[发明专利]一种提高协同过滤模型稳定性的方法

说明书

一种提高协同过滤模型稳定性的方法，由于产品的视觉外观对消费者的抉择有着越来越重要的影响，产品视觉特征在推荐中越来越受到关注。利用新的网络结构BDN(Brain‑inspired Deep Network)提取的美学特征相较于从传统卷积神经网络提取用来表示图像的CNN特征，对于推荐系统能起到更好的推荐效果。但并未有学者研究过美学特征对于推荐算法鲁棒性的影响，因此本发明中我们主要就随时间变化的美学因子是否会影响模型的鲁棒性展开。我们通过对模型动态美学因子嵌入式矩阵加对抗性扰动发现其会使模型鲁棒性下降，在此前提下，采用对模型进行对抗性训练的方式进行改善，增强了原有模型的鲁棒性和泛化能力。

技术领域

本发明涉及提高推荐系统稳定性领域，采用目前比较成熟的平台Tensorflow提高模型的鲁棒性，具体涉及一种提高协同过滤模型稳定性的方法。

背景技术

现有的推荐技术方面的研究，有的根据应用场景考虑不同的影响因素构建新的算法，有的则是利用新的融合方式来优化算法，早期的融合技术是通过将多特征空间映射到一个统一空间实现，后期则是使用不同特征的结果列表，并利用候选结果进行融合实现，都是以不同的形式将特征有效整合来提升算法性能。还有的是通过提出新型的特征提取技术优化所得特征质量，间接地优化算法。

但基本上目前所有的研究都是集中在如何提高推荐的准确率，而对于推荐算法的鲁棒性问题的研究屈指可数。提高模型鲁棒性以抵挡来自外界的破坏就显得十分重要。于是我们需要一种有效的方法来对推荐系统的鲁棒性进行提高。

发明内容

为了提高推荐系统的鲁棒性，本发明提出了一种提高协同过滤模型稳定性的方法，提高了模型的鲁棒性，能抵抗来自外界的恶意攻击。

为实现上述的目标，本发明采用的技术方案为：

一种提高协同过滤模型稳定性的方法，包括以下步骤：

步骤1：训练动态美学协同过滤推荐系统模型DCFA得到收敛参数；

所述DCFA的预测模型为：

其中U、V、T分别是用户、产品以及时间的嵌入矩阵，M是用户偏好矩阵，W是产品潜在特征矩阵，N是在时间r时的偏好矩阵，F是特征矩阵，u、i、r分别表示用户、物品、时间；

步骤2：构建对抗性扰动Δadv，即得到使BPR优化方法损失最大的扰动，过程如下：

其中∈≥0是控制扰动幅度的超参数，||·||是L2范数，对应的目标函数如下：

其中，和如下表示：

步骤3：在DCFA模型上添加步骤2得到的对抗性扰动得到模型ADCFA；

模型ADCFA为：

其中，Δ_i表示加入到特征嵌入矩阵的对抗性扰动；

步骤4：将步骤1得到的收敛参数作为模型ADCFA的初始值；

步骤5：使用随机梯度下降方法SGD优化模型ADCFA；

步骤6：通过步骤5的方法更新得到模型的参数Θ。

进一步，所述方法还包括以下步骤：

步骤7：将原先的模型DCFA和模型ADCFA进行泛化性能的对比；