一种多行为感知的图对比推荐方法

技术领域

本发明属于个性化推荐领域，尤其是涉及一种多行为感知的图对比推荐方法。

背景技术

近年来，推荐系统(RS)已经成为web应用程序中的重要工具，帮助用户从大量的在线信息中快速发现相关内容。这些系统根据用户的兴趣提供个性化的推荐，比如在社交网站、短视频平台和购物应用程序上推荐商品。协同过滤(CF)是推荐中最常用的方法之一，它利用相似用户的偏好向给定的用户推荐新物品。

最近的一些研究表明，图对比学习(GCL)方法在协同过滤推荐方面取得了巨大的成功。对比学习(CL)的核心思想是最小化(最大化)正(负)对的互信息，从而提高用于处理下游任务的表示的质量。通过将GNN与CL结合，出现了基于图对比学习(GCL)的推荐方法，为数据稀疏性问题提供了有效的解决方案，并更好地提供了用户兴趣的建模：例如，方法SGL和SimGCL对图结构进行数据增强通过采用随机的增删操作，以生成不同的视图用于对比学习。

然而，这种随机增强可能会丢失重要的信息，这可能会使非活跃用户的稀疏性问题更加严重。因此，CGI选择性地删除边/节点来构建更实用的对比视图。与SGL相比，NCL方法将嵌入空间中相似的语义原型和结构邻居视为积极的视图。HCCF通过一个由超图增强的交叉视图对比学习架构来捕获局部和全局的协同效应。SimGCL通过实验确定了数据增强对SGL的贡献是最小的，因此建议在每一层嵌入中添加噪声以生成正实例。LightGCL利用奇异值分解(SVD)生成对比视图，用于全局协作关系建模。

尽管这些方法取得了令人满意的性能，但是他们通常代表用户行为作为两个值(0没有交互，1交互)，限制他们的能力捕获的多样性交互，如“喜欢”、“不喜欢”或“评论”，这阻碍了他们的能力模型复杂关系和复杂的用户项交互在现实世界的推荐场景。

现有技术的主要缺点如下：

1)首先，这些方法通常将用户行为表示为0(没有交互)或1(交互)，而没有探索用户-物品交互的多样性，这限制了它们捕获存在于现实世界中的各种用户交互模式的能力。在真实的推荐场景中，用户-物品交互可能涉及各种类型的用户行为，如“喜欢”、“不喜欢”和“评论”。

2)其次，现有的基于GCL的方法可能会在数据增强过程中引入额外的噪声交互或丢弃重要信息，从而限制了对比学习的适用性和潜力。

发明内容

本发明提供了一种多行为感知的图对比推荐方法，通过多行为交互建模以及生成无噪声对比视图，从而提高推荐的效果。

一种多行为感知的图对比推荐方法，包括：

(1)原始视图上的表示学习

首先，对用户和物品进行表示嵌入；然后，使用L层GNN在原始交互矩阵上传播和聚合用户和物品的表示；最后，将所有GNN层的输出表示进行和，得到最终的用户和物品表示，并使用点积来预测用户i和物品j之间的交互概率

(2)无噪视图上的表示学习

首先，设计一种无噪声的方法来增强原始图，并得到无噪声对比视图；然后，使用L层GNN对无噪视图上节点表示进行传播和聚合；最后，通过对比原始视图和无噪视图，构建用户和物品的GCL损失；

(3)多行为感知建模

首先，进行潜在行为建模：假设存在K个潜在行为变量

然后，进行E步的行为表示学习：通过从原始视图学习到的用户和物品表示之间的点积，得到交互概率

最后，进行M步的行为对比学习：假设行为的先验分布是均匀分布，在给定c

(4)多任务学习

通过采用多任务训练方法来训练模型，联合优化主推荐任务、GCL任务以及BCL任务；

(5)应用

在实际的应用过程中，通过模型训练得到用户和物品的表示；在对某个用户进行推荐物品时，计算该用户与物品池中所有物品的表示内积，得到交互的概率，取前k大概率的所对应的物品，并将它们推荐给用户。

步骤(1)中，使用L层GNN在原始交互矩阵上传播和聚合用户和物品的表示，具体包括：

第1个GNN层被定义为：

其中，

交互概率

构建主推荐任务损失为：

其中，

步骤(2)中，得到的无噪声对比视图如下：

其中，

使用L层GNN对无噪视图上节点表示进行传播和聚合，具体为：

其中，H

构建用户和物品的GCL损失，具体为：

其中，

步骤(3)中，进行潜在行为建模的具体过程为：

假设存在K潜在行为变量

通过构造一个下界函数并最大化它，首先，有：

假设行为变量遵循一个Q(c)的分布，其中∑

其中，∝表示成比例；当Q(c

根据交互概率

根据

其中，

为了获得行为的表示，首先定义了交互(u

其中，T

其中，

进行M步的行为对比学习，具体过程如下：

通过进行E步的行为表示学习，估计了行为分布函数Q(c)，并得到了行为的表示

其中，T

其中，sim()是一个相似度函数；对行为对比学习BCL的损失函数进行优化如下：

其中

与现有技术相比，本发明具有以下有益效果：

1)相比于现有的方法，本发明解决了对比学习中的噪声问题，使得本方法学习到的表示更加有效。

2)相比于现有的方法，本发明很好地建模了用户的多种行为(之前的方法只区分有交互和无交互，而本发明可以捕捉到交互的类型，比如点赞、拉黑、评论等)，从而更加有效地捕捉了用户/物品之间的交互关系，使得表示得到进一步提升。

