1.一种面向冷启动推荐的对抗自编码迁移学习方法,其特征在于:包括以下步骤:S1、构建出一个超图,对用户与物品的交互信息进行建模,并根据原始超图设计正超图、负超图;
S2、设计一个多层感知机网络获得暖用户、冷启动用户的常规特征表示;
S3、构建一个超图自编码器分别用于正超图、负超图,获取暖用户、物品的正、负特征表示,将正特征视为源数据,常规特征视为目标数据,此外重构正、负超图,用于保存用户和物品之间的关联信息;
S4、构建一个匹配判别器,为暖用户的正、负特征分配伪标签,最小化暖用户的正、负特征的分类损失以及正特征和常规特征的之间的分布差距;
S5、计算冷启动用户的常规特征与物品特征之间的欧几里得距离并排序,向用户推荐Top‑K个物品,并计算精度、召回率、NDCG以及击中率。
2.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法,其特征在于:上述步骤S1包括有:S1.1、对用户评分矩阵进行预处理,删除评分为0的物品,保留剩余的物品作为交互项目;
S1.2、将用户按照9:1的比例划分为暖用户和冷启动用户,并根据暖用户与物品的交互信息构建出超图,具体为且上述超图的形式如下:
其中nw表示暖用户数目,m代表物品总数,R(i,j)的值为1代表暖用户i与物品j有交互,否则R(i,j)的值为0;
S1.3、正超图R+等于原始超图R,正超图代表用户的偏好项目,从原始超图R中随机选取R(i,j)值为0项目构建负超图R‑;
则负超图的形式如下所示:
3.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法,其特征在于:上述步骤S2包括有:S2.1、构造一个多层感知机神经网络,来获取暖用户和冷启动用户的常规特征,其具体公式如下所示:其中h(·)表示全连接神经网络, 表示用户特征,在原始数据存在用户的信任关系,这些信任关系被用作信任关系,n表示用户总数,d表示特征的维度,Φ表示可训练的网络权重,且有w c
U=[U ,U]
w c
U和U分别代表暖用户和冷启动用户的原始特征, 和 分别代表暖用户和冷启动用户的常规特征表示。
4.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法,其特征在于:上述步骤S3包括有:S3.1、用户和物品之间的关系用超图来表示,在正超图上使用超图自编码器学习暖用户和物品的高层特征表示,具体公式如下所示:其中f+为超图自编码器,T为物品的特征, 为重构的超图, 为暖用户的正特征,为物品的正特征;
S3.2、利用步骤S3.1获取的暖用户的正特征以及物品的特征重构正超图,重构正超图的损失表示为:其中 为二元交叉熵函数;
S3.3、在负超图上使用超图自编码器学习暖用户和物品的高层特征表示,具体公式如下所示:其中f‑为超图自编码器, 为重构的超图, 为暖用户的负特征, 为物品的负特征;
S3.4、利用步骤S3.3获取的暖用户的负特征以及物品的特征重构负超图,重构负超图的损失可以表示为:
5.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法,其特征在于:上述步骤S4包括有:S4.1、分别给暖用户的正特征 以及负特征 分配伪标签,即设定分配伪标签为
其中nw为暖用户数量,d为特征维度;
且正特征包含着用户的偏好信息,负特征包含着用户不感兴趣的信息;
S4.2、为了桥接暖用户的正特征以及常规特征,即设定分配伪标签为
S4.3、设计匹配鉴别器,最小化暖用户的正、负特征的分类损失以及正特征和常规特征的之间的分布差距,依据以下公式:其中α是可训练参数, 和 分别代表 和 的第j行向量, 和 分别代表 和 的第j行的值,Gy(·)是分类器,Gc(·)特征匹配器, 是分类器的损失函数, 表示域间的对抗损失函数;
S4.4、通过步骤S4.2,暖用户的正、负特征被分开,正特征与常规特征被连接,从而桥接冷启动用户的常规特征以及物品特征形象推荐,引入梯度反向传播层,遵循如下公式:S4.5、综合上述步骤,设计模型的总体损失函数用以训练,公式如下:其中β和η为可调整参数用以平衡三个损失函数之间的权重;
S4.6、重复步骤S4.3和S4.4至收敛,将暖用户的正特征和常规特征连接起来;
暖用户的正特征与物品的正特征通过正超图联系起来,而暖用户常规特征和冷启动用户的常规特征具有相似的分布,观测记录冷启动用户的常规特征与物品的正特征的关系。
6.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法,其特征在于:上述步骤S5包括有:S5.1、发掘冷启动用户以及物品之间的关系,并算出冷启动用户的常规特征与物品特征之间的欧几里得距离,向用户推荐Top‑K个物品,并采用以下四个指标对所提方法的性能进行评价:A.精度:推荐列表中占物品总数的比值,并对所有用户求平均,且要求该值越大越好,其计算公式如下:i
其中Nts是冷启动用户的数目,L 是第i个冷启动用户真实喜爱的物品, 是推荐的Top‑K个物品;
B.召回率:作为正确推荐的物品占应推荐物品总数的比例,要求该值越大越好,其计算公式如下:C.NDCG:用于衡量推荐列表的优越性,有高关联度的结果出现在更靠前的位置的时候,指标越高,其计算公式如下:i i
其中r 是第i个物品的相关性,用户偏爱物品i则r 值为1,否则为0,而IDCG的值确保NDCG的值能够在0到1之间;
D.击中率:作为常用的衡量召回率的指标,要求该值越大越好,其计算公式如下: