申请/专利权人：中国科学技术大学

申请日：2020-11-13

公开（公告）日：2024-03-29

公开（公告）号：CN112380433B

主分类号：G06F16/9535

分类号：G06F16/9535;G06F16/9536;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.03.09#实质审查的生效;2021.02.19#公开

摘要：本发明公开了一种面向冷启动用户的推荐元学习方法，包括：通过动态子图采样的方式对数据集进行采样，将采样得到的数据作为训练数据；所述数据集包含了若干用户与不同物品之间的交互记录；利用训练数据集来训练协同过滤模型，训练包括内外两个循环：内循环中，对每一用户进行推荐预测，基于预测结果更新用户的模型参数；外循环中，利用所有用户的模型参数更新模型总体参数。该方法可以适用于任何可微的基于协同过滤的模型，可以更好地针对新用户进行个性化推荐，并提升模型性能。

主权项：1.一种面向冷启动用户的推荐元学习方法，其特征在于，包括：线下训练阶段，包括交替执行的内外两个循环：内循环中，对每一用户进行推荐预测，基于预测结果更新用户的模型参数；外循环中，利用所有用户的模型参数更新模型总体参数；线下训练阶段通过动态子图采样的方式对数据集进行采样，得到的训练数据；所述数据集包含了若干用户与不同物品之间的交互记录；线下训练完毕后进入测试阶段，对于每一新用户，结合相关交互记录直接采用内循环的方式更新用户的模型参数；内循环中，使用负采样的方法，将训练数据中没有出现过的交互记录视为负样本，出现过的交互记录视为正样本；对正样本u,i与负样本u,j计算贝叶斯个性化排序损失，从而更新模型参数： 其中，σ是sigmoid函数，f是预测用户对物品兴趣的函数，θ为模型总体参数，u为用户，i、j分别为与用户u存在交互、未存在交互的物品；Du是训练集中可观察到的用户u与其他物品的交互的集合；每个内循环中对用户的模型参数进行T次更新，更新公式如下： 其中，t＝1,…,T；表示第t次更新后的用户u的模型参数；α为内循环的学习率；为求导符号，表示J函数对于第t-1次更新后的用户u的模型参数参数求导，是在内循环阶段通过动态子图采样方式得到的针对用户u的交互数据和交互子图，其中交互数据为经过采样后该用户u和物品的交互记录‘’外循环中，更新模型总体参数以及内循环的学习率，公式如下： 其中，β是外循环的学习率，B为用户集合，θ、θ′分别为本次更新前、后的模型总体参数；α、α′分别为本次更新前、后的内循环的学习率；各自表示J函数对于本次更新前的模型总体参数θ、本次更新前的内循环的学习率α求导；是通过动态子图采样方式得到的针对用户u的交互数据和交互子图，其中交互数据为经过采样后该用户和物品的交互记录。

全文数据：

权利要求：

百度查询： 中国科学技术大学 面向冷启动用户的推荐元学习方法

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