申请/专利权人：哈尔滨工业大学

申请日：2024-02-08

公开（公告）日：2024-06-28

公开（公告）号：CN117933304B

主分类号：G06N3/044

分类号：G06N3/044;G06N3/042;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.05.14#实质审查的生效;2024.04.26#公开

摘要：一种基于自监督的多视角会话推荐桥接模型，涉及会话推荐技术领域，本发明为了解决现有的会话推荐模型没有将基于序列和基于图的会话推荐方案进行整合，没有实现在整合图模式和序列模式的同时保留相应的特征以最大化单一模式优势并提高会话推荐模型整体性能，从图到序列的转换过程伴随着结构和会话间信息的丢失等问题。本发明利用自监督学习框架将基于序列和基于图的会话推荐这两种方案结合起来，将图模式和序列模式视为两个单独的通道，通过对比学习架构集成了上述两个通道。在DC‑Rec模型中，通过通道间对比桥接模块在会话中吸收图和序列知识。通过最大化两个通道之间的互信息，将两种模式信息进行了较为充分的融合。实验结果表明DC‑Rec始终优于其他最先进的会话推荐方法。

主权项：1.一种基于自监督的多视角会话推荐桥接模型，其特征在于，所述模型为将基于会话的推荐中结构模式和顺序模式整合起来的端到端的会话推荐模型，结构模式即图模式，顺序模式即序列模式；所述模型从输入到输出包括嵌入层、图通道、序列通道、通道间对比桥接模块和预测层；嵌入层用于读取会话图、会话序列后经处理后分别输入给对应的图通道、序列通道，嵌入层针对图通道和序列通道分别进行了独立的嵌入表示，分别在两通道进行独立传播后完成信息聚合；在图通道中，首先从全局和局部视图构造会话图；再通过局部和全局的图神经网络架构得到物品嵌入，然后将全局嵌入和局部嵌入相结合，得到图形化的会话表示，完成SBR的结构特征建模；在序列通道中，将会话视为会话序列，并利用循环神经网络对序列转换模式进行建模；通道间对比桥接模块，用于分别从图通道和序列通道中提取结构模式信息和顺序模式信息，采用自监督学习，并部署一个基于对比学习的跨通道集成模块来桥接两个独立的通道，以从不同的角度吸收不同的模式知识；预测层用于读取通道间对比桥接模块的信息，并根据通道间对比桥接模块的输入信息给出预测结果：根据用户在会话中的交互历史来预测用户的下一个交互物品；所述通道间对比桥接模块的实现过程为：图通道捕获基于会话的结构模式知识，序列通道捕获顺序模式知识，利用对比学习来最大化这两个渠道之间的互信息，实现在基于会话的推荐中将所述两种渠道的知识能相互补充地描述候选物品，将带有二元交叉熵损失的InfoNCE作为预测目标，同时最小化相同会话的不同通道表示之间的距离并最大化不同会话的距离，将自监督损失项表示为： 其中，用双线性相似函数f·，·作为自监督鉴别器，并使用可训练的权重矩阵捕获通道嵌入之间的相关性，表示小批量规模；sgraph为图通道会话表示，sseq为会话嵌入；所述模型的训练过程为：采用主损失+附加损失架构，将主预测目标和对比辅助损失项结合起来，并利用衰减因子来平衡权重： 利用预训练机制来保持每个通道的独立性，用相应的损失或独立训练每个通道，单独通道训练完成的模型嵌入表示成为DC-Rec整体模型的对应通道预训练向量载入，完成模型的性能优化目标。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于自监督的多视角会话推荐桥接模型

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD