[发明专利]一种基于对齐损失的跨领域推荐冷启动方法

说明书

本发明公开了一种基于对齐损失的跨领域推荐冷启动方法，属于推荐方法技术领域，包括建立推荐问题的数学模型；建立单域潜在因子模型；计算模型的最小损失函数；利用训练完成的用户嵌入函数将用户从源域嵌入到目标域，创建编码‑解码框架，联合重叠数据和非重叠数据，构建低维损失训练模型。本发明所述的基于对齐损失的跨领域推荐冷启动方法通过采用自动编码器‑自动解码器框架将源域和目标域形成全连接的网络，再将源域和目标域中的数据进行降维，创建降维映射函数，避免嵌入高维映射函数在重叠用户和历史数据较少的情况下嵌入难度大的问题，同时对降维后的源域和目标域损失进行重叠用户对齐，有效缓解跨领域冷启动，提高跨领域推荐的性能。

技术领域

本发明涉及一种推荐冷启动方法，特别是涉及一种基于对齐损失的跨领域推荐冷启动方法，属于推荐方法技术领域。

背景技术

在网络信息膨胀的互联网时代，有效的推荐系统在各行各业为生产和生活提供了便利，能够为人们高效提取感兴趣的信息，跨领域推荐能够从各个不同的域提取用户的评价记录、反馈信息、检索记录以及点击信息提取用户感兴趣的数据，再向用户进行推送，在用户没有历史数据或者很少的数据信息时，跨领域推荐的冷启动就成了推荐系统较难克服的问题。

现在的跨领域推荐模型将冷启动用户嵌入映射到目标域时，嵌入维度过大，高维函数作为映射函数的输入和输出函数给推荐模型的优化带来困难，同时，源域和目标域的重叠用户数量少会导致跨领域推荐冷启动的映射函数训练不足，无法充分对映射函数进行充分训练，使得映射函数的推广性能变差。

因此，找到一种基于对齐损失的跨领域推荐冷启动方法，降低映射函数维度并实现低维空间重叠用户对齐，就能够在重叠用户不多的前提下缓解跨域推荐冷启动，有效提高跨领域推荐的性能，降低高维映射函数嵌入的难度。

发明内容

本发明的主要目的是为了解决现有的跨域推荐在重叠用户少且历史数据不足时，因为高维映射函数嵌入困难导致跨领域推荐性能变差以及映射函数训练不足的问题，而提供的一种基于对齐损失的跨领域推荐冷启动方法。

本发明的目的可以通过采用如下技术方案达到：

一种基于对齐损失的跨领域推荐冷启动方法，包括如下步骤：

A1、建立推荐问题的数学模型：创建源域和目标域数据集，并将源域记为S，目标域记为T，源域和目标域均创建项目集V、用户集 U以及评价矩阵T，将r_ij记为评价矩阵中用户u_i对项目v_j的评分，源域的项目集、用户集和评价矩阵记为V_T、U_T和R_T，目标域的项目集、用户集合评价矩阵记为V_S、U_S和R_S，在U_T和U_S存在重叠用户，并将重叠用户集记为U_o，而在冷启动问题中所设置的目标用户是不属于源域用户集U_T且属于目标域用户集U_S的用户；

A2、建立单域潜在因子模型：在源域中，将用户的嵌入和项目的嵌入分别记为和其中d记为嵌入的大小，建立评价矩阵中r_ij的概率模型；

A3、计算模型的最小损失函数：利用极大似然法对r_ij进行评估，求解最小损失，并利用这种估计方法对源域和目标域分别训练出相互独立的概率模型；

A4、利用训练完成的用户嵌入函数将用户从源域嵌入到目标域，创建编码-解码框架，联合重叠数据和非重叠数据，构建低维损失训练模型：将源域连接第一层自动编码器和，将目标域连接第二层自动编码器，第一层自动编码器和第二层自动编码器分别连接有第一层自动解码器和第二层自动解码器，利用第一层自动编码器、第二层自动编码器、第一层自动解码器和第二层自动解码器构建完全连接的网络，利用第一编码器和第二编码器提取源域和目标域中的不变因素，计算重叠用户的低维对齐损失；