系矩陣，包括：
4.根據(jù)權(quán)利要求3所述的方法，其中，所述基于所述同模態(tài)物品數(shù)據(jù)嵌入向量組集，構(gòu)建初始物品模態(tài)關(guān)系圖矩陣集，包括：
5.根據(jù)權(quán)利要求1-4之一所述的方法，其中，所述將預(yù)先生成的初始交互嵌入表示集合、各個(gè)物品模態(tài)嵌入表示集合、初始物品模態(tài)關(guān)系圖矩陣集和用戶物品交互矩陣輸入初始物品推薦模型，得到高階用戶嵌入向量集合和高階物品嵌入向量集合，包括：
6.根據(jù)權(quán)利要求1所述的方法，其中，所述利用所述物品推薦模型，生成目標(biāo)用戶對(duì)應(yīng)的物品推薦信息，包括：
7.一種任務(wù)導(dǎo)向的多模態(tài)物品推薦裝置，包括：
8.一種電子設(shè)備，包括：
9.一種計(jì)算機(jī)可讀介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-6中任一所述的
...【技術(shù)特征摘要】
1.一種任務(wù)導(dǎo)向的多模態(tài)物品推薦方法，包括：
2.根據(jù)權(quán)利要求1所述的方法，其中，所述方法還包括：
3.根據(jù)權(quán)利要求1所述的方法，其中，所述基于所述物品模態(tài)數(shù)據(jù)集和所述用戶物品間交互數(shù)據(jù)集，生成初始物品模態(tài)關(guān)系圖矩陣集、用戶物品交互矩陣和物品間二階交互關(guān)系矩陣，包括：
4.根據(jù)權(quán)利要求3所述的方法，其中，所述基于所述同模態(tài)物品數(shù)據(jù)嵌入向量組集，構(gòu)建初始物品模態(tài)關(guān)系圖矩陣集，包括：
5.根據(jù)權(quán)利要求1-4之一所述的方法，其中，所述將預(yù)先生成的初始交互...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：胡征慧，王科，劉慶杰，周鋼，王蘊(yùn)紅，黃迪，
申請(qǐng)(專利權(quán))人：北京航空航天大學(xué)杭州創(chuàng)新研究院，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。