[发明专利]基于几何非纠缠变分自动编码器学习几何解耦表示的方法

权利要求书

1.一种基于几何非纠缠变分自动编码器学习几何解耦表示的方法，其特征在于，包括以下步骤：

S1、方法定义：用户行为数据集D由用户和物品之间的交互组成，用户u和物品i之间的交互用f_u,i∈{0,1}表示，其中f_u,i＝1表示u对i有偏好，f_u,i＝0表示u和i之间没有记录的交互作用，使用f_u＝{f_u,i:f_u,i＝1}来表示用户u喜欢物品i的集合；任务目标是学习用户和物品的表示，模型中的可训练参数集表示为θ；用户的解耦表示表示为其中是一种在M_k中的解耦表示，用于捕捉用户对理念k的偏好；物品没有解耦表示，使用欧几里德表示物品与兴趣之间的交互用表示，其中c_i＝[c_i,1,c_i,2,…,c_i,k]指示物品是否属于该兴趣归因的理念；用p(c_i,k)表示物品i属于兴趣k的概率，假设观测数据是使用相应的用户因子表示以及物品理念分配分布p(C):p(f_u|z_u,C)＝Sim(z_u,C)，其相应的目标是在用户因子表示的分布上z_u最大化用户观测数据h_u的期望边际可能性：对于给定的观察用户行为f_u，用概率分布q_θ(z_u|f_u,C)描述因子表示z_u和物品理念分配C的推断后验配置；

S2、兴趣对齐：利用基于原型的理念分配计算物品和理念之间的分配概率；

S3、几何解耦表示：将p_θ(z_u)设为统一高斯分布，利用非欧几里德神经网络获得平均值和标准差利用q_θ(z_u|f_u,C)计算用户u的表示；

S4、几何共享用户行为重构：根据用户和物品之间的相似性预测M。

2.根据权利要求1所述的基于几何非纠缠变分自动编码器学习几何解耦表示的方法，其特征在于，步骤S1在概率分布q_θ(z_u|f_u,C)上引入约束并将q_θ(z_u|f_u,C)匹配到单位高斯先验p_θ(z_u)。

3.根据权利要求1所述的基于几何非纠缠变分自动编码器学习几何解耦表示的方法，其特征在于，步骤S2利用K原型来描述空间中理念的锚点

4.根据权利要求3所述的基于几何非纠缠变分自动编码器学习几何解耦表示的方法，其特征在于，步骤S2在比较物品和原型之前将它们映射到空间，具体方法为：假设所有项都存在于切线空间，即T₀M，然后将它们转换为M_k通过；假设物品表示来自并通过并行传输将其转换为以获得原型特定项表示：计算变h_i′和m_k之间的相似性。

5.根据权利要求4所述的基于几何非纠缠变分自动编码器学习几何解耦表示的方法，其特征在于，计算变h_i′和m_k之间的相似性的方法为：将h_i′转到M_k流形，h_i′和m_k的相似度可以通过它们的测地距离来测量。

6.根据权利要求4所述的基于几何非纠缠变分自动编码器学习几何解耦表示的方法，其特征在于，计算变h_i′和m_k之间的相似性的方法为：计算h_i′在上的范数s_i，k＝-||h_i′||_κ，物品属于理念的概率由softmax函数计算：其中τ是缩放值的超参数，τ∈(0,1)。