一种电视共享账户的节目推荐方法、系统、介质及设备

本发明属于电视节目推荐，尤其涉及一种电视共享账户的节目推荐方法、系统、介质及设备。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、随着智能电视逐渐取代有线电视，智能电视也逐渐成为人们家庭生活中的重要的娱乐方式。用户可以在智能电视上选择观看各种电视节目，这不同于有线电视只能根据固定时间表来播放节目。因此，需要一个高性能的推荐系统来帮助用户发现感兴趣的节目。当前，电视节目推荐问题的关键挑战之一是多个用户共享一个账户，即共享账户问题。共享账户通常包含多个用户，而且往往无法获取账户中各个用户的具体身份信息，即无法准确识别账户背后的多个用户。共享账户产生的观看行为数据是混合复杂的，缺乏有效的监督信息来区分这些行为。同时，不同的用户对共享账户的当前状态影响各不相同，而在特定时刻，可能仅有一位用户的行为对推荐结果起主导作用。

3、现有的共享账户电视节目推荐的方法，如miss模型、rl-isn模型以及tida-gcn模型。miss模型该采用注意力机制，适应共享账户背景下的会话感知推荐需求，有效区分共享账户中各个用户观看电视节目的行为。rl-isn模型则专注于跨域序列推荐方法，通过将混合用户行为聚类划分为潜在用户，并运用注意力机制来识别用户。tida-gcn构建了用户和item在域内的图结构，并引入了域感知图卷积网络来学习用户的特定节点表示。此外，该模型结合了时间间隔信息，并通过账户感知的自注意力机制增强了item之间的交互特征表示。

4、然而，上述方法仍然存在以下局限性：

5、（1）上述方法主要是通过直接假设来建模共享账户中的潜在用户，即假定存在k个并行的潜在嵌入来模拟用户的混合交互行为，缺乏一定的代表性，无法有效揭示账户中隐藏的用户原型。

6、（2）上述方法没有考虑所学习表示的鲁棒性。相比于传统的用户行为，账户内的混合交互由于涉及多个用户，更容易产生噪声数据。

7、（3）上述方法主要采用均值操作来聚合实现账户嵌入，并未考虑到不同潜在用户之间的重要差异。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种电视共享账户的节目推荐方法、系统、介质及设备，采用对比聚类用户识别网络（ccui-net）模型来学习鲁棒的账户表示，通过数据增强、节点表示学习、对比聚类和账户建模来有效识别共享账户中的潜在用户，并能够大幅度提高模型的鲁棒性。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了一种电视共享账户的节目推荐方法；

4、一种电视共享账户的节目推荐方法，包括：

5、获取共享账户的行为序列并构造用户和电视节目之间的用户-item交互序列图，对所述用户-item交互序列图分别采用节点丢弃和随机游走进行图变换，获取两个对比视图；

6、对所述两个对比视图分别进行节点表示学习，采用图卷积网络捕捉两个对比视图中的节点序列信息，利用所述节点序列信息获取两个对比视图的item嵌入表示；

7、将所述两个对比视图的item嵌入表示输入到训练好的ccui-net模型中，利用注意力机制生成个性化的电视节目推荐结果；

8、其中，采用所述ccui-net模型分别对两个对比视图的item嵌入表示进行实例级对比学习和聚类级对比学习，识别共享账户中的潜在用户并将具有相似行为的潜在用户聚类到同一用户模型中，利用注意力机制识别不同潜在用户对共享账户行为的贡献，将不同潜在用户的嵌入表示加权求和，生成个性化的电视节目推荐结果。

