基于跨视图增强的捆绑推荐方法及系统

技术领域

本申请涉及图像增强技术领域，特别涉及基于跨视图增强的捆绑推荐方法及系统。

背景技术

随着信息技术的发展，信息的爆炸性增长，人们往往需要在大量的信息中筛选出感兴趣的信息，推荐系统应运而生。推荐系统的背景技术主要包括以下几类：

基于内容的推荐：此类推荐系统主要根据用户过去的行为或明确的偏好来推断其兴趣，并推荐与用户兴趣相符的项目。例如，基于用户观影习惯系统推荐更多的同类型科幻电影给这个用户。协同过滤推荐：协同过滤方法主要关注用户之间的行为相似度。如果两个用户在过去对同一组项目的评价或行为非常相似，那么假定他们的兴趣是相似的，并且可以将一个用户喜欢的项目推荐给另一个用户。基于知识的推荐：此类推荐系统使用特定的领域知识来推荐项目。例如，在书籍推荐中，基于知识的推荐可能会使用领域专家的意见或标准来进行推荐。混合推荐：此类推荐系统结合了上述所有类型的推荐方法，以优化推荐结果并解决单一推荐方法可能存在的问题。深度学习在推荐系统中的应用：近年来，深度学习也被广泛应用于推荐系统中。通过训练复杂的神经网络模型，可以从用户的行为和项目的属性中提取更深层次的特征，并利用这些特征进行更精确的推荐。

捆绑推荐是推荐系统的一个子任务，目的是为用户推荐一系列的项目，如歌单，游戏包，书单等。与一般的推荐系统相比，捆绑推荐有着面临的数据更加的稀疏的问题，同时用户对单个项目的交互是捆绑推荐的额外的信息。

先前的方法将捆绑推荐当成一般的推荐任务去解决，但是由于用户与捆绑交互的高稀疏性，往往得不到较好的结果。当前的方法虽然使用用户对单个项目的额外的交互信息加入主任务去提高捆绑推荐效果，但是对于项目和捆绑包的隶属的信息并没有得到很好的运用，局限了捆绑推荐系统的性能。

发明内容

本申请提供了基于跨视图增强的捆绑推荐方法，可用于解决用户与捆绑交互的高稀疏性的技术问题。

本申请提供基于跨视图增强的捆绑推荐方法，方法包括：

步骤1，通过用户和捆绑的交互，用户和项目的交互，项目和捆绑的隶属关系，构建二部图；二部图包括用户视图U-B图，项目视图U-I图，捆绑视图B-I图三个视图；

步骤2，构建完视图后，通过视图的表示学习模块学习各个视图下的节点表示；

步骤3，利用预测增强模块，通过捆绑视图和项目视图预测可能的用户和捆绑的交互，作为增强的信息加入用户视图，得到增强后的用户视图；

步骤4，通过对比学习模块拉近三个视图中各个节点的表示；

步骤5：进行模型训练，将步骤2，3得到的各个视图的用户表示和捆绑表示聚合得到最终的用户表示e

步骤6，模型测试，通过内积得到最终的用户对捆绑的评分y

可选的，步骤1，通过用户和捆绑的交互，用户和项目的交互，项目和捆绑的隶属关系，构建二部图；包括：

表示用户集合，/>

图的节点分别为用户节点，捆绑包节点和项目节点，根据用户捆绑包的交互关系，用户项目的交互关系以及捆绑包和项目的隶属关系构建边。

可选的，步骤2：构建完视图后，通过视图的表示学习模块学习各个视图下的节点表示，包括：

用图卷积神经网络模型，对三个视图：用户视图、项目视图和捆绑视图聚合邻接节点的信息，得到用户视图下的用户和捆绑节点向量表示、项目视图下的用户和项目节点表示、捆绑视图下的捆绑和项目节点表示。

可选的，用图卷积神经网络模型，对三个视图：用户视图、项目视图和捆绑视图聚合邻接节点的信息，得到用户视图下的用户和捆绑节点向量表示、项目视图下的用户和项目节点表示、捆绑视图下的捆绑和项目节点表示，包括：

对二部图的部分边随机的mask，然后采用lightGCN聚合二部图中的邻居节点信息，删除图卷积神经网络中的非线性变换和偏置；对于U-B图，如下:

其中，

对于U-I图，如下:

其中

对于B-I图具体如下:

其中

可选的，步骤3，利用预测增强模块，通过捆绑视图得到捆绑表示

通过步骤2得到的项目视图下用户节点表示和捆绑视图下的捆绑节点表示结合用视图的关系网络作为预测增强模型的训练集，得到新的预测结果；将新得到的用户捆绑的连接交互加入用户视图得到最终的视图；

