[发明专利]一种基于自适应Margin对称度量学习的推荐方法和装置

权利要求书

1.一种基于自适应Margin对称度量学习的推荐模型构建方法，其特征在于，包括以下步骤：

根据给定的用户交互记录，通过度量学习方法拟合用户-物品的关系；

采用基于triple-loss的欧氏度量学习范式对用户-物品的关系进行建模；

使用基于user-centric和item-centric的几何对称的关系度量方法，对用户-物品的关系进行度量；其中，user-centric是以用户为中心，item-centric是以物品为中心；

采用自适应Margin的方法，自动学习得到用户和物品的边界Margin；

将自适应Margin与用户-物品的偏置建立联系，解释其物理含义；

使用多任务学习框架将user-centric、item-centric和自适应Margin三部分联合训练，得到推荐模型。

2.如权利要求1所述的方法，其特征在于，所述根据给定的用户交互记录，通过度量学习方法拟合用户-物品的关系，包括：给定用户-物品交互记录，首先抽取正样本positive-item、负样本negative-item，然后构建出三元组user,positive-item,negative-item。

3.如权利要求1所述的方法，其特征在于，所述采用基于triple-loss的欧氏度量学习范式对用户-物品的关系进行建模，是在欧氏度量空间学习用户-物品的表征向量，并采用triple-loss的范式进行建模。

4.如权利要求1所述的方法，其特征在于，所述user-centric是以用户为中心，计算三元组u,v,v^-的三元组损失triple-loss，其中u,v,v^-为三元组user,positive-item,negative-item的简写形式，即u表示用户，v表示正样本，v^-表示负样本；给定一个Margin记为m_u，triple-loss的计算方式如下，其中d表示距离：

d(u,v)+m_u≤d(u,v^-)；

所述item-centric是以正样本为中心，计算三元组v,u,v^-的triple-loss，给定一个Margin记为n_v，triple-loss的计算方式如下：

d(v,u)+n_v≤d(v,v^-)。

5.如权利要求1所述的方法，其特征在于，所述采用自适应Margin的方法，自动学习得到用户和物品的边界Margin，包括：

定义用户个性化的可训练Margin，根据梯度下降的方法，自动学习用户的Margin；

定义物品个性化的可训练Margin，根据梯度下降的方法，自动学习物品的Margin。

6.如权利要求1所述的方法，其特征在于，所述多任务学习框架将user-centric、item-centric和自适应Margin三部分融合在一起，并用超参数控制每一部分的权重，其目标函数为：

s.t.，m_u∈(0，l]，n_v∈(0，l]

其中，L_AM表示自适应Margin的目标函数；m_u代表用户u的Margin；U代表用户集合；n_v代表物品v的Margin；l，λ和γ是超参数。

7.一种基于自适应Margin对称度量学习的推荐方法，其特征在于，包括以下步骤：

接收用户输入的交互记录；

根据用户输入的交互记录，利用权利要求1～6中任一权利要求所述方法构建的推荐模型，得到推荐的物品。