一种基于多视图转换的双目标域个性化物品推荐方法及装置

本发明属于人工智能，尤其涉及一种基于多视图转换的双目标域个性化物品推荐方法及装置。

背景技术：

1、推荐系统是一种利用用户行为数据、物品特征和用户特征，向用户推荐感兴趣的物品的技术。常见的推荐系统方法包括基于内容的推荐、协同过滤和混合方法。跨域推荐是指在一个领域中利用在另一个领域中收集的数据来提升推荐效果。这种方法特别适用于数据稀疏问题，即某些领域中的用户-物品交互数据不足以训练出高质量的推荐模型。在推荐系统中，多目标优化是指在进行推荐时同时考虑多个目标。双目标跨域推荐就是在跨域推荐的框架下，同时优化两个目标域的推荐精度。

2、但在双目标跨域推荐方面仍然存在进一步改进的空间。传统推荐系统通常在单一领域内进行优化，旨在为用户提供个性化的建议。然而，随着用户需求的多样化和信息的跨领域传播，单一领域的推荐系统已经难以满足用户的复杂需求。

3、双目标跨域推荐不仅需要在不同领域间进行信息的有效整合，还需要同时优化多个推荐目标。这种多维度的优化要求系统能够理解并预测用户在不同领域中的偏好和行为，从而提供更加精准和多样化的推荐结果。

4、双目标域跨域推荐不仅需要在不同领域之间进行信息传递和融合，还需要考虑用户在不同领域中的行为和偏好差异。因此，如何有效地设计双目标域跨域推荐系统成为当前推荐系统研究的一个重要方向。

技术实现思路

1、本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于多视图转换的双目标域个性化物品推荐方法及装置，能够提供更加个性化和精确的推荐内容，有效减少单一视角带来的偏差和数据稀疏性问题，提高整体推荐系统的鲁棒性和可靠性。

2、根据本发明的一个方面，本发明提供了一种基于多视图转换的双目标域个性化物品推荐方法，所述方法包括以下步骤：

3、s1：分别构建两个目标域的关系图卷积网络rgcn模型和异构图注意力网络han模型，对所述rgcn模型和所述han模型进行训练，分别得到每个目标域的用户关系嵌入和用户基于元路径的嵌入；

4、s2：对每一个目标域，使用本目标域的编码器对用户在本目标域的交互行为进行编码，获得本目标域的用户直接嵌入；

5、s3：对每一个目标域，分别构建用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入的个性化桥接函数，通过所述个性化桥接函数，将本目标域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入转换到另一个目标域；

6、s4：对每一个目标域，将从另一个目标域转换得到的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入进行合并，得到转换到本目标域的多视图转换嵌入；

7、s5：对每一个目标域，利用本目标域的解码器对所述用户直接嵌入进行解码，得到域内预测的物品推荐结果；利用本目标域的解码器对所述多视图转换嵌入进行解码，得到跨域预测的物品推荐结果；

8、s6：利用联合损失函数对整个模型进行训练。

9、优选地，所述对所述rgcn模型和所述han模型进行训练，分别得到每个目标域的用户关系嵌入和用户基于元路径的嵌入包括：

10、用户关系嵌入为：

11、用户基于元路径的嵌入为：

12、其中，表示用户关系嵌入，σ为嵌入函数，n1(u)表示节点u的所有一跳邻居节点；αuv为目标节点和目标节点的其他邻居节点的注意力权重，表示任意的用户一跳邻居的嵌入；表示用户基于元路径的嵌入，表示某一条元路径的邻居节点的聚合信息，表示元路径ρj的注意力权重。

13、优选地，所述使用本目标域的编码器对用户在本目标域的交互行为进行编码，获得本目标域的用户直接嵌入包括：

14、使用编码器对用户在本目标域的特定爱好行为进行编码，得到用户特定嵌入；使用编码器对用户在本目标域和另一目标域所共有的爱好行为进行编码，得到用户共享嵌入；

15、将所述特定嵌入和所述共享嵌入进行合并，得到本目标域的用户直接嵌入。

16、优选地，所述通过所述个性化桥接函数，将本目标域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入转换到另一个目标域包括：

17、将x域的用户直接嵌入转换到y域为：

18、

19、将x域的用户关系嵌入转换到y域为：

20、

21、将x域的用户基于元路径的嵌入转换到y域为：

22、

23、其中，fu1、fu2、fu3为个性化桥接函数，wu1、wu2、wu3为个性化桥接函数的参数，分别表示x域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入，为转换后的y域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入。

