一种基于边级公平倾向与双视图分离的推荐方法及装置

本发明涉及推荐系统，尤其涉及一种基于边级公平倾向与双视图分离的推荐方法及装置。

背景技术：

1、推荐系统通常根据用户历史行为预测用户可能感兴趣的物品，并输出排序后的推荐列表。图推荐方法将用户、物品及二者之间的交互关系表示为用户物品二部图，通过图消息传播学习用户表示和物品表示，能够利用多跳协同关系提升推荐性能。然而，历史交互并非完全由用户真实偏好决定，还可能受到曝光机会、流行度、反馈机制、群组行为规律及敏感属性相关因素的共同影响。当上述交互被组织成图结构后，敏感属性相关规律可沿用户物品邻接关系反复传播，并被图推荐编码器吸收到用户表示和物品表示中；尤其当具有相同敏感属性的用户更容易与同一群组倾向的物品发生交互时，图结构中的同质性会进一步放大不同用户群组的邻域分布差异。现有公平推荐方法一类在表示学习完成后通过对抗训练、正则化或互信息约束降低敏感信息，但敏感属性相关结构已经参与此前的图传播；另一类直接删除、重加权或增广图中的边，但通常将一条交互边视为单一信号，当该交互边同时包含真实偏好信息和偏置相关信息时，统一的删边或保边决定容易损坏有效协同关系；还有一类方法生成单个去偏图或若干公平增强视图，但不同视图通常均以获得公平表示为目标，缺少对偏好保持与偏置承载两种结构角色的明确划分。

技术实现思路

1、有鉴于此，有必要提供一种基于边级公平倾向与双视图分离的推荐方法及装置，以有效解决敏感属性相关结构的传播抑制、有效偏好信息的保留难以兼顾的技术问题。

2、本发明提供一种基于边级公平倾向与双视图分离的推荐方法，包括以下步骤：

3、步骤s1、对用户物品交互图的原始视图进行编码得到节点参考表示，根据观测交互边两端的节点参考表示以及用户敏感属性形成的同质性结构特征并计算局部公平证据评分，根据所述原始视图的拓扑结构得到全局结构证据评分，融合所述局部公平证据评分和所述全局结构证据评分得到表示所述观测交互边分配至公平视图相对程度的边级公平倾向；

4、步骤s2、基于所述边级公平倾向构建边级公平倾向估计器，基于所述边级公平倾向估计器将所述原始视图互补软分离为公平视图和敏感视图，采用图推荐编码器对所述原始视图、所述公平视图、所述敏感视图分别进行编码，得到各视图的节点表示和预测评分；

5、步骤s3、以所述原始视图提供偏好参考、以所述敏感视图承载敏感属性相关结构，结合偏好保持约束、统计依赖抑制约束、同质性感知结构校准约束及视图特定排序约束，对所述边级公平倾向估计器以及所述图推荐编码器进行训练，利用训练更新后的公平视图进行公平推荐。

6、优选的，所述步骤s1具体为：

7、步骤s11、利用图推荐编码器对所述原始视图进行编码，得到观测交互边两端的用户参考表示和物品参考表示；

8、步骤s12、根据所述用户参考表示和所述物品参考表示构造端点匹配特征，根据用户敏感属性和物品邻接用户的敏感属性分布构造同质性结构特征，根据所述端点匹配特征和所述同质性结构特征计算所述局部公平证据评分；

9、步骤s13、设置变分图自编码器分支得到全局结构评分器，将所述原始交互图的邻接矩阵、初始节点参考表示输入所述全局结构评分器，得到所述全局结构证据评分；

10、步骤s14、根据观测交互边两端的节点参考表示与所述同质性结构特征生成门控权重，利用所述门控权重融合所述局部公平证据评分和所述全局结构证据评分得到所述边级公平倾向。

11、优选的，所述步骤s12具体为：

12、针对所述观测交互边，根据除当前用户以外的其它物品邻接用户的敏感属性分布，确定所述物品相对于当前用户的留一虚拟群组倾向；根据当前用户的敏感属性与所述留一虚拟群组倾向的一致性确定边级同质性指标；结合所述端点匹配特征、所述留一虚拟群组倾向、所述边级同质性指标以及观测交互边两端节点的度统计量组成局部边证据，并利用可训练的局部评分器将所述局部边证据映射为所述局部公平证据评分；

13、所述步骤s13具体为：

14、利用全局结构评分器，根据原始邻接矩阵以及初始节点参考表示生成观测交互边两端的节点结构潜变量，并根据所述节点结构潜变量获得全局结构证据评分。

15、优选的，所述步骤s14具体为：

16、根据观测交互边两端的节点参考表示与同质性结构特征生成对应的门控权重，利用所述门控权重对局部公平证据评分和全局结构证据评分进行加权融合，得到所述边级公平倾向；以全局结构证据评分为软目标约束局部公平证据评分，构建证据一致性约束，使两项证据评分对观测交互边分离方向的判断保持一致。

