[发明专利]一种基于层次化对比学习的商品推荐方法及系统

权利要求书

1.一种基于层次化对比学习的商品推荐方法，其特征在于，包括以下步骤：

基于Auto-Encoder架构，引入全局对比和自身对比学习策略，对用户与商品的交互序列进行优化学习，输出用户的高层兴趣表征与重构后的用户与商品的交互序列；

将用户的高层兴趣表征与用户的低层兴趣表征进行融合处理并通过高层对比学习策略对融合过程进行优化，得到用户的综合表征向量；

对重构后的用户与商品的交互序列与用户的综合表征向量进行点乘计算，得到下一时刻用户与候选商品交互的概率；

选取下一时刻用户与候选商品交互的概率对应最大的商品作为下一项推荐商品。

2.根据权利要求1所述一种基于层次化对比学习的商品推荐方法，其特征在于，所述基于Auto-Encoder架构，引入全局对比和自身对比学习策略，对用户与商品的交互序列进行优化学习，输出用户的高层兴趣表征与重构后的用户与商品的交互序列这一步骤，其具体包括：

获取用户与商品的交互序列即用户的低层兴趣表征；

将用户与商品的交互序列输入至Auto-Encoder架构进行学习，所述Auto-Encoder架构包括项目嵌入层、用户编码层和用户解码层；

引入全局对比学习策略，通过重构损失函数和全局对比损失函数对Auto-Encoder架构的学习过程进行优化处理，输出重构后的用户与商品的交互序列；

引入自身对比学习策略，通过自身对比损失函数对Auto-Encoder架构中的项目嵌入层和用户编码层的学习过程进行优化，输出用户的高层兴趣表征。

3.根据权利要求2所述一种基于层次化对比学习的商品推荐方法，其特征在于，所述将用户与商品的交互序列输入至Auto-Encoder架构进行学习这一步骤，其具体包括：

基于Auto-Encoder架构的项目嵌入层，将商品id转化为商品编码向量与采用常见的相对位置编码，即用正余弦函数表示绝对位置，通过两者乘积得到相对位置；

基于Auto-Encoder架构的用户编码层，采用基于Transformer的Encoder结构，包括多头注意力层、第一残差连接层、第一层归一化层、前馈网络层、第二残差连接层和第二层归一化层，所述用户编码层用于对项目嵌入层的输出结果进行编码处理，得到待优化的用户高层兴趣表征；

基于Auto-Encoder架构的用户解码层，采用Transformer架构中的decoder结构，包括自注意力层、第一残差连接层、第一层归一化层、多头注意力层、第二残差连接层、第二层归一化层、前馈网络层、第三残差连接层和第三层归一化层，所述用户解码层用于对用户的高层兴趣表征进行解码处理，得到待优化的重构用户与商品的交互序列。

4.根据权利要求3所述一种基于层次化对比学习的商品推荐方法，其特征在于，所述引入全局对比学习策略，通过重构损失函数和全局对比损失函数对Auto-Encoder架构的学习过程进行优化处理，输出重构后的用户与商品的交互序列这一步骤，其具体包括：

基于Jaccard计算所有用户之间的行为序列相似度，为每个用户挑选最相似用户序列作为正样本；

将Jaccard相似度＝0挑选为用户的随机负样本；

根据用户行为序列中商品出现的频数计算用户的流行度倾向，挑出用户的hard负样本行为序列；

将正负样本等数据打包至DataLoader，在预训练阶段送入模型中，经用户编码层产生待优化的用户高层兴趣表征，采用重构损失函数和全局对比损失函数优化，并反向更新商品编码层，输出重构后的用户与商品的交互序列。