一种基于流匹配的社会化推荐方法

本发明属于推荐系统，具体涉及一种基于流匹配的社会化推荐方法。

背景技术：

1、推荐系统在缓解现代数字平台的信息过载、提升用户体验方面发挥着关键作用。然而，传统的协同过滤方法普遍面临数据稀疏性的严峻挑战，即多数用户仅有极少量的历史交互记录，导致模型难以推断其可靠的个性化偏好。为了缓解这一问题，社会化推荐作为一种有效的解决方案被提出。其核心理论基础在于社会同质性与社会影响力，即具有社交连接的用户往往拥有相似的偏好，且用户的兴趣会通过社交互动进行传播。

2、近年来，随着深度学习技术的发展，基于图神经网络的社会化推荐方法逐渐成为主流范式。该类方法通过将用户-物品交互关系与用户-用户社交关系构建为复杂的异构图结构，利用多层消息传递和迭代信息聚合机制，使个人特征表示能够捕获高阶邻域结构和复杂的社交影响力，从而显著提升了推荐系统的预测精度。

3、然而，在真实的社交网络场景中，直接利用观察到的社交图进行推荐建模仍存在以下亟待解决的技术难题：

4、首先，存在严重的语义鸿沟与社交噪声问题。现实世界中的社交联系往往源于线下的亲友关系、同事关系或社会地位，这些联系并不必然转化为对特定物品（如商品、电影）的共同兴趣。经验研究表明，大量的社交连接与用户真实偏好之间存在不一致性，直接聚合这些不可靠的社交信号会向用户表征中引入大量的冗余或误导性噪声，限制了推荐模型的鲁棒性。

5、其次，现有的降噪手段存在局限性。传统的降噪方法多采用启发式过滤或基于相似度的硬截断，这类方法依赖离散的邻域聚合，容易破坏网络拓扑的连通性，且难以适应非高斯的复杂噪声分布。近期虽有研究尝试引入扩散概率模型或流匹配等生成式模型，但这些方法均将其降噪目标局限于社交域内部，即试图从含噪输入中重建干净的社交表示。由于此类“还原性降噪”过程缺乏来自交互偏好域的显式引导，导致生成的社交特征在几何流形上与真实的偏好空间存在严重的语义错位。

6、最后，流生成网络自身存在频谱偏差。在标准的流匹配框架中，通常利用多层感知机拟合连续向量场。根据频谱偏差理论，标准倾向于捕捉平滑的低频信号，而难以拟合具有剧烈语义变化的跨域流形映射。这导致模型在面对社交域与兴趣域之间巨大的语义差异时，产生的向量场过于平滑，无法实现精确的特征整流与对齐。

7、因此，如何打破传统“还原性降噪”的局限，构建一种能够显式跨越社交与偏好语义鸿沟、并能有效克服频谱偏差的高精度跨域整流机制，是当前社会化推荐降噪领域中亟待解决的核心技术难题。

技术实现思路

1、本发明的目的在于提供一种基于流匹配的社会化推荐方法，旨在解决现有社会化推荐技术中存在的社交关系噪声干扰大、社交信息与用户兴趣语义空间不一致以及生成式降噪模型存在频谱偏差的问题。本发明通过构建社交感知偏好流形作为流匹配的目标分布，引入带有高频信号放大机制的矫正流框架，显式地将社交特征映射至偏好空间，从而实现跨域流形对齐，显著提升推荐系统在数据稀疏及高噪声环境下的预测准确性与鲁棒性。

2、一种基于流匹配与偏好对齐的社交推荐降噪方法，该方法包括如下步骤：

3、步骤1、双视图网络构建与多尺度流形编码：分别利用用户间的社交关系构建用户社交图，利用用户与物品的交互记录构建用户-物品交互图；利用图卷积网络的第一分支在所述用户社交图上进行特征传播，提取初始的含噪社交表示；利用图卷积网络的第二分支在所述用户-物品交互图上进行特征传播，提取交互用户表示与物品表示。

4、步骤2、构建社交感知偏好流形目标分布：根据用户间在所述用户-物品交互图中的共同交互物品重叠度，对社交网络矩阵进行重新加权，并结合步骤1提取的交互用户表示，构建社交感知偏好流形，将其作为流匹配降噪的目标分布。

5、步骤3、基于流匹配的跨域流形对齐与降噪整流：引入流匹配算法，在模型训练阶段通过神经网络学习连接初始含噪社交表示到目标分布的连续向量场；在去噪推理阶段对时间变量进行高频信号放大编码，并采用常微分方程求解器执行离散逆向更新，获取整流净化后的社交特征。

6、步骤4、基于自适应门控机制的双视图特征融合：利用自适应门控机制动态计算步骤3得到的净化后的社交特征与交互用户表示 的融合权重，加权生成最终的综合用户表示。

7、步骤5、推荐评分计算与多任务联合训练优化：基于步骤4生成的综合用户表示与步骤1提取的物品表示计算预测偏好评分，联合贝叶斯个性化排序损失与流匹配均方误差损失对模型参数进行端到端多任务联合优化，并根据最终的预测偏好评分输出推荐结果。

8、进一步地，所述步骤1中所述利用图卷积网络的第二分支在所述用户-物品交互图上进行特征传播，提取交互用户表示 与物品表示，具体地，在用户-物品交互图中，利用所述图卷积网络的第二分支进行特征传播，其第  层的传播规则为：

9、，

10、其中，为交互图的邻接矩阵，为交互图对应的度矩阵；为交互图第l+1层的嵌入表示，为交互图第l层的嵌入表示；传播至第层后，通过对各层嵌入求和聚合得到交互用户表示与物品表示 ，其中为设定的图卷积网络层数；其中和分别为第层聚合后的用户和物品嵌入表示；

