1.一种基于噪声增强的对比学习图推荐方法,其特征在于,包括以下步骤:
步骤1、建立问题:建立一个统一的用户项目二部图来建模所研究的问题,明确模型的输入及输出,其中,用户用u表示,项目用i表示,当用户u和项目i交互,就会建立一条边(u,i);
步骤2、初始嵌入层:使用嵌入向量u(0)∈Rd和i(0)∈Rd来描述一个用户和一个项目,其中d是嵌入维度,用户嵌入向量和项目嵌入向量分别用嵌入矩阵和来表示;
步骤3、用户的嵌入传播层:对相邻节点的项目进行嵌入组合,以通过用户-项目的交互进行建模;图卷积运算定义为下式,模型通过其进行消息聚合,其中,表示在第L层嵌入传播层后得到的项目i的表示,Nu,Ni分别表示用户和项目的邻居集合;使用对称归一化项来避免随着图卷积操作而造成的嵌入规模的增加;
步骤4、项目的嵌入传播层:对相邻节点的用户进行嵌入组合,以通过用户-项目的交互进行建模;图卷积运算定义为下式,模型通过其进行消息聚合,其中,表示在第L层嵌入传播层后得到的用户u的表示,Nu和Ni分别为用户和项目的邻居节点集合;使用对称归一化项来避免随着图卷积操作而造成的嵌入规模的增加;
步骤5、消息传播与图对比:对初始用户嵌入向量和项目嵌入向量进行消息传播,在消息传播过程中向其中分别添加不同的噪声,以得到初始数据的阳性表示以及阴性表示;具体包括:首先构造需要添加的噪声,形式上,给定一个节点i以及其在d维嵌入空间的表示ei,根据以下公式构造噪声:Δ′=ω⊙sign(zi),Δ″=-ω⊙sign(zi),ω∈Rd~U(0,1)其中噪声向量Δ′i,Δ″i满足‖Δ‖2=∈,∈是一个很小的常数,这个量级约束使得Δ在数值上等于半径为∈的超球上的点,添加噪声后的每一层按照以下公式传播:步骤6、预测:在经过L层传播后,得到了不同层的用户项目表示,将不同层的用户项目表示结合得到最终表示,将用户项目最终表示进行内积以获得该用户对项目的交互概率,最后利用损失函数对模型进行训练;具体包括:将各层传播后的表征取平均值得到最终表示:其中,E(0)∈R|N|*d是待学习的节点嵌入,E是预测的最终表示,|N|是节点数,L是传播层数,是无自连接的归一化无向邻接矩阵;
对推荐任务和对比任务进行联合训练,分别采用BPR损失和InfoNCE损失进行训练,对得到的每一个用户项目最终表示进行内积以获得它们交互的概率:L=Lrec+λLcl
其中,σ是sigmoid函数,eu,ei分别是用户表示和与之交互的物品表示,ej是从没有与之交互的物品中随机抽取的某一个的表示,z′,z″是从添加了噪声后学习到的阳性表示和阴性表示,τ是控制模型平滑性的温度参数,λ为对比损失的权重系数,InfoNCE损失促进了互为正样本的z′i,z″i之间的一致性,同时最小化互为负样本的z′i,z″j之间的一致性。
2.根据权利要求1所述的对比学习图推荐方法,其特征在于,所述步骤1中:输入的交互数据用无向图G=(V,E)表示,其中,节点是由用户节点u∈U和项目节点i∈I组成,E中的边包含用户和项目交互建立的边(u,i)。
3.根据权利要求1所述的对比学习图推荐方法,其特征在于,所述步骤2中:用户嵌入向量和项目嵌入向量分别用嵌入矩阵U和I来表示,其中:使用one-hot编码作为输入来描述一个用户、一个项目,矩阵U、矩阵I中的嵌入作为用户、项目的初始化特征。