[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

说明书

本发明公开了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，首次尝试学习几何解耦表示，并提出了一个几何解耦变分自动编码器模型(GDVAE)，将不同几何空间中的分离表示投影到一个共享的潜在空间中，从而可以利用一个通用的度量来计算接近度，可以学习不同几何特征下的特征，结合不同几何以获得更为有效的特征表示，并通过实验结果证明了所提出的GDVAE模型的有效性。

技术领域

本发明涉及信息技术领域，尤其涉及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。

背景技术

信息技术的飞速发展促进了信息的爆炸式增长，也加剧了信息过载的 挑战。推荐系统的目的是通过为用户推荐一小部分物品来满足他们的个性 化兴趣，从而减轻信息过载。主要基于用户行为来反映用户偏好的学习表 示一直是推荐系统研究的中心课题。在推荐系统中，用户的行为是由用户 决策过程背后许多潜在偏好因素的复杂交互作用所驱动的。一些工作学习 对用户/物品解耦的特征表示，以揭示和解开这些意图因素。

传统的方法通常只学习单个用户/物品的表示向量，而忽略了用户决策 过程中潜在因素之间的复杂交互作用。最近，解耦表示表征学习展示了其 更具有表达性和可解释性特征，其目的是学习解耦表征，揭示和分离隐藏 在观察数据中的潜在解释因素。尽管基于解耦表示的推荐模型具有良好的 性能，但它们只关注欧氏空间上的解耦表示。这样一个基于几何的假设可 能不足以捕捉复杂用户项交互下的潜在因素。

非欧几里德空间(例如双曲和球面空间)最近被广泛研究，以将层次 和环状数据连接嵌入表示中。与具有单一连接类型的树或环状数据不同， 推荐数据集中的用户项交互更为复杂。例如，如图1右所示，用户的高阶 交互可以扩展为树结构。同时，一些物品可能重复出现，导致环状结构(例 如，u₁→i₁→u₂→i₂→u₁)。因此，将这种混合结构分离到一个表达能力有 限的欧几里德空间可能会导致较低的表达能力。

发明内容

本发明针对上述技术问题，提供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。

为了实现上述目的，本发明提供如下技术方案：

本发明提供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，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；