[发明专利]一种物品推荐方法、装置、设备及计算机可读存储介质

说明书

本发明公开了一种物品推荐方法，该方法包括以下步骤：接收请求端发送的物品访问请求；利用跨域推荐模型对物品访问请求进行解析，得到目标物品集；其中，跨域推荐模型为通过在嵌入层加入对抗扰动进行对抗训练得到；将目标物品集输出推荐给请求端。应用本发明实施例所提供的技术方案，较大地提高了物品推荐的准确性。本发明还公开了一种物品推荐装置、设备及存储介质，具有相应技术效果。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种物品推荐方法、装置、设备及计算机可读存储介质。

背景技术

由于信息爆炸，推荐系统在当今世界起着至关重要的作用。在各种推荐技术中，协同过滤(CF)学习用户历史偏好来向用户提供个性化的推荐是最受欢迎和使用最广泛的方法。协同过滤方法被扩展到许多推荐技术中，例如矩阵分解(MF)和神经协作过滤(NCF)。但是，现有的协同过滤方法仍然会受到数据稀疏问题的影响。跨域推荐可以从相关领域迁移知识以缓解数据稀疏性的问题，从而提高模型推荐性能。例如，用户同时购买了一些书籍和看了一些电影，而用户对书籍和电影的偏好某些方面可能是一致的。利用用户对某些电影的偏好，我们可以更好的为用户推荐一些书籍。在跨域推荐的发展过程中，出现了许多推荐方法。联合矩阵分解(CMF)是一种典型的方法，它通过共享用户潜在因子来分解在两个域中的用户—物品交互矩阵。带有分解机(FM)的跨域协同过滤通过在合并域上应用分解来扩展分解机。协同跨域网络(Conet)在两个网络间添加交叉连接来实现域间的双向知识迁移。随着各种先进的方法出现，跨域推荐取得了很大的成功。

但是，现有的跨域物品推荐方法很少考虑跨域模型的鲁棒性，这对于模型的泛化性是充分必要的。尽管使用跨域技术可以缓解数据稀疏问题，跨域模型的鲁棒性却很差。在跨域模型的参数上添加了一些细微但有意的扰动，模型的性能下降了很多。鲁棒性差意味着模型的泛化中可能存在较大误差。有几个原因导致了跨域模型较差的鲁棒性。首先，跨域推荐技术通常用于缓解数据稀疏性问题，因此用于跨域推荐的数据集比常规推荐任务稀疏得多。从稀疏数据中学习鲁棒的参数表示更加困难。其次，与仅对一个数据域进行建模的单域模型相比，跨域模型更加复杂。复杂模型更容易受到噪声的影响。另外，当将知识从源域迁移到目标域时，可能会迁移无用的噪声而不是有用的知识。辅助域的噪声对知识的迁移提出了挑战，从而很可能会破坏跨域推荐模型的鲁棒性，降低物品推荐的准确性。

综上所述，如何有效地解决现有的物品推荐方式物品推荐的准确性低的问题，是目前本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种物品推荐方法，该方法较大地提高了物品推荐的准确性；本发明的另一目的是提供一种物品推荐装置、设备及计算机可读存储介质。

为解决上述技术问题，本发明提供如下技术方案：

一种物品推荐方法，包括：

接收请求端发送的物品访问请求；

利用跨域推荐模型对所述物品访问请求进行解析，得到目标物品集；其中，所述跨域推荐模型为通过在嵌入层加入对抗扰动进行对抗训练得到；

将所述目标物品集输出推荐给所述请求端。

在本发明的一种具体实施方式中，利用跨域推荐模型对所述物品访问请求进行解析，包括：

利用隐藏层为塔式结构的跨域推荐模型对所述物品访问请求进行解析。

在本发明的一种具体实施方式中，利用跨域推荐模型对所述物品访问请求进行解析，得到目标物品集，包括：

利用跨域推荐模型对所述物品访问请求进行解析，得到候选物品集；其中，所述候选物品集中各候选物品均携带有对应的评分值；

按照所述候选物品集中各所述候选物品的评分值大小对各所述候选物品进行排序，得到排序结果；