申请/专利权人：复旦大学

申请日：2024-01-03

公开（公告）日：2024-04-12

公开（公告）号：CN117874338A

主分类号：G06F16/9535

分类号：G06F16/9535;G06F16/9538

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于多行为多视图的危机场景下的信息推荐方法。该方法的具体步骤如下：（1）根据危机场景的特性对数据进行预处理，并获得推荐候选池；（2）将用户向量、项目向量以及项目文本内容作为模型的输入；（3）经过嵌入层获得用户初始嵌入及项目初始嵌入；（4）经过候选生成层，对用户的多行为利用多视图进行表示学习；（5）根据结果和损失更新模型参数，不断训练直至达到收敛停止条件；（6）经过排序层获得TOPN推荐列表；（7）保存模型，在新数据中加载模型并得到推荐列表。本发明通过提高危机场景下的信息推荐模型的准确性，将多行为、多视图等与危机场景的特性充分结合，从而提升该特殊场景下的推荐任务效果。

主权项：1.一种基于多行为多视图的危机场景下的信息推荐方法，其特征在于，其基于信息推荐模型，将多行为、多视图与危机场景的特性充分结合，学习多种行为中的语义信息以及多种视图中的偏好特征，从多维角度提升危机场景下的信息推荐准确性问题；信息推荐模型包括嵌入层、候选生成层和排序层；嵌入层，用于为整个模型输入用户初始嵌入和项目初始嵌入；候选生成层用于提供TOPN推荐结果，其包括图视图和序列视图两个部分；排序层，用于对上层的TOPN结果进行重排，得到最终的推荐列表；具体步骤如下：步骤1：对原始数据进行预处理计算平均一条信息被交互的时长，将超过该时长未被交互的信息直接从推荐候选池中删除；步骤2：进行序列视图和图视图的嵌入初始化用户初始嵌入eu由用户ID生成，序列视图中的项目初始嵌入由项目特征编码和项目文本预训练向量拼接而成，图视图中的项目初始嵌入直接采用项目文本预训练向量；步骤3：将用户初始嵌入和项目初始嵌入输入到序列和图两种视图中进行表示学习在序列视图中分别对用户个体层面的不同行为建立的不同序列进行编码，得到用户在行为b下的单一表示，再将单一用户表示进行融合，得到集成的序列视图中的用户表示us；在图视图中建立基于多行为的用户-项目-属性无向图，利用用户嵌入传播、项目嵌入传播和基于多行为的项目-项目传播进行学习，从而得到序列视图中的用户表示ug和项目表示vg；同时考虑到危机场景的时效性，在序列中的项目初始嵌入和图传播过程中加入时间衰减函数确定时间权重，序列视图中的项目表示为序列视图项目的初始嵌入数乘时间衰减函数；图视图则在传播的过程中将边权重设置为时间衰减函数；步骤4：将步骤3的结果进行拼接，得到融合的用户表示u和项目表示v，||表示向量拼接操作；u＝MLPUus||ug 步骤5：用融合的用户表示和项目分别计算基于用户的得分和基于项目的得分，融合两种得分得到最终得分，并利用最终得分构建辅助损失；步骤6：构建三种对比学习任务，即多行为对比学习、多视图对比学习和行为区分对比学习，并构建不同的辅助损失；多行为对比学习的目标是学习用户不同行为之间的差异，行为区分对比学习的目标是最小化同一用户的不同单一行为表示之间的差异，并最大化不同用户之间的差异，多视图对比学习的目标是使得同一用户的序列视图和图视图用户表示比其他用户更接近；步骤7：将步骤5和步骤6中的辅助损失整合为总损失进行学习；步骤8：根据步骤7的损失跳转超参，循环训练直至收敛；步骤9：将步骤8中给出的前M个结果输入到排序层，利用排序算法进行重新排序，获得重排后的推荐列表，并保存模型；步骤10：对于新数据，用步骤1的方法进行处理后，加载步骤9中的模型并获得TOPN推荐列表。

全文数据：

权利要求：

百度查询： 复旦大学 一种基于多行为多视图的危机场景下的信息推荐方法

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