[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

说明书

本发明公开了一种基于层次化对比学习的商品推荐方法及系统，该方法包括：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并进行融合处理并通过高层对比学习策略进行优化，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；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。通过使用本发明，通过改进用户行为表征的学习以及推荐算法过程以提升商品序列推荐的准确性。本发明作为一种基于层次化对比学习的商品推荐方法及系统，可广泛应用于用户商品推荐技术领域。

技术领域

本发明涉及用户商品推荐技术领域，尤其涉及一种基于层次化对比学习的商品推荐方法及系统。

背景技术

随着信息的爆炸式增长，通过互联网提供服务的平台类型多样，相应的服务种类例如购物、视频、新闻、音乐、婚恋和社交等层出不穷，为了提高信息获取与分发的效率，序列推荐算法通过分析用户与物品的历史交互行为得到用户的长期和短期兴趣偏好以实现更加精准的推荐效果，在工业界和学术界都得到了广泛研究和应用；

当用户行为数据充足时，通常采用RNN、Transformer和GNN等模型可以较好地适用于序列推荐任务；然而，在现实应用中往往面临着数据稀疏与冷启动问题(新用户加入并且与物品/服务的交互数据不足)，上述方法对用户画像的学习不够理想。因此，一种较为直接的解决思路是利用额外的辅助信息，例如物品信息、评论信息、打分信息等，构建用户或商品间更细粒度联系，丰富自身信息量。然而，此类方法的效果对辅助信息的依赖性较强，并且辅助信息的获取通常受限于特定的场景平台，数据获取的代价高；另一种更有效的解决思路是立足于现有数据，通过数据增广或多角度方法处理数据，尽可能提升每条数据的使用率，从而改进用户兴趣表征(用户画像)的学习。对比学习技术借助数据增广，利用数据本身大量的无监督语义信息进行优化，可以大大缓解数据稀疏问题，但是现有相关的对比学习技术都仅利用单层级的对比，例如基于用户原始行为序列增广、模型间对比，语义信息利用不够充分，视角相对单一。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于层次化对比学习的商品推荐方法及系统，通过改进用户行为表征的学习以及推荐算法过程以提升商品序列推荐的准确性。

本发明所采用的第一技术方案是：一种基于层次化对比学习的商品推荐方法，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。

进一步，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；