通过两者的内积取每个用户前topk个得分高的捆绑包，得到用户可能感兴趣的捆绑包集合

可选的，步骤4，通过对比学习模块拉近三个视图中各个节点的表示，包括：

分别将用户视图下的用表示和项目视图下的用户表示进行对比学习，将用户视图下的捆绑表示和捆绑视图下的捆绑表示进行对比学习，将项目视图下的项目表示和捆绑视图下的项目表示进行对比学习，将三者的loss求和得到最终对比学习模块损失loss。

可选的，最终对比学习模块损失loss通过以下方法确定：

其中用户视图中的用户表示和项目视图中的用户表示的对比学习的特征对齐方法如下：

项目视图中的项目表示和捆绑视图中的项目表示的对比学习的特征对齐方法如下：

用户视图中的捆绑表示和捆绑视图中的捆绑表示的对比学习的特征对齐方法如下：

其中s(·,·)表示余弦相似度函数，τ表示称为温度的超参数；

最终的对比学习模块损失loss：

可选的，步骤5：进行模型训练，将步骤2，3得到的各个视图的用户表示和捆绑表示聚合得到最终的用户表示e

模型训练包括预测增强模块的训练和整体模型的训练；其中，预测增强模块训练包括通过步骤2的表示学习得到项目视图的用户节点表示和捆绑视图下的捆绑节点表示放入预测模型得到新预测的用户和捆绑的交互加入用户视图得到新的视图和节点表示；整体模型的训练包括初始化各个节点的表示，通过步骤2的表示学习以及预测增强模块得到新的节点表示，对比学习模块得损失loss，合并三个视图的用户和捆绑表示通过内积得到最终的预测得分结合BPRLoss更新参数；

将不同视图下的用户表示和捆绑表示进行拼接，方法如下：

其中+表示向量的拼接；通过内积得到用户对于捆绑的预测分数：

模型的loss分为两个部分，一部分为对比学习模块的loss为步骤四中的

其中

其中λ

本申请还提供基于跨视图增强的捆绑推荐系统，系统包括：

构建单元，用于通过用户和捆绑的交互，用户和项目的交互，项目和捆绑的隶属关系，构建二部图；二部图包括用户视图U-B图，项目视图U-I图，捆绑视图B-I图三个视图；

学习单元，用于构建完视图后，通过视图的表示学习模块学习各个视图下的节点表示；

增强单元，用于利用预测增强模块，通过捆绑视图和项目视图预测可能的用户和捆绑的交互，作为增强的信息加入用户视图，得到增强后的用户视图；

拉进单元，用于通过对比学习模块拉近三个视图中各个节点的表示；

训练单元，用于进行模型训练，将步骤2，3得到的各个视图的用户表示和捆绑表示聚合得到最终的用户表示e

测试单元，用于模型测试，通过内积得到最终的用户对捆绑的评分y

本申请具有以下优点：(1)通过三个视图的图学习得到三者：用户、项目、捆绑的节点表示，并在三个视图上(用户视图、项目视图、捆绑视图)两两对比学习，将项目视图和捆绑视图的信息跨视图传递给用户视图。对比学习的特征对齐，让三者的信息不在各自独立，相互增强。(2)通过项目视图和捆绑视图的额外的信息，经过预测增强模块扩充用户捆绑的连接，一定程度上缓解了用户捆绑的连接稀疏的问题，同时由于对比学习对三个视图的特征的拉近，对于用户视图的增强也会反馈到其他两个视图。

附图说明

图1为本申请实施例提供的视图构建模块；

图2为本申请实施例提供的视图表示学习模块和预测增强模块；

图3为本申请实施例提供的对比学习模块。

图4为本申请实施例提供的流程图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

本方法通过将用户与捆绑的交互，用户和项目的交互，项目和捆绑的隶属关系构成用户视图，项目视图，捆绑视图，对于捆绑视图的图学习，充分挖掘项目和捆绑包的隶属关系，通过后两者的视图去跨视图的增强主方法对捆绑的预测效果。通过三个视图的图学习和对比学习增强模型的预测能力。

本申请提供一种基于跨视图增强的捆绑推荐方法，具体步骤如下：

步骤1：通过用户和捆绑的交互，用户和项目的交互，项目和捆绑的隶属关系，构建二部图；二部图包括用户视图U-B图，项目视图U-I图，捆绑视图B-I图三个视图；

其中，

图的节点分别为用户节点，捆绑包节点和项目节点，根据用户捆绑包的交互关系，用户项目的交互关系以及捆绑包和项目的隶属关系构建边。

步骤2：构建完视图后，通过视图的表示学习模块学习各个视图下的节点表示。

通过图学习对步骤(1)的三个视图分别学习各个图中的节点表示。具体来说用图卷积神经网络(GCN)模型，对三个视图：用户视图、项目视图和捆绑视图聚合邻接节点的信息，得到用户视图下的用户和捆绑节点向量表示、项目视图下的用户和项目节点表示、捆绑视图下的捆绑和项目节点表示。