17、优选的，所述步骤s2具体为：

18、步骤s21、将全部观测交互边的边级公平倾向组成倾向矩阵，用所述倾向矩阵对原始邻接矩阵进行逐元素加权，构造公平视图，用所述倾向矩阵的补矩阵对原始邻接矩阵进行逐元素加权，构造敏感视图，并在边级公平倾向更新后重新构造公平视图和敏感视图；

19、步骤s22、采用参数共享的图推荐编码器分别编码所述原始视图、所述公平视图以及所述敏感视图，获得各视图的用户参考表示、物品参考表示和预测评分，所述原始视图、所述公平视图、所述敏感视图分别承担协同偏好参考、最终推荐以及敏感属性相关结构承载的角色。

20、优选的，所述步骤s21具体为：

21、以原始邻接矩阵与所述倾向矩阵的逐元素乘积作为公平视图邻接矩阵，以所述原始邻接矩阵与所述倾向矩阵的补矩阵的逐元素乘积作为敏感视图邻接矩阵，使任一观测交互边在公平视图和敏感视图中的边权之和等于所述观测交互边的原始边权，构建边权互补的公平视图和敏感视图；在所述边级公平倾向估计器更新后，重新计算所述倾向矩阵、公平视图邻接矩阵和敏感视图邻接矩阵；

22、所述步骤s22具体为：

23、基于同一组图推荐编码器参数以及同一预测评分函数构建参数共享的图推荐编码器，并分别对所述原始视图、所述公平视图和所述敏感视图进行编码；编码过程中，原始视图的用户表示和物品表示用于提供协同偏好参考，公平视图的用户表示和物品表示用于生成最终候选物品排序结果，敏感视图的用户表示和物品表示用于承载敏感属性相关结构的辅助表示。

24、优选的，所述步骤s3具体为：

25、步骤s31、在所述图推荐编码器的表示层执行双视图协调，所述双视图协调包括在公平视图与原始视图之间保持偏好信息、抑制公平视图与敏感视图之间的统计依赖，以及对两个视图施加角色相反的群组表示约束；

26、步骤s32、根据用户敏感属性、物品虚拟群组倾向和边级公平倾向，为公平视图和敏感视图构造具有相反结构角色的正候选集和负候选集，并基于所述正候选集和所述负候选集执行同质性感知结构校准和视图特定排序监督；

27、步骤s33、交替更新统计依赖估计器、边级公平倾向估计器和图推荐编码器，根据更新后的边级公平倾向动态重构公平视图和敏感视图，直至满足预设收敛条件；训练完成后，仅根据公平视图中的用户表示和物品表示生成候选物品排序结果。

28、优选的，所述步骤s31具体为：

29、提高同一用户节点或同一物品节点在公平视图和原始视图中的表示相似度，并降低相应节点在公平视图中的表示与同类型其它节点在原始视图中的表示之间的相似度，以形成偏好保持约束；利用可训练的统计依赖估计器获得公平视图表示与敏感视图表示之间的统计依赖度量并降低所述统计依赖度量；在公平视图中缩小不同敏感属性群组用户表示的分布差异，在敏感视图中缩小同群组用户表示之间的距离，在敏感视图中扩大异群组用户表示之间的距离。

30、优选的，所述步骤s32具体为：

31、基于物品完整邻域确定物品虚拟群组倾向，根据用户敏感属性以及所述物品虚拟群组倾向，将用户与物品的交互对划分为同群组交互对和跨群组交互对；

32、针对公平视图，将跨群组观测交互对以及边级公平倾向不小于置信阈值的同群组观测交互对划入正候选集，将同群组未观测交互对以及边级公平倾向小于所述置信阈值的同群组观测交互对划入负候选集；

33、针对敏感视图，将同群组观测交互对以及敏感视图边权不小于所述置信阈值的跨群组观测交互对划入正候选集，将跨群组未观测交互对划入负候选集；

34、根据所述正候选集和所述负候选集构造相应视图的结构校准目标及三元组，使正候选预测评分高于相应的负候选预测评分；

35、所述步骤s33具体为：

36、在每轮训练中，固定公平视图表示和敏感视图表示并停止二者对图推荐编码器的梯度传播，更新所述统计依赖估计器；固定图推荐编码器，根据用于训练全局结构评分器的结构学习约束、边证据一致性约束和同质性感知结构校准约束更新所述边级公平倾向估计器，并根据更新后的边级公平倾向重构公平视图和敏感视图；固定重构后的公平视图邻接矩阵和敏感视图邻接矩阵并停止边级公平倾向的梯度传播，根据偏好保持约束、统计依赖抑制约束、群组表示约束和视图特定排序约束更新图推荐编码器；重复训练直至满足预设收敛条件；训练完成后，根据公平视图中的用户表示和物品表示生成候选物品排序结果。

37、本发明还提供一种基于边级公平倾向与双视图分离的推荐装置，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现所述基于边级公平倾向与双视图分离的推荐方法。

38、与现有技术相比，本发明具有的有益效果为：本发明在图消息传播前评估不同观测交互边所承担的结构作用；将偏好相关协同结构与敏感属性相关结构进行互补分配，避免硬删边造成有效偏好信息丢失；构建分别承担偏好建模和偏置承载功能的双视图，并从表示层和结构层对两个视图进行协调优化。