24、优选地，所述将从另一个目标域转换得到的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入进行合并，得到转换到本目标域的多视图转换嵌入包括：

25、用户从x域转换到y域的嵌入ux_y为：

26、

27、为转换后的嵌入的注意力权重，l表示不同的嵌入，l＝1表示用户直接嵌入，l＝2表示用户关系嵌入，l＝3表示用户基于元路径的嵌入，为转换后的嵌入。

28、优选地，所述对每一个目标域，利用本目标域的解码器对所述用户直接嵌入进行解码，得到域内预测的物品推荐结果；利用本目标域的解码器对所述多视图转换嵌入进行解码，得到跨域预测的物品推荐结果，包括：

29、为了预测用户喜爱的物品，使用一个解码器对用户直接嵌入进行解码，公式如下：

30、

31、其中，为一个两层线性网络的解码器，zx即为解码后得到的x域用户的预测结果；

32、

33、其中，为一个两层线性网络的解码器，zy即为解码后得到的y域用户的预测结果；

34、得到的多视图转换后的嵌入包含一个域到另一个域的用户的偏好，用该嵌入代入解码器进行预测；

35、

36、其中，与为同一解码器，是一个两层的线性反馈神经网络，经过解码器得到的zx_y即为用户在y域的跨域预测结果；

37、

38、其中，与中是同一解码器，是一个两层的线性反馈神经网络，经过解码器得到的zy_x即为用户在x域的跨域预测结果。

39、优选地，所述方法还包括：利用联合损失函数对整个模型进行训练：

40、

41、其中，表示总损失，表示面向用户嵌入的损失函数，表示跨域部分的损失函数，表示域内部分的损失函数，表示先验分布损失函数，α、β、γ是用于平衡不同损失项的权重。

42、根据本发明的另一个方面，本发明还提供了一种基于多视图转换的双目标域个性化物品推荐装置，所述装置包括：

43、构建模块，用于分别构建两个目标域的关系图卷积网络rgcn模型和异构图注意力网络han模型，对所述rgcn模型和所述han模型进行训练，分别得到每个目标域的用户关系嵌入和用户基于元路径的嵌入；

44、编码模块，用于对每一个目标域，使用本目标域的编码器对用户在本目标域的交互行为进行编码，获得本目标域的用户直接嵌入；

45、转换模块，用于对每一个目标域，分别构建用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入的个性化桥接函数，通过所述个性化桥接函数，将本目标域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入转换到另一个目标域；

46、合并模块，用于对每一个目标域，将从另一个目标域转换得到的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入进行合并，得到转换到本目标域的多视图转换嵌入；

47、推荐模块，用于对每一个目标域，利用本目标域的解码器对所述用户直接嵌入进行解码，得到域内预测的物品推荐结果；利用本目标域的解码器对所述多视图转换嵌入进行解码，得到跨域预测的物品推荐结果。

48、训练模块，用于利用联合损失函数对整个模型进行训练。

49、优选地，所述构建模块对所述rgcn模型和所述han模型进行训练，分别得到每个目标域的用户关系嵌入和用户基于元路径的嵌入包括：

50、用户关系嵌入为：

51、用户基于元路径的嵌入为：

52、其中，表示用户关系嵌入，σ为嵌入函数，n1(u)表示节点u的所有一跳邻居节点；αuv为目标节点和目标节点的其他邻居节点的注意力权重，表示任意的用户一跳邻居的嵌入；表示用户基于元路径的嵌入，表示某一条元路径的邻居节点的聚合信息，表示元路径ρj的注意力权重。

53、优选地，所述编码模块使用本目标域的编码器对用户在本目标域的交互行为进行编码，获得本目标域的用户直接嵌入包括：

54、使用编码器对用户在本目标域的特定爱好行为进行编码，得到用户特定嵌入；使用编码器对用户在本目标域和另一目标域所共有的爱好行为进行编码，得到用户共享嵌入；

55、将所述特定嵌入和所述共享嵌入进行合并，得到本目标域的用户直接嵌入。

56、优选地，所述转换模块通过所述个性化桥接函数，将本目标域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入转换到另一个目标域包括：

