基于多行为对比学习的推荐方法及系统

本发明涉及推荐系统，特别是涉及一种基于多行为对比学习的推荐方法及系统。

背景技术：

1、本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

2、推荐系统旨在根据用户的偏好和行为，向其提供个性化推荐，如个性化内容、产品或服务的方法。其目的是提高用户体验，增加用户满意度，促进网站、应用或平台的活跃度和粘性。

3、在各种推荐技术中，协同过滤(collaborative filtering，cf)框架已成为预测用户偏好和提供个性化推荐的有效解决方案之一。该方法基于一个重要的假设，即用户的兴趣和需求可以通过他们的交互行为来推断。

4、具体而言，如果两个用户在网站或应用程序上执行相似的交互行为，例如浏览相似的页面、点击相似的链接或按钮、在特定的类别或主题下搜索等，则可以推断他们对项目具有相似的兴趣。随着近年来深度学习的发展，神经网络已被用于协同过滤架构。虽然这些模型已经取得了一些成功，但它们仍然面临着挑战，比如数据稀疏性问题。

5、为了克服数据稀疏性问题，知识图谱(kgs)作为有用的外部辅助信息被纳入到推荐系统中，通过增加项目的语义相关性来增强用户和项目的表征。并且大多数推荐方法只关注单一类型的用户-物品交互行为。而在现实世界的许多场景中，存在着各种各样的用户行为，仅关注单一类型的用户-物品交互行为，在这种情况下，购买被视为目标行为，而其他行为则称为辅助行为。现有技术无法从复杂的多种行为中提取有价值的信息，影响个性化推荐的准确性。

6、综上所述，现有技术中仍存在如下问题：

7、1、将辅助行为和知识图谱作为外部辅助信息进行个性化推荐，可能受到噪声的影响。辅助行为中可能含有噪声相互作用，不利于目标任务的学习；而知识图谱作为外部辅助信息，也可能包含不相关的信息，并通过gnn传播聚合和放大噪声的影响，影响个性化推荐的准确性。

8、2、个性化行为具有多样性，不同类型的行为是相互依存和互补的，用户之间的依赖程度也不同，为有价值信息的提取带来挑战。

技术实现思路

1、为了解决现有技术的不足，本发明提供了一种基于多行为对比学习的推荐方法、系统、电子设备及计算机可读存储介质，通过结合行为内和行为间的对比学习，可以更全面地捕捉不同行为的自监督信号和相同行为的自监督信号，捕获用户行为之间的依赖关系，有助于缓解辅助行为信息引起的噪声问题，提高模型精度；同时利用对比学习数据增强方法，提出了一种分层增强方法，解决知识图谱的数据噪声问题，以进一步提高推荐的鲁棒性。

2、第一方面，本发明提供了一种基于多行为对比学习的推荐方法；

3、一种基于多行为对比学习的推荐方法，包括：

4、获取用户的多行为交互图和对应的知识图谱；

5、将多行为交互图和对应的知识图谱输入训练好的推荐模型进行处理，获取推荐项目；

6、其中，训练所述推荐模型具体包括：

7、构建多行为交互图数据集和对应的知识图谱数据集；

8、将多行为交互图数据集输入预设的行为感知模块进行行为间对比学习和行为内对比学习，生成多行为信息用户项目嵌入表征；

9、将知识图谱数据集输入预设的知识增强模块进行分层对比学习，生成知识图谱用户项目嵌入表征；

10、将多行为信息用户项目嵌入表征和知识图谱用户项目嵌入表征关联，基于预设的损失函数对所述推荐模型进行优化。

11、在一些实施方式中，将多行为交互图数据集输入预设的行为感知模块进行行为间对比学习和行为内对比学习具体为：

12、将多行为交互图输入预设的图神经网络进行处理，以行为间对比学习损失和行为内对比学习损失最小化为目标进行迭代计算，捕捉行为交互图中的高阶连接关系。

13、在一些实施方式中，所述行为间对比学习损失表示为：

14、

15、式中，为正样本对，为负样本对，τ是控平滑度的参数，s(～)是反映正负样本对相似度的成对距离函数。

16、在一些实施方式中，所述行为内对比学习损失表示为：

17、

18、式中，为正样本对，为负样本对，l代表神经网络的固定比较层，l′为最终输出层。

19、在一些实施方式中，所述将知识图谱数据集输入预设的知识增强模块进行分层对比学习具体包括：

20、通过transe算法学习知识图谱的语义信息，生成知识图谱中各节点的嵌入表示；

21、根据各节点的嵌入表示，获取图结构的一致性并构建两个带有知识图谱语义信息的用户项目交互图知识图谱子图谱；

22、对两个用户项目交互图中的用户表征和项目表征进行结构上的对比学习

23、将每个用户项目交互图输入图卷积神经网络并引入随机噪声，在图卷积层之间进行语义的对比学习。

24、在一些实施方式中，所述将多行为交互图和对应的知识图谱输入训练好的推荐模型进行处理，获取推荐项目具体包括：

25、将多行为交互图输入训练好的行为感知模块进行处理，生成多行为信息用户项目嵌入表征；

26、将知识图谱输入训练好的知识增强模块进行分层对比学习，生成知识图谱用户项目嵌入表征；

27、将多行为信息用户项目嵌入表征和知识图谱用户项目嵌入表征结合，获取用户表征和项目表征；

28、根据用户表征和项目表征，预测用户和项目之间的匹配分数，根据匹配分数，获取推荐项目。

29、在一些实施方式中，所述行为感知模块和所述知识增强模块为并行设置，所述行为感知模块为图卷积神经网络，所述知识增强模块为图卷积神经网络。第二方面，本发明提供了一种基于多行为对比学习的推荐系统；

30、一种基于多行为对比学习的推荐系统，包括：

31、获取模块，被配置为：获取用户的多行为交互图和对应的知识图谱；

32、推荐模块，被配置为：将多行为交互图和对应的知识图谱输入训练好的推荐模型进行处理，获取推荐项目；

33、其中，训练所述推荐模型具体包括：

34、构建多行为交互图数据集和对应的知识图谱数据集；

35、将多行为交互图数据集输入预设的行为感知模块进行行为间对比学习和行为内对比学习，生成多行为信息用户项目嵌入表征；

36、将知识图谱数据集输入预设的知识增强模块进行分层对比学习，生成知识图谱用户项目嵌入表征；

37、将多行为信息用户项目嵌入表征和知识图谱用户项目嵌入表征关联，基于预设的损失函数对所述推荐模型进行优化。

38、第三方面，本发明提供了一种电子设备；

39、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述基于多行为对比学习的推荐方法的步骤。

40、第四方面，本发明提供了一种计算机可读存储介质；

41、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于多行为对比学习的推荐方法的步骤。

42、与现有技术相比，本发明的有益效果是：

43、1、本发明提供的技术方案，引入多行为信息并提出了一个简洁有效的多行为比较学习框架，并利用它们在行为内和行为间自我监督学习任务中的互补性来处理噪音并捕捉行为之间的多样性；多行为信息的引入使模型能够充分捕捉辅助行为信息，为目标行为推荐提供指导。

44、2、本发明提供的技术方案，通过结合比较学习，模型可以提取更高层次的特征来增强个体偏好，区分不同行为之间的信息梯度，减少噪声的影响，从而提高整体鲁棒性。

45、3、本发明提供的技术方案，引入了知识增强模块，使用知识图谱来增强项目级信息，知识图谱的整合提高了项目的代表性，部分缓解了数据稀疏的问题。并在传统对比学习方法的基础上，提出了一种分层对比学习方法，以进一步缓解知识图谱中的噪声问题。