[发明专利]一种信息增强的缓解推荐用户冷启动问题的元学习方法

权利要求书

1.一种信息增强的缓解推荐用户冷启动问题的元学习方法，其特征在于，包括以下步骤：

（1）、基于评论关系构建用户、物品的邻接矩阵，然后基于所述邻接矩阵构建用户-物品交互二部图，所述用户-物品交互二部图中以用户、物品分别作为节点；

（2）、根据物品自身的属性特征生成物品节点的嵌入向量，并利用聚合方法生成用户节点的嵌入向量；

（3）、对所述用户-物品交互二部图进行采样以构建元学习任务的数据集；

（4）、利用bert模型从用户对物品的评论文本中提取用户偏好信息；

（5）、搭建全连接网络作为推荐模型，向推荐模型中加入所述用户节点的偏好信息，并采用步骤（3）得到的数据集训练所述推荐模型，基于训练结果将推荐模型的全局参数更新至最优参数；

（6）、使用全局参数为最优参数的推荐模型，对新用户进行物品推荐。

2.根据权利要求1所述的一种信息增强的缓解推荐用户冷启动问题的元学习方法，其特征在于，所述步骤（1）中，获取用户对物品的评论文本，基于评论文本得到用户、物品的评论关系。

3.根据权利要求1所述的一种信息增强的缓解推荐用户冷启动问题的元学习方法，其特征在于，所述步骤（1）中，用户-物品交互二部图以所述邻接矩阵作为用户-物品交互二部图的边。

4.根据权利要求1所述的一种信息增强的缓解推荐用户冷启动问题的元学习方法，其特征在于，所述步骤（2）中，根据物品自身的属性特征生成物品节点的嵌入向量。

5.根据权利要求1所述的一种信息增强的缓解推荐用户冷启动问题的元学习方法，其特征在于，所述步骤（2）中，利用聚合函数聚合用户-物品交互二部图中每个用户的邻居物品节点蕴含的信息，以生成用户节点的嵌入向量。

6.根据权利要求1所述的一种信息增强的缓解推荐用户冷启动问题的元学习方法，其特征在于，所述步骤（3）中，所述元学习任务的数据集包括支持集和查询集，分别对应传统机器学习任务数据集中的训练集和测试集，其中：

在所述用户-物品交互二部图选取部分用户节点，对选取的每个用户分别随机采样多个一阶邻居，即为每个用户节点选取一阶的邻居作为历史交互物品，由此构成元训练任务的训练数据集即支持集；

在为每个用户采样支持集的过程中，对用户未采样过一阶邻居进行采样，构成元训练任务的测试数据集即查询集，保证支持集和查询集的相互独立，防止数据窥探偏误。

7.根据权利要求1或6所述的一种信息增强的缓解推荐用户冷启动问题的元学习方法，其特征在于，所述步骤（4）的 bert模型中，首先对每个用户的多个历史交互物品生成评论文本的词嵌入，然后利用语言模型对词嵌入进行训练，即使用bert模型中的双向Transformer对词嵌入进行特征提取，得到新的向量，将各个用户得到的新向量进行拼接后，得到用户偏好信息。

8.根据权利要求1所述的一种信息增强的缓解推荐用户冷启动问题的元学习方法，其特征在于，所述步骤（6）中，使用全局参数为最优参数的推荐模型，计算每个用户与物品间的预测评分，根据预测评分对新用户进行物品推荐。