[发明专利]一种基于解纠缠表示学习的个性化标签推荐方法

说明书

本发明属于人工智能推荐系统领域，公开了一种基于解纠缠表示学习的个性化标签推荐方法，包括：首先，获得各个潜在意图的分块表示，利用图解纠缠模块，将潜在意图的分块表示与对应意图进行耦合，得到用户、物品、面向用户的标签和面向物品的标签的解纠缠嵌入表示，利用独立性模块计算不同意图之间的独立性损失，利用成对张量分解算法学习用户、物品、面向用户的标签和面向物品的标签的嵌入式表示，使用用户和面向用户的标签的嵌入表示的内积与物品和面向物品的标签的嵌入表示的内积之和预测标签的评分，提供个性化的标签推荐。本发明不仅提高了个性化标签推荐算法的准确性，还提升了个性化标签推荐算法的可解释性，使用户更加信赖推荐结果。

技术领域

本发明属于人工智能推荐系统领域，具体的说是涉及一种基于解纠缠表示学习的个性化标签推荐方法。

背景技术

推荐算法是人工智能领域当下最受关注的一个方向，它的出现使得用户可以缓解由于互联网发展所带来的信息过载问题。个性化标签推荐在现实世界的应用程序中越来越普遍，它帮助用户从海量的数据中发现感兴趣的物品。

ZL201310206567X公开了一种个性化标签的推荐方法，可以为用户推荐符合个性化需求的标签供用户选择设置，提高用户设置标签的积极性，以及所设置标签的准确性和有效性.

但是传统的个性化标签推荐方法一定程度上忽略了用户和物品交互这些标签时潜在意图的多样性，而采用统一的方法对用户、物品和标签建模，导致次优嵌入式表示，无法建模关系的多样性，也无法区分嵌入表示中的潜在意图。

发明内容

基于现有技术中个性化标签推荐模型中的嵌入函数无法区分潜在意图多样性的问题,本发明提出了一种基于解纠缠表示学习的个性化标签推荐方法,在传统的协同过滤算法中，集成解纠缠表示学习模块，使模型更容易抽取任务相关的抽象信息，更细粒度的划分潜在意图，提高个性化标签推荐算法的可解释性从而提升个性化标签推荐算法的性能。

为了达到上述目的,本发明是通过以下技术方案实现的：

本发明是一种基于解纠缠表示学习的个性化标签推荐方法，含以下步骤：

步骤1)，给定用户、物品及标签ID信息，构建用户、物品、面向用户的标签和面向物品的标签的嵌入表示，并且按照潜在意图将用户嵌入式表示、物品嵌入式表示、面向用户的标签嵌入式表示和面向物品的标签嵌入式表示进行分块，获得各个潜在意图的分块表示。

步骤2)，利用图解纠缠模块，将潜在意图的分块表示与对应意图进行耦合，得到用户、物品、面向用户的标签和面向物品的标签的解纠缠嵌入表示。

步骤3)，在用户、物品、面向用户的标签和面向物品的标签的解纠缠嵌入表示基础之上，利用独立性模块计算不同意图之间的独立性损失。

步骤4)，利用成对张量分解算法学习用户、物品、面向用户的标签和面向物品的标签的嵌入式表示。

步骤5)，使用用户和面向用户的标签的嵌入表示的内积与物品和面向物品的标签的嵌入表示的内积之和预测标签的评分，根据预测评分提供个性化的标签推荐。

本发明的进一步改进在于：所述步骤1)中，给定用户、物品及标签ID信息，构建用户、物品、面向用户的标签和面向物品的标签的嵌入表示：

e_u＝lookup(U,u)

e_i＝lookup(I,i)