具体来说，对二部图的部分边随机的mask，然后采用lightGCN聚合二部图中的邻居节点信息，删除图卷积神经网络中的非线性变换和偏置；对于U-B图(用户视图)，具体如下:

其中，

对于U-I图(项目视图)，具体如下:

其中

对于B-I图(捆绑视图)，先前的方法只是简单的使用项目表示的均值来得到捆绑包的表示，这样简单的方式不足以充分挖掘B-I隶属关系的信息，本申请利用图卷积神经网络，同样对B-I图的节点学习更丰富的表示，具体如下:

其中

步骤3：预测增强模块，通过捆绑视图中的捆绑表示

通过步骤(2)得到的项目视图下用户节点表示和捆绑视图下的捆绑节点表示结合用视图的关系网络作为预测增强模型的训练集，得到新的预测结果；将新得到的用户捆绑的连接交互加入用户视图得到最终的视图。

通过两者的内积取每个用户前topk个得分高的捆绑包，得到用户可能感兴趣的捆绑包

步骤4：为了三个视图之间信息的传递，通过对比学习的方式，拉近三个视图中各个节点的表示。为了拉近各个视图之间的距离，让各个视图的信息更好的传播到其他视图，得到更好的节点表示。分别将用户视图下的用表示和项目视图下的用户表示进行对比学习，将用户视图下的捆绑表示和捆绑视图下的捆绑表示进行对比学习，将项目视图下的项目表示和捆绑视图下的项目表示进行对比学习。将三者的loss求和得到最终的对比学习模块损失loss。

其中用户视图中的用户表示和项目视图中的用户表示的对比学习的特征对齐方法如下：

项目视图中的项目表示和捆绑视图中的项目表示的对比学习的特征对齐方法如下：

用户视图中的捆绑表示和捆绑视图中的捆绑表示的对比学习的特征对齐方法如下：

其中s(·,·)表示余弦相似度函数，τ表示称为温度的超参数；

最终的对比学习模块损失loss为：

步骤5：进行模型训练，将步骤2，3得到的各个视图的用户表示和捆绑表示聚合得到最终的用户表示e

模型训练包括预测增强模块的训练和整体模型的训练；其中，预测增强模块训练包括通过步骤(2)的表示学习的到项目视图的用户节点表示和捆绑视图下的捆绑节点表示放入预测模型得到新预测的用户和捆绑的交互加入用户视图得到新的视图和节点表示；整体模型的训练包括初始化各个节点的表示，通过步骤(2)的表示学习以及预测增强模块得到新的节点表示，对比学习模块损失loss，合并三个视图的用户和捆绑表示通过内积得到最终的预测得分结合BPRLoss更新模型参数；

将不同视图下的用户表示和捆绑表示进行拼接，具体方法如下：

其中+表示向量的拼接；通过内积得到用户对于捆绑的预测分数：

模型的loss分为两个部分，一部分为对比学习的loss为步骤四中的

其中

其中λ

步骤6：模型测试，通过内积得到最终的用户对捆绑的评分y

具体的，将训练得到的用户和捆绑的表示内积得到最终的预测得分，通过每个用户最终的预测得分取topK个捆绑包作为预测结果，分别与测试集中的结果求Recall和NDCG的值。

本申请具有以下优点：(1)通过三个视图的图学习得到三者：用户、项目、捆绑的节点表示，并在三个视图上(用户视图、项目视图、捆绑视图)两两对比学习，将项目视图和捆绑视图的信息跨视图传递给用户视图。对比学习的特征对齐，让三者的信息不在各自独立，相互增强。(2)通过项目视图和捆绑视图的额外的信息，经过预测增强模块扩充用户捆绑的连接，一定程度上缓解了用户捆绑的连接稀疏的问题，同时由于对比学习对三个视图的特征的拉近，对于用户视图的增强也会反馈到其他两个视图。

本申请还提供基于跨视图增强的捆绑推荐系统，系统包括：

构建单元，用于通过用户和捆绑的交互，用户和项目的交互，项目和捆绑的隶属关系，构建二部图；二部图包括用户视图U-B图，项目视图U-I图，捆绑视图B-I图三个视图；

学习单元，用于构建完视图后，通过视图的表示学习模块学习各个视图下的节点表示；

增强单元，用于利用预测增强模块，通过捆绑视图和项目视图预测可能的用户和捆绑的交互，作为增强的信息加入用户视图，得到增强后的用户视图；

拉进单元，用于通过对比学习模块拉近三个视图中各个节点的表示；

训练单元，用于进行模型训练，将步骤2，3得到的各个视图的用户表示和捆绑表示聚合得到最终的用户表示e

测试单元，用于模型测试，通过内积得到最终的用户对捆绑的评分y

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于服务构建装置和服务加载装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

以上所述的本申请实施方式并不构成对本申请保护范围的限定。