11、同理，利用图卷积网络的第一分支在所述用户社交图上进行特征传播，提取各层嵌入并求和，得到初始含噪社交表示。

12、进一步地，所述步骤2中构建社交感知偏好流形目标分布的具体过程包括：

13、步骤2.1：对初始社交网络矩阵进行重加权，若存在社交链接的两个用户具有共享的交互物品，则将初始社交网络矩阵矩阵条目赋值为两用户交互物品集合的jaccard相似度；若无共享物品，则设定为预设常数，得到重加权社交矩阵；

14、步骤2.2：基于重加权后的矩阵，选取每个用户的top-k个相似邻居保留边关系，构建重构社交矩阵；

15、步骤2.3：将所述重构社交矩阵 与所述交互用户表示 相乘，生成流匹配降噪的目标分布。

16、进一步地，所述步骤3中基于流匹配的跨域流形对齐与降噪整流的具体过程包括：

17、步骤3.1：在模型训练阶段，构建连接目标分布与参考噪声分布的最优传输插值路径

18、，

19、其中 为时间变量，为高斯分布噪声，为时间步时的路径状态；

20、步骤3.2：对交互用户表示 引入噪声扰动得到，其中为标准正态分布噪声，为控制扰动强度的缩放因子，表示逐元素相乘；

21、步骤3.3：在所述训练阶段，提取标准正弦时间感知嵌入，将最优传输插值路径、时间感知嵌入及扰动后的交互特征进行拼接，通过注意力机制计算各组成部分的动态权重并融合得到联合表示，输入至由多层感知机构成的神经网络中，以最小化预测目标流形与真实分布的均方误差为目标进行回归训练；

22、步骤3.4：在模型去噪推理阶段，为了捕获高频信号，将时间变量乘以预设的放大因子  后进行正弦时间编码，获取放大的时间感知嵌入；

23、步骤3.5：在所述去噪推理阶段，设置初始状态为含噪社交表示，将最优传输插值路径、所述放大的时间感知嵌入及交互特征输入已训练的神经网络中预测目标流形，并计算对应的整流速度场 ；采用欧拉求解器以固定步长 执行如下离散逆向时间更新，其中为总采样步数：

24、；

25、表示表示从当前时刻t逆推一个时间步长δt后的社交特征，积分逆推至时，获取的整流嵌入即为净化后的社交特征。

26、进一步地，所述步骤4中基于自适应门控机制的双视图特征融合的具体过程包括：

27、将所述交互用户表示与所述净化后的社交特征拼接，利用自适应门控机制动态计算用户级的标量门控权重：

28、；

29、其中，表示拼接操作， 为sigmoid激活函数，均为可学习的参数矩阵和偏置参数；

30、通过下式加权融合得到综合用户表示：。

31、推荐评分计算与多任务联合训练优化： 基于步骤4生成的综合用户表示与步骤1提取的物品表示计算预测偏好评分，联合贝叶斯个性化排序损失与流匹配均方误差损失对模型参数进行端到端多任务联合优化，并根据最终的预测偏好评分输出推荐结果。

32、步骤5.1 预测偏好评分计算：获取用户表示矩阵中对应用户的用户特征向量，以及物品表示矩阵中对应物品的物品特征向量；通过向量内积计算用户对物品的预测偏好评分，其公式为：。其中，上标表示矩阵转置符号；

33、步骤5.2：采用贝叶斯个性化排序损失计算推荐排序损失，公式为

34、；

35、其中 为训练三元组集合，表示用户已交互的历史物品集合，为正样本物品，为负样本物品；

36、步骤5.3：根据神经网络在训练阶段预测的偏好目标流形与构建的流匹配降噪的目标分布，计算流匹配均方误差损失：

37、；

38、其中，表示对时间变量和参考噪声分布求期望；

39、步骤5.4：引入正则化项，构建最终的多任务联合损失函数，对模型中所有的可训练参数集合  进行端到端优化：

40、，

41、其中为控制流匹配损失权重的多任务平衡参数，为正则化系数。

42、3. 有益效果

43、与现有技术相比，本发明采用如上技术方案，具有如下优点：

44、实现了跨域流形对齐，弥合了社交与偏好的语义鸿沟：现有的去噪方法主要在社交域内部进行操作，难以与用户偏好空间完全对齐。本发明通过设计跨域流形对齐模块，引入流匹配框架学习一条连续的传输映射，将初始的含噪社交表示直接整流为社交感知的偏好流形，显著增强了社交嵌入在下游推荐任务中的有效性和判别力。

45、克服了神经网络的频谱偏差，有效捕获高频偏好信号：本发明的核心创新在于严格区分了模型训练与去噪推理阶段对时间变量的处理机制。在推理去噪时引入了预设的放大因子对时间变量进行高频信号放大编码，克服了普通多层感知机偏向低频信号导致向量场过度平滑的缺陷，使模型能够精确捕获高频的细粒度偏好特征，以应对复杂的非高斯噪声。

46、动态自适应特征融合，提升了模型在稀疏与噪声场景下的鲁棒性：本发明摒弃了传统的简单平均池化，设计了自适应门控机制。该机制能够针对不同用户动态计算社交特征与交互特征的融合权重，仅在社交先验提供有效信息时赋予高权重，从而大幅降低了残余社交噪声的干扰。该方法在处理冷启动用户的稀疏数据，以及高度活跃用户带来的复杂结构噪声时均表现出卓越的稳健性，显著提高了推荐召回率和排序质量。