欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025103142712
申请人: 暨南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于异构迁移学习的冷启动用户推荐方法,其特征在于,包括:获取用户的第一信息数据,其中,所述用户的第一信息数据包括:暖用户和冷启动用户的社交关系数据以及暖用户的历史交互数据;

对所述用户的第一信息数据进行特征增强处理,获得用户的第二信息数据,包括:通过零填充手段来进行数据特征增强,公式如下:;

其中,为用户的第二信息数据,为暖用户的社交关系数据,暖用户的历史交互数据,是冷启动用户的社交关系数据;

对所述用户的第二信息数据采用自编码器或者是基于神经网络的自编码器进行依次进行空间映射处理、特征匹配处理和分布对齐处理,获得用户的第三信息数据,包括:使用自编码器将所述用户的第二信息数据的从原始空间映射到低维潜在空间,然后通过自编码器重构的来获得冷启动用户的未知交互,其中,构建空间映射处理过程中的损失函数:;

;

其中,𝐈是单位矩阵,𝐗是用户的第二信息数据,∥·∥𝐹是欧几里得范数,𝐖是映射矩阵,𝐖T是𝐖的转置,𝑇𝑟(·)是映射矩阵的迹;

构建特征匹配处理过程中的损失函数:;

;

,;

其中,为特征匹配中的损失函数,和为映射矩阵,是映射矩阵的转置,是项目数量,是用户社交关系的特征维度;

构建分布对齐处理过程中的损失函数:;

;

;

;

其中,为分布对齐处理的损失函数,和分别是和的第i个和第j个向量,是用户数量,是暖用户数量,是冷启动用户数量;

根据所述用户的第三信息数据,构建目标推荐模型;

根据所述目标推荐模型,生成冷启动用户的推荐列表。

2.根据权利要求1所述的基于异构迁移学习的冷启动用户推荐方法,其特征在于,根据所述用户的第三信息数据,构建目标推荐模型,具体公式如下:;

;

;

;

;

其中,和为超参数,用来平衡三个损失函数之间的权重;为总体损失函数,为拉格朗日函数,为对称矩阵。

3.根据权利要求1所述的基于异构迁移学习的冷启动用户推荐方法,其特征在于,对所述用户的第二信息数据基于神经网络的自编码器进行依次进行空间映射处理、特征匹配处理和分布对齐处理,获得用户的第三信息数据,具体如下:获取低维空间内的重构数据,公式如下:;

;

;

;

;

其中,是非线性 ReLU 激活函数,是(l)和(l +1)层之间的网络参数,和分别是(l)和(l+1)层中的表示;是编码器;是(l)和(l+1)层之间的网络参数;是解码器;

构建空间映射处理过程中的损失函数,公式如下:;

其中,是均方误差;

构建特征匹配处理过程中的损失函数,公式如下:;

其中,是均方误差;

构建分布对齐处理过程中的损失函数,公式如下:;

其中,是 MMD 损失。

4.根据权利要求3所述的基于异构迁移学习的冷启动用户推荐方法,其特征在于,根据所述用户的第三信息数据,构建目标推荐模型,具体如下:构建所述目标推荐模型的总体损失函数,公式如下:;

其中,为总体损失函数;

计算所述总体损失函数的梯度;然后通过优化器更新参数。

5.根据权利要求1所述的基于异构迁移学习的冷启动用户推荐方法,其特征在于,所述方法还包括:对所述推荐列表的结果进行评估,评估指标包括:计算精度、召回率、归一化折扣累积增益以及击中率。

6.根据权利要求5所述的基于异构迁移学习的冷启动用户推荐方法,其特征在于,对所述推荐列表的结果进行评估,评估指标包括:计算精度、召回率、归一化折扣累积增益以及击中率,具体计算公式如下:计算精度评估公式如下:

;

其中,是冷启动用户的数量,是第个冷启动用户的真实偏好物品,而是为第𝑖个冷启动用户推荐的top-𝐾个物品列表;

召回率评估公式如下:

;

归一化折扣累积增益评估公式如下:;

其中是位于位置𝑖的物品的相关性评分,IDCG 被设定为确保完美排名导致归一化折扣累积增益值为1;

击中率评估公式如下:

;

其中,定义为正确推荐的物品总数除以所有用户偏好物品的总数。

7.一种基于异构迁移学习的冷启动用户推荐系统,其特征在于,包括:数据获取模块,用于获取用户的第一信息数据,其中,所述用户的第一信息数据包括:暖用户和冷启动用户的社交关系数据以及暖启动用户的历史交互数据;

特征匹配模块,用于对所述用户的第一信息数据进行特征增强处理,获得用户的第二信息数据,包括:通过零填充手段来进行数据特征增强,公式如下:;

其中,为用户的第二信息数据,为暖用户的社交关系数据,暖用户的历史交互数据,是冷启动用户的社交关系数据;

数据处理模块,用于对所述用户的第二信息数据采用自编码器或者是基于神经网络的自编码器进行依次进行空间映射处理、特征匹配处理和分布对齐处理,获得用户的第三信息数据,包括:使用自编码器将所述用户的第二信息数据的从原始空间映射到低维潜在空间,然后通过自编码器重构的来获得冷启动用户的未知交互,其中,构建空间映射处理过程中的损失函数:;

;

其中,𝐈是单位矩阵,𝐗是用户的第二信息数据,∥·∥𝐹是欧几里得范数,𝐖是映射矩阵,𝐖T是𝐖的转置,𝑇𝑟(·)是映射矩阵的迹;

构建特征匹配处理过程中的损失函数:;

;

,;

其中,为特征匹配中的损失函数,和为映射矩阵,是映射矩阵的转置,是项目数量,是用户社交关系的特征维度;

构建分布对齐处理过程中的损失函数:;

;

;

;

其中,为分布对齐处理的损失函数,和分别是和的第i个和第j个向量,是用户数量,是暖用户数量,是冷启动用户数量;

构建模块,用于根据所述用户的第三信息数据,构建目标推荐模型;

推荐列表生成模块,用于根据所述目标推荐模型,生成冷启动用户的推荐列表。

8.一种计算机电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的基于异构迁移学习的冷启动用户推荐方法的步骤。