1.一种基于多层卷积块和对比学习的跨域商品推荐方法,其特征在于,包括以下步骤:S1、数据预处理:采用亚马逊用户行为数据中“Books”、“CDs_and_Vinyl”以及“Movies_and_TV”三种不同领域的数据作为原始数据集,对数据进行预处理;
S2、模型训练:首先根据用户行为数据构建源域序列图和目标域序列图以及跨域全局图,其次,将三个序列图分别通过多层编码器得到相应的项目嵌入,最后通过非线性层和对比学习模块得到最终的域内项目表示嵌入和域间用户偏好嵌入;
所述步骤S2包括以下步骤:
S201、对用户的历史行为数据进行编码得到输入序列,由输入序列得到跨域全局图、源域序列图以及目标域序列图;
S202、将三个序列图输入到相应的多层编码器,经过多层的卷积,得到源域序列嵌入、目标域序列嵌入以及全局序列嵌入;
S203、为了缓解跨域推荐中数据稀疏的问题,将所得到的嵌入分别进行对比学习,使不同领域的用户偏好相互补充并学习自监督信号,最大化它们之间的互信息;
多层卷积块,使用轻量卷积模块进行多层的堆叠,每层卷积块之间的传播规则为:(1);
其中,是每一层用户的嵌入表示,是对应层User的度,是对应层Item的度,是正则化项,对于每一层的嵌入矩阵表示,都有:(2);
其中,邻接矩阵A表示第i行向量中的非零条目的个数,为对称化归一项;
S3、非线性层和对比损失:首先对得到的嵌入进行非线性投影,采用SoftMax函数使项目嵌入得到更丰富的信息;在对比学习模块,采用InfoNCE函数来计算损失,最大化正样本对之间的互信息,最小化负样本对之间的一致性;
S4、预测结果:在得到最终的域内项目表示视图和域间用户偏好视图之后,通过对比学习模块以及链接操作得到最终的预测结果;
S5、模型评估:通过计算召回率Recall以及归一化折损累计增益NDCG来评估模型性能。
2.根据权利要求1所述的基于多层卷积块和对比学习的跨域商品推荐方法,其特征在于,所述步骤S1包括以下步骤:S101、从三个领域的数据集中读取用户的行为数据,分别为用户ID、物品ID、评分以及时间戳并且删除重复出现的User-Item对;
S102、为了缓解冷启动问题,丢弃那些用户或物品交互次数少于5次的记录,并对三类用户数据进行合并处理,以减少数据稀疏性并提升模型的泛化能力;
S103、在采样过程中,采用流行度计算的方法为每个用户随机采样负样本,最终按照7:2:1的比例划分训练集、验证集以及测试集。
3.根据权利要求1所述的基于多层卷积块和对比学习的跨域商品推荐方法,其特征在于,所述步骤S3包括以下步骤:S301、在预测模块中,为了获得非线性的信息,在每个模块的多层编码器层的输出上应用非线性投影,采用ReLU激活函数来使得嵌入具有非线性的特征,提高模型的表示能力;
S302、在对比学习模块中,采用InfoNCE作为损失函数,以此来最大化正样本和目标之间的相似度,最小化负样本和目标之间的相似度,帮助模型学习有效的特征表示并且将学到的参数进行反向传播。
4.根据权利要求3所述的基于多层卷积块和对比学习的跨域商品推荐方法,其特征在于,所述步骤S4包括以下步骤:S401、在最终得到源域序列嵌入和目标域序列嵌入之后,由于不同领域的项目特征不一致,目标域的数据会比较稀疏,使用链接操作来聚合源域和目标域的嵌入表示,以充分利用不同领域的用户信息;
S402、在最后的预测模块中,再用二进制交叉熵函数作为模型的损失函数,通过衡量预测概率分布与真实标签之间的差异来计算损失,并引导模型的参数更新,使得模型能够输出更加准确的预测结果。
5.根据权利要求1所述的基于多层卷积块和对比学习的跨域商品推荐方法,其特征在于,为了使得获得的嵌入表示具有非线性的特性,在每个多层卷积块的出口都应用非线性投影:(3);
其中,是激活函数的权重矩阵,是嵌入向量,是偏置,是激活函数,以此来提高模型的表示能力;
对于对比学习模块,采用InfoNCE函数作为损失函数:(4);
其中,是样本的嵌入,是与样本对应的正样本嵌入,是与样本对应的负样本嵌入,是样本之间的余弦相似度,τ为平滑系数;
因此,对于嵌入的偏好学习,有:
(5)。
6.根据权利要求3所述的基于多层卷积块和对比学习的跨域商品推荐方法,其特征在于,由于不同领域项目的特征存在差异,目标域中的数据通常较为稀疏;为充分利用不同领域的用户信息,通过链接操作将和进行聚合,对于聚合操作都有:(6);
对于跨域推荐的模型,采用二进制交叉熵函数来作为损失函数:(7);
其中,是负采样项,是sigmoid函数,是填充项。
7.根据权利要求4所述的基于多层卷积块和对比学习的跨域商品推荐方法,其特征在于,计算召回率Recall表示在所有真正相关的样本中,模型成功检索出来的比例:(8);
其中,TP是模型正确预测为正类的样本数,FN实际为正类但模型未能识别的样本数;
计算归一化折损累计增益NDCG来衡量跨域推荐模型的排序结果的质量:(9);
其中,是第个样本的相关性得分,是按理想排序情况下第个位置上结果的相关性得分,是计算 NDCG 时考虑的前个结果。