57、将x域的用户直接嵌入转换到y域为：

58、

59、将x域的用户关系嵌入转换到y域为：

60、

61、将x域的用户基于元路径的嵌入转换到y域为：

62、

63、其中，fu1、fu2、fu3为个性化桥接函数，wu1、wu2、wu3为个性化桥接函数的参数，分别表示x域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入，为转换后的y域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入。

64、优选地，所述推荐模块对每一个目标域，利用本目标域的解码器对所述用户直接嵌入进行解码，得到域内预测的物品推荐结果；利用本目标域的解码器对所述多视图转换嵌入进行解码，得到跨域预测的物品推荐结果包括：

65、为了预测用户喜爱的物品，使用一个解码器对用户直接嵌入进行解码，公式如下：

66、

67、其中，为一个两层线性网络的解码器，zx即为解码后得到的x域用户的预测结果；

68、

69、其中，为一个两层线性网络的解码器，zy即为解码后得到的y域用户的预测结果；

70、得到的多视图转换后的嵌入包含一个域到另一个域的用户的偏好，用该嵌入代入解码器进行预测；

71、

72、其中，与为同一解码器，是一个两层的线性反馈神经网络，经过解码器得到的zx_y即为用户在y域的跨域预测结果；

73、

74、其中，与中是同一解码器，是一个两层的线性反馈神经网络，经过解码器得到的zy_x即为用户在x域的跨域预测结果。

75、有益效果：本发明利用多视图转换方法能够综合多个视角的信息，例如用户的行为数据、语义级别的特征等，从多个维度进行嵌入融合和分析，从而更全面地了解用户的兴趣和需求。这种多视图的融合能够提高推荐结果的准确性和相关性，提供更加个性化和精确的推荐内容。通过多视图转换，系统可以有效地减少单一视角带来的偏差和数据稀疏性问题。例如，如果某一视角的数据较少或质量较低，其他视角的数据可以补充和校正，从而提高整体推荐系统的鲁棒性和可靠性。

76、通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。

技术特征：

1.一种基于多视图转换的双目标域个性化物品推荐方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述对所述rgcn模型和所述han模型进行训练，分别得到每个目标域的用户关系嵌入和用户基于元路径的嵌入包括：

3.根据权利要求1所述的方法，其特征在于，所述使用本目标域的编码器对用户在本目标域的交互行为进行编码，获得本目标域的用户直接嵌入包括：

4.根据权利要求1所述的方法，其特征在于，所述通过所述个性化桥接函数，将本目标域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入转换到另一个目标域包括：

5.根据权利要求1所述的方法，其特征在于，所述将从另一个目标域转换得到的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入进行合并，得到转换到本目标域的多视图转换嵌入包括：

6.根据权利要求1所述的方法，其特征在于，所述对每一个目标域，利用本目标域的解码器对所述用户直接嵌入进行解码，得到域内预测的物品推荐结果；利用本目标域的解码器对所述多视图转换嵌入进行解码，得到跨域预测的物品推荐结果，包括：

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

8.一种基于多视图转换的双目标域个性化物品推荐装置，其特征在于，所述装置包括：

9.根据权利要求8所述的装置，其特征在于，所述构建模块对所述rgcn模型和所述han模型进行训练，分别得到每个目标域的用户关系嵌入和用户基于元路径的嵌入包括：

10.根据权利要求8所述的装置，其特征在于，所述编码模块使用本目标域的编码器对用户在本目标域的交互行为进行编码，获得本目标域的用户直接嵌入包括：

技术总结
本发明涉及一种基于多视图转换的双目标域个性化物品推荐方法及装置，属于人工智能技术领域。方法包括：通过对用户行为进行编码和模型训练，得到每个目标域的用户直接嵌入、用户关系嵌入和用户基于元路径的嵌入；分别构建个性化桥接函数，将本目标域的各个用户嵌入转换到另一个目标域；对各个转换后的嵌入进行合并，得到转换到本目标域的多视图转换嵌入；利用本目标域的解码器对用户直接嵌入和多视图转换嵌入进行解码，分别得到域内和跨域预测的物品推荐结果；利用联合损失函数对整个模型进行训练。本方法能够提供更加个性化和精确的推荐内容，有效减少单一视角带来的偏差和数据稀疏性问题，提高整体推荐系统的鲁棒性和可靠性。

技术研发人员：徐小龙,朱凡,徐佳
受保护的技术使用者：南京邮电大学
技术研发日：
技术公布日：2024/9/23