9、作为进一步的技术方案，所述用户-item交互序列图为图，图，其中节点集包括所有交互的实体，即用户和item，边集代表这些实体之间的序列交互关系。

10、作为进一步的技术方案，所述对比视图具体为：

11、

12、

13、其中，和表示第层的节点嵌入，为邻域聚合函数；和是从分布中随机抽样的数据增强策略，分别独立应用于图以生成两种不同的对比视图。

14、作为进一步的技术方案，对所述用户-item交互序列图分别采用节点丢弃和随机游走进行图变换，获取两个对比视图，其中，节点丢弃公式如下所示：

15、

16、

17、其中和是节点的掩码向量，所述掩码向量取值为0或1，0表示节点及其边被移除，1表示节点及其边被保留；和是从分布中随机抽样的数据增强策略；

18、作为进一步的技术方案，所述随机游走公式如下：

19、

20、

21、和为每一层的边掩码向量，独立于节点掩码向量，边掩码向量的每个元素决定了在对应层中的边是否被激活，其中0表示边被丢弃，1表示边被保留；和是从分布中随机抽样的数据增强策略。

22、作为进一步的技术方案，所述采用图卷积网络捕捉两个对比视图中的节点序列信息，利用所述节点序列信息获取两个对比视图的item嵌入表示的过程为：

23、利用图卷积网络从对比视图中学习节点嵌入表示，在捕捉节点序列信息的过程中，图卷积网络通过消息传递和消息聚合更新节点嵌入，通过leakyrelu激活函数生成item的嵌入表示；

24、所述消息传递的过程为，每个节点将自身的特征信息传递给相邻的节点；

25、所述消息聚合的过程为，在接收来自相邻的节点信息后，每个节点聚合这些信息来更新节点自身的表示。

26、作为进一步的技术方案，采用所述ccui-net模型分别对两个对比视图的item嵌入表示进行实例级对比学习和聚类级对比学习的过程为：

27、在实例级对比学习中，不同的对比视图代表共享账户中潜在用户的一种行为表现，将同一用户的不同视图作为正样本对，将不同用户的视图作为负样本对进行训练，学习最大化正样本对之间的相似性，最小化负样本对之间的相似性；

28、在聚类级对比学习中，将获取item的嵌入表示划分为不同的类，每个类代表一种潜在用户行为模式，在同一个类内的嵌入表示作为正样本对；不同类的嵌入表示作为负样本对；通过最大化类内样本对的相似性和最小化类间样本对的相似性，进一步优化聚类效果，将相似的用户行为聚合到同一用户模型中。

29、本发明第二方面提供了一种电视共享账户的节目推荐系统。

30、一种电视共享账户的节目推荐系统，包括：

31、图变换模块，被配置为：获取共享账户的行为序列并构造用户和电视节目之间的用户-item交互序列图，对所述用户-item交互序列图分别采用节点丢弃和随机游走进行图变换，获取两个对比视图；

32、节点表示学习模块，被配置为：对所述两个对比视图分别进行节点表示学习，采用图卷积网络捕捉两个对比视图中的节点序列信息，利用所述节点序列信息获取两个对比视图的item嵌入表示；

33、对比学习模块，被配置为：采用ccui-net模型分别对两个对比视图的item嵌入表示进行实例级对比学习和聚类级对比学习，识别共享账户中的潜在用户并将具有相似行为的潜在用户聚类到同一用户模型中；

34、电视节目推荐模块，被配置为：利用注意力机制识别不同潜在用户对共享账户行为的贡献，将不同潜在用户的嵌入表示加权求和，生成个性化的电视节目推荐结果。

35、本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种电视共享账户的节目推荐方法中的步骤。

36、本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种电视共享账户的节目推荐方法中的步骤。

37、以上一个或多个技术方案存在以下有益效果：

38、（1）本发明采用对比聚类用户识别网络（ccui-net）模型来学习鲁棒的账户表示，将账户的混合行为映射到潜在的原型，并使用层次对比聚类方法识别潜在用户，通过结合实例级和聚类级的对比学习，有效地聚类相似行为并区分不同行为。

39、（2）为了提高模型的鲁棒性，对item嵌入应用实例级对比学习，为识别潜在用户提供了坚实的基础，并确保所学表示的稳定性和可靠性。

40、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。