[发明专利]一种融合从众性建模的去偏新闻推荐方法

权利要求书

1.一种融合从众性建模的去偏新闻推荐方法，其特征是按如下步骤进行：

步骤1、获取用户历史交互新闻数据集Q，并将其中任一用户u的历史点击新闻序列记为D_H、候选新闻序列记为D_C，将所述候选新闻序列D_C中的任意一则候选新闻为x_c，令所述候选新闻x_c的点击标签为y_c，y_c∈{0，1}，其中，y_c＝1表示用户u点击过候选新闻x_c，y_c＝0表示用户u未点击候选新闻x_c，由用户u点击过的所有候选新闻构成正样本集由用户u未点击过的所有候选构成负样本集

令D∈{D_H，D_X}表示用户u的历史点击新闻序列D_H和候选新闻序列D_C中任意一则新闻；对新闻D进行预处理，得到D的标题的单词序列W_D、主题的ID序号T_D、子主题的ID序号V_D；

步骤2、分析用户u的点击行为，从而根据用户偏好与新闻的匹配度、新闻流行度以及用户的从众性特质构建因果图；

步骤3、构建新闻推荐模型，包括：用户偏好和新闻匹配度模块、融合从众性模型、MLP网络以及用户点击行为的预测模块；

步骤3.1、所述用户偏好和新闻匹配度模块用于得到用户偏好和新闻的匹配度结果m_uc；

步骤3.2、所述融合从众性模型用于得到用户u的历史点击新闻序列D_H的所有新闻的流行度结果s_H和候选新闻序列D_X中的候选新闻x_c的流行度结果s_c以及用户u的初步从众性特质结果

步骤3.3、所述用户u的初步从众性特质结果输入所述MLP网络中进行处理，得到用户u的权重

所述历史点击新闻序列D_H中所有新闻的流行度结果s_H输入MLP网络中进行处理，得到历史点击新闻D_H的权重w_a；

步骤3.4、利用式(1)得到用户u的最终从众性特质结果c^u：

式(1)中，Softplus(·)表示激活函数；

步骤3.5、所述用户点击行为预测模块通过式(2)预测用户u对候选新闻x_c的点击概率分数结果

步骤4、利用负对数似然损失函数对新闻推荐模型进行迭代训练；

步骤4.1、利用负采样方法在所述正样本集中采样一个正样本同时在所述负样本集中随机采样K个负样本从而利用式(3)得到正样本的点击概率分数和K个负样本的点击概率分数其中，表示第j个负样本，即第j则未点击的候选新闻，表示第j个负样本的点击概率分数；

利用式(3)得到正样本的后验点击概率分数p_ui：

步骤4.2、利用式(4)构建负对数似然损失函数

式(4)中，p_uD表示用户u对新闻D的后验点击概率分数；

步骤4.3、基于用户u的历史点击新闻序列D_H和候选新闻序列D_C对所述新闻推荐模型进行训练，并采用AdamW优化器对所述负对数似然损失函数进行最小化求解，从而对模型所有参数进行优化，并得到最优新闻推荐模型，用于预估用户对新闻的点击率；

步骤5、在推理阶段，将新闻流行度结果s_c设为定值s^*，将用户从众性特质c^u分别设为定值c^*，从而所述最优新闻推荐模型通过式(5)预测用户u对候选新闻x_c的点击概率分数