申请/专利权人：中国海洋大学

申请日：2024-02-06

公开（公告）日：2024-03-22

公开（公告）号：CN117743694A

主分类号：G06F16/9535

分类号：G06F16/9535;G06F16/951;G06N3/0455;G06N3/096;G06F18/21;G06F18/25;G06N3/042;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明属于跨域推荐技术领域，公开了基于图节点特征增强的多层迁移学习跨域推荐方法及系统，该方法首先利用用户和物品的索引ID，基于高阶图结构生成用户和物品在源域和目标域的初始嵌入特征；然后提取多维一致性用户偏好特征，然后基于Transformer模型架构深度融合用户初始图节点嵌入特征和多维一致性用户偏好特征，增强图节点嵌入特征；然后分层对齐源域和目标域的用户特征分布、并聚合各层用户和物品特征，最后得到最终用于评分预测的用户和物品嵌入特征，进行评分预测。通过本发明充分挖掘推荐系统中辅助信息的价值以提取用户多维一致性偏好特征，获得更高质量的用户特征表示，提高跨域推荐质量。

主权项：1.基于图节点特征增强的多层迁移学习跨域推荐方法，其特征在于，包括以下步骤：步骤S1、获取数据及数据预处理：收集用户和物品在源域和目标域的交互历史，包括用户和物品的ID信息、评分信息、以及多个维度的社交媒体信息；步骤S2、提取初始图节点嵌入特征：利用用户和物品的索引ID，基于高阶图结构生成用户和物品在源域和目标域的初始嵌入特征；步骤S3、提取多维一致性用户偏好特征：通过语义对齐多个维度的社交媒体信息与全局语义单元，得到用户在单域内的多维一致性偏好特征；步骤S4、图节点特征增强：基于Transformer模型架构深度融合步骤S2生成的用户初始图节点嵌入特征和步骤S3提取的多维一致性用户偏好特征，增强图节点嵌入特征的质量，更新图节点嵌入特征；步骤S5、分层对齐源域和目标域的用户特征分布；对于步骤S4增强后的图节点嵌入特征，利用基于度量学习的分层域适应方法，通过学习层迁移权重将源域和目标域的用户特征分布进行分层域适应对齐；步骤S6、聚合源域和目标域的各层用户和物品特征：将步骤S4得到的增强后的用户在每一层的图节点嵌入特征进行聚合生成该用户在源域最终用于评分预测的用户嵌入特征；将步骤S4得到的增强后的用户在每一层的图节点嵌入特征与步骤S5得到的层迁移权重相乘之后进行聚合，生成该用户在目标域最终用于评分预测的用户嵌入特征；将步骤S2得到的物品在每一层的图节点嵌入特征进行聚合得到最终用于评分预测的物品嵌入特征；步骤S7、评分预测：将步骤S6得到的用户嵌入特征与物品嵌入特征的转秩做向量相乘运算，得到该用户对物品的预测打分值；选取该用户对目标物品的预测打分的高者为对该用户推荐的物品。

全文数据：

权利要求：

百度查询： 中国海洋大学 基于图节点特征增强的多层迁移学习跨域推荐方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD