[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

说明书

本发明公开一种基于自适应Margin对称度量学习的推荐方法和装置。该方法包括：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进行建模；设计基于user‑centric和item‑centric的几何对称的关系度量方法；采用自适应Margin的方法自动学习得到用户和物品的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进行联合训练，得到推荐模型；基于该推荐模型为用户进行物品推荐。本发明充分考虑用户个体化差异，能很好地模拟真实场景下的用户‑物品交互关系，能够显著提高物品推荐的性能。

技术领域

本发明属于推荐系统领域，本发明提出了一种基于自适应Margin对称度量学习的推荐方法和装置。具体地说是给定用户交互记录，通过对用户-物品的潜在关系挖掘，为用户推荐其可能感兴趣的物品。

背景技术

在信息过载时代，用户从海量数据中提取感兴趣信息的难度越来越大。为此，推荐系统应运而生。其核心任务是从给定的用户交互记录中，学习用户偏好，主动为用户推荐一些感兴趣的信息。其中最经典的是基于矩阵分解的推荐方法，这类方法学习用户和物品的潜在特征，并采用内积的方式计算相似度或匹配度，操作简单高效，已在电子商务等领域取得巨大成功。

然而，基于内积的相似度或匹配度的度量方式，不满足度量学习中的三角不等式关系，导致以上模型只能模拟用户和物品二者之间的关系，忽略了用户-用户，物品-物品之间的关系。为解决这个问题，基于度量学习的推荐方法被提出，旨在欧氏空间中对用户和物品进行表示，同时采用triple-loss(三元组损失，深度学习的一种损失函数)的范式，使用户点击或喜欢的物品紧紧挨着用户，未点击或不喜欢的物品远离用户。这类方法相比于矩阵分解方法，有很大的性能提升。

尽管现有的度量学习方法在推荐系统中已取得很好的效果，但它们都属于user-centric(以用户为中心)度量，将导致正样本(positive-item)和负样本(negative-item)的距离近，无法区分。对于一个三元组user,positive-item,negative-item，仅考虑了两边关系，忽略了第三边的影响。此外，对于triple-loss范式而言，固定的Margin(边界)并不能适应推荐系统中用户/物品存在偏置的场景。

发明内容

鉴于以上所述的现有技术存在的问题和不足，本发明首先从原理出发，剖析triple-loss范式的固有问题；然后提出基于几何对称的user-centric和item-centric(以物品为中心)度量方式，在此基础上采用自适应Margin策略缓解用户/物品的偏置问题；最后使用多任务框架将以上模块进行统一训练。该方法能很好地模拟真实场景下的用户-物品关系。此外，该方法可为其它领域的度量学习方法提供一定启发。

本发明旨在解决度量学习中用户-物品建模问题，使用了基于自适应Margin对称度量学习的推荐方法。

本发明采用以下技术方案：

第一方面，本发明提供一种基于自适应Margin对称度量学习的推荐模型构建方法，其步骤包括：

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；

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。