1.结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,包括:步骤1:获取用户特征数据和商品特征数据,将提取到的用户和商品特征向量化;
步骤2:分析用户特征数据与商品特征数据之间的交互因果关系,结合领域知识构建因果图,采用因果推断方法,量化用户行为对商品推荐的因果影响因子;
步骤3:基于元学习框架构建电商销售场景下冷启动的商品推荐模型,并将冷启动问题转化为跨任务的迁移学习问题;
步骤4:基于历史任务数据训练元模型,使元模型学习不同任务间的通用模式,适配电商销售场景下的冷启动任务;
步骤5:将因果推断得到的影响因子作为约束条件,优化元学习推荐模型的目标函数;
步骤6:针对不同用户或商品的特定因果关系,设计个性化的推荐策略,结合因果推断的约束条件生成个性化的冷启动推荐结果。
2.根据权利要求1所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,获取用户特征数据,包括收集用户的人口统计学特征、行为特征和社交特征;
获取商品特征数据,包括收集商品的内容特征、类别特征和统计特征。
3.根据权利要求2所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,构建多层感知机MLP模型,以用户特征和商品特征为输入,学习嵌入表示和;
通过多层感知机MLP模型得到用户嵌入矩阵和商品嵌入矩阵,其中,为嵌入维度,为用户集合,为商品集合;每个用户和商品分别对应一个维嵌入向量和。
4.根据权利要求3所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,采用基于图模型的PC算法进行因果关系发现和因果图构建;PC算法的步骤如下:步骤a:初始化一个完全无向图,其中节点集合包含所有用户特征节点和商品特征节点;
步骤b:对于任意两个节点,通过条件独立性检验判断它们是否存在边;
步骤c:假设条件集为,若和在给定的条件下独立,则删除和之间的边;
步骤d:根据统计学知识确定条件独立性检验的阈值;
步骤e:重复步骤b和c直到所有节点对的条件独立性检验完成;
步骤f:根据V-结构和领域知识,将无向图中的部分边定向,得到部分有向无环图;
步骤g:利用无环图的性质,将剩余的无向边定向,得到完全有向无环图,即得到因果图。
5.根据权利要求4所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,采用前沿集的因果效应估计,对于因果图中的每个节点,计算每个节点对所有子节点的因果效应;
设节点的所有子节点集合为,对于每个子节点:找到从到的所有有向路径,记为,其中为路径数量;
对于每条路径,计算因果强度:;其中,表示边的因果强度;
计算对的因果效应:;
综合所有子节点的因果效应,得到节点的总因果效应:;
引入权重因子对对用户-商品交互的因果效应进行加权,得到加权因果效应:其中,,,分别表示电商交易场景中的点击、购买和评分三种交互模式下的因果效应,、和表示电商交易场景中的点击、购买和评分的影响因子;
量化因果影响因子,基于加权因果效应,计算用户特征对商品特征的因果影响因子:将所有用户特征对所有商品特征的因果影响因子,进行整合,生成因果影响因子矩阵,为所有用户特征节点,为所有商品特征节点。
6.根据权利要求5所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,将电商场景下的冷启动推荐问题转化为跨任务的迁移学习问题;获取个历史推荐任务,每个任务包含一个支持集和一个查询集,;
支持集包含用户-商品交互数据,表示为,其中表示第个用户-商品对的特征向量,表示用户是否对商品感兴趣,为支持集的大小;查询集包含需要预测的用户-商品对,表示为,其中为查询集的大小。
7.根据权利要求6所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,采用模型参数元学习MAML框架,学习适应不同任务的初始化推荐模型参数;
使用历史任务数据训练元模型,学习不同任务间的通用模式,适配新的冷启动任务;采用如下元训练过程:随机初始化参数,对于每个历史任务,在支持集上计算损失函数的梯度;使用梯度下降法更新参数,得到任务特定的参数:在查询集上计算任务特定模型的损失值;更新初始化参数,重复元模型训练过程,直到初始化参数收敛或达到预设的迭代次数。
8.根据权利要求7所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,将因果推断得到的影响因子矩阵作为约束项,优化元学习推荐模型的目标函数;
针对不同用户或商品的特定因果关系,设计个性化的推荐策略;对于用户,根据用户特征向量和因果影响因子矩阵,计算用户对不同商品特征的偏好权重向量:其中,为用户特征向量的第个元素,,表示用户和商品之间的交互评分。
9.根据权利要求8所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,结合因果推断的约束条件,生成个性化的冷启动推荐结果;
对于新用户,利用用户特征向量和商品特征向量,通过适应后的推荐模型,预测新用户对所有商品的偏好得分:;
根据预测得分和个性化偏好权重向量,计算最终的冷启动场景的商品推荐得分:其中,为平衡因子,为商品特征向量的第个元素;根据冷启动推荐得分对商品进行排序,生成新用户的个性化冷启动商品推荐列表。
10.结合元学习与因果推断的电商场景冷启动推荐系统,其用于实现权利要求1至9任一项所述的结合元学习与因果推断的电商场景冷启动推荐方法,其特征在于,包括:数据采集模块、因果分析模块、元学习模块以及冷启动推荐模块;
所述数据采集模块,用于获取用户特征数据和商品特征数据,将提取到的用户和商品特征向量化;
所述因果分析模块,用于分析用户特征数据与商品特征数据之间的交互因果关系,结合领域知识构建因果图,采用因果推断方法,量化用户行为对商品推荐的因果影响因子;
所述元学习模块,基于元学习框架构建电商销售场景下冷启动的商品推荐模型,并将冷启动问题转化为跨任务的迁移学习问题;基于历史任务数据训练元模型,使元模型学习不同任务间的通用模式,适配电商销售场景下的冷启动任务;
所述冷启动推荐模块,用于将因果推断得到的影响因子作为约束条件,优化元学习推荐模型的目标函数;针对不同用户或商品的特定因果关系,设计个性化的推荐策略,结合因果推断的约束条件生成个性化的冷启动推荐结果。
11.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1至9任一项所述的结合元学习与因果推断的电商场景冷启动推荐方法。
12.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至9任一项所述的结合元学习与因果推断的电商场景冷启动推荐方法。