3)相比与现有的方法，本发明大幅度地提升了协同过滤推荐系统的性能。

附图说明

图1为本发明一种多行为感知的图对比推荐方法的框架图；

图2为本发明一种多行为感知的图对比推荐方法的流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

本发明提出了一种多行为感知的图对比推荐方法(MBGCR)，该模型在广义期望最大化(EM)框架内有效地建模了用户行为的多样性。具体来说，引入了一个潜在变量来表示不同的用户行为，并通过捕获用户和物品之间的兴趣水平来学习行为变量的分布函数(E-step)。然后，利用学习到的行为，通过行为对比学习来细化用户和物品的表示，从而最大限度地提高用户-物品交互与相应的行为变量之间的一致性(M-step)。此外，为了生成更好的GCL的信息性视图，在不影响节点/边的情况下，考虑原始边的权重，确保对比视图是无噪声的。最后，设计了一个多任务学习策略来优化模型，以实现有效的表示学习。

MBGCR的模型结构如图1所示。最初，它在从原始视图和生成的无噪声视图中获得的表示之间进行图对比学习(GCL)。然后，迭代地执行E步和M步，以估计行为变量C上的分布函数Q(c)，并对模型参数θ进行优化。在E步中，它估计分布Q(c)，并计算交互概率

问题定义：在推荐场景中，本发明使用U＝{u

f

其中f是带有参数θ的映射函数，R

1)原始视图上的表示学习

在协同过滤中，用户和物品都与可学习的嵌入向量E

其中

我们把

这相当于最小化以下BPR的损失：

其中

2)无噪视图上的表示学习

现有的基于GCL的方法通常通过干扰节点或边来生成对比视图。然而，这种方法存在引入有害噪声或丢弃关键信息的风险，阻碍了表示学习。我们认为，原始观点的信息是有价值的，不应该被丢弃或变化。因此，我们提出了一种无噪声的方法来增强原始图，并得到信息对比视图。需要强调的是，我们的方法不是扰动边和节点，而只涉及增强原始边的权重，即观察到的交互，这确保生成的视图是无噪声和信息性的。为了有效地增强边缘信息，我们利用可训练的用户和物品嵌入来生成相应的边缘权值，可以动态调整，以实现更好的图对比学习。具体来说，我们构造了无噪声对比视图

其中

其中H

其中，

3)多行为感知建模

为了解决多行为建模，本发明提出了一种广义期望最大化(EM)方法，该方法可以迭代地优化目标函数并保证收敛。其核心思想是从模型参数θ的初始估计开始，并通过估计E步中缺失的行为变量C进行迭代细化。一旦有了C的值，就通过最大化等式来更新参数θ。在M步中。重复这个迭代过程，直到可能性不再增加为止。通过使用EM框架，可以有效地处理缺失行为变量C造成的不完全性，使我们能够对潜在行为和模型参数θ做出可靠的估计。

I.潜在行为建模。为了将潜在行为纳入用户-物品交互建模中，假设存在K潜在行为变量

然而，优化这一目标仍然具有挑战性。为了解决这个问题，本发明采用了一种新的方法，通过构造一个下界函数并最大化它。首先，有：

数学上，假设行为变量遵循一个Q(c)的分布，其中∑

其中∝表示“成比例”。当Q(c

II.E步：行为表示学习。为了估计行为分布Q(c)，基于等式(3)和(4)，本发明通过从原始视图学习到的用户和物品表示之间的点积，得到交互概率

直观地说，不同的用户行为对应于对物品的不同兴趣水平。因此，本发明可以根据交互概率

其中，type(u

为了获得行为的表示，首先定义了交互(u

其中，T

其中，

III.M步：行为对比学习。通过E步，估计了行为分布函数Q(c)，并得到了行为的表示

其中，T

其中，sim()是一个相似度函数(例如，点积)。等式(19)与等式(9)有类似的结构，等式(9)旨在最大化两个视图表示之间的互信息，而等式(19)最大化一个交互与其对应的行为类型之间的互信息。形式上，给定从原始视图和无噪声视图学习的表示Z、H，首先通过计算等式(16)、(17)来获得相应的交互和行为表示。然后对行为对比学习(BCL)的损失函数进行优化如下：

其中

4)多任务学习

本发明采用多任务训练方法来训练模型，联合优化主要推荐任务-等式(6)、GCL任务-等式(9)，以及BCL任务-等式(20)。具体来说，同时对所提出的模型进行训练如下：

其中，λ

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。