一种跨领域推荐方法

本发明涉及信息推荐，具体涉及一种跨领域推荐方法。

背景技术：

1、随着互联网技术的快速发展，推荐系统已成为电商平台、社交网络、流媒体内容分发等领域不可或缺的核心技术。在众多推荐技术中，基于图神经网络的推荐方法因其能够有效建模用户与商品之间的高阶交互关系而备受关注。目前基于图卷积神经网络gcn的推荐系统通过构建用户-商品二部图，利用消息传递机制聚合邻居节点信息，学习用户和商品的低维向量表示，进而实现个性化推荐。

2、然而，现有基于图神经网络的推荐技术存在四方面缺陷：一是过平滑问题限制个性化表征。尤其在冷启动用户与长尾商品场景下，因邻居信息匮乏难以获得精准嵌入，推荐性能急剧下降。二是数据增强缺乏图拓扑一致性约束。传统gan采用标准交叉熵损失导致训练不稳定，生成样本与真实分布存在偏差，且未考虑图结构约束，破坏了原始拓扑关系。三是跨领域迁移策略固定。现有方法多采用直接参数微调或统一特征对齐等固定策略，无法依据领域间分布差异动态选择最优迁移方式；且单一核函数难以充分度量复杂的领域分布偏移。四是社交关系利用不足。现有方法或忽略社交关系，或仅简单拼接，未通过注意力机制动态分配边权重，也未能自适应融合用户-商品交互特征与社交关系特征。

3、上述缺陷直接导致了现有推荐系统在冷启动场景、长尾商品推荐和跨领域迁移场景下的性能瓶颈。

技术实现思路

1、针对现有技术中的缺陷，本发明提供一种跨领域推荐方法，以增强样本的图拓扑一致性问题、跨领域分布偏移的自适应迁移问题以及社交关系信息的有效利用问题，提升跨领域推荐的精度与稳定性。

2、本发明提供的一种跨领域推荐方法，包括：

3、s1.基于目标领域的业务数据库，构建原始节点特征矩阵，形成原始样本集；

4、s2.构建图约束lsgan对原始节点特征矩阵进行数据增强，生成增强节点特征矩阵，形成增强样本集；

5、s3.将增强样本集和原始数据集进行融合，构建候选增强样本集；筛选出候选增强样本集中满足分布一致性、图结构一致性和社交关系一致性的节点，构建融合增强数据集；

6、s4.将融合增强数据集输入预构建的双通道图神经网络，获得用户综合表征和商品表征；双通道图神经网络包括商品聚合通道和关系聚合通道，商品聚合通道采用图注意力网络分别对用户节点和商品节点进行表征，关系聚合通道采用社交关系注意力机制为用户节点和邻居节点的边动态分配权重，用户综合表征为跨图融合后的商品聚合通道与关系聚合通道的输出，商品表征为商品聚合通道的输出；

7、s5.将源领域中训练的图约束lsgan生成器参数和双通道图神经网络参数迁移至目标领域，之后根据源领域与目标领域的mmd，动态选取迁移策略以更新目标领域的模型参数；

8、s6.基于用户综合表征与商品表征获取用户对商品的预测评分，按预测评分降序排列，选取前k个商品构成推荐列表。

9、可选地，s1包括：

10、从目标领域的业务数据库，得到有效用户数量和有效商品数量，构建用户-商品交互矩阵和社交关系矩阵；

11、构建用户-商品交互图，u为用户节点集合，i为商品节点集合，为用户-商品交互边集合；

12、构建社交图，为用户间社交关系边集合；

13、计算用户-商品交互图和社交图中各节点的度，用户节点的度为用户-商品交互图中与用户u相连的边数加上社交图中与u相连的边数，商品节点的度为用户-商品交互图中与商品i相连的边数；

14、对于用户节点的度小于冷启动阈值的标记为冷启动用户，对于商品节点的度小于长尾阈值的标记为长尾商品；冷启动用户和长尾商品在s2-s4、s6中被赋予增强权重或放宽阈值。

15、将用户特征和商品特征映射至同一特征空间，按行纵向拼接，得到原始节点特征矩阵。

16、可选地，s2包括：

17、构建图约束lsgan对原始节点特征矩阵进行数据增强；图约束lsgan包括生成器g和判别器d，

18、生成器g采用l层图卷积神经网络，以原始节点特征矩阵为输入注入随机噪声，损失函数为：

19、，

20、其中，c为生成目标标签，表示增强节点特征矩阵，为图约束正则项系数；图结构约束正则项定义为，为用户的增强特征，为商品的增强特征，为社交关系约束权重系数；

21、判别器d采用全连接网络，损失函数为：

22、，

23、其中，和为标签平滑参数，为真实数据分布，为噪声分布。

24、可选地，分布一致性、图结构一致性和社交关系一致性的样本，具体按照以下条件进行筛选：

25、分布一致性筛选：计算样本x与其k个最近邻样本的平均距离，保留平均距离小于预设阈值的用户节点和商品节点；

26、图结构一致性筛选：以邻接矩阵中边的权重，计算节点与其邻居节点的加权平方距离和，保留小于预设阈值的用户节点和商品节点；

27、社交关系一致性筛选：以用户节点的社交关系强度为权重，计算用户节点对应社交邻居的用户节点的加权平方距离和，保留小于预设阈值的用户节点。

28、可选地，双通道图神经网络包括商品聚合通道和关系聚合通道，具体用于：

29、在商品聚合通道中，采用图注意力网络对用户-商品交互边进行邻居节点特征聚合，获得商品聚合后的用户表征和商品表征；

30、在关系聚合通道中，采用社交关系注意力机制动态分配边权重进行关系聚合，获得关系聚合后的用户表征；

31、通过可学习的跨图融合系数自适应调整两通道的融合比例，生成用户综合表征；商品表征采用商品聚合通道输出。

32、可选地，s5包括：

33、将预先在源领域中训练的图约束lsgan中gan生成器参数和双通道图神经网络参数迁移至目标领域，初始化目标领域的模型参数；

34、计算源领域与目标领域的mmd，度量源域与目标域分布偏移；

35、根据mmd，动态选择迁移策略；

36、引入对比学习损失优化表征判别性。

37、可选地，s6包括：

38、获取用户综合表征与商品综合表征之间的交互得分；

39、将交互得分输入评分预测模块，获取用户

u对商品

i的预测评分；评分预测模块执行以下计算：，其中，为预给定的全局平均评分，为用户偏置项，为商品偏置项；

40、采用均方误差损失函数优化预测评分；

41、对于目标用户，计算其与候选商品集合中所有商品的预测评分，按预测评分降序排列，选取前k个商品构成推荐列表。

42、采用上述技术方案，本技术具有如下有益效果：

43、（1）本发明通过图约束最小二乘生成对抗网络进行数据增强，采用最小二乘损失替代交叉熵损失，训练更加稳定；引入图结构约束正则项，确保增强样本满足用户-商品交互边和社交关系边的拓扑一致性，有效缓解了冷启动用户和长尾商品的数据稀疏问题；

44、（2）本发明通过双通道图神经网络分别聚合用户-商品交互信息和社交关系信息，采用注意力机制动态分配边权重，并通过可学习的跨图融合系数自适应调整融合比例，充分利用了多源异构信息；

45、（3）本发明通过分布一致性、图结构一致性和社交关系一致性三个维度进行质量筛选，通过设定相应的阈值条件剔除异常数据，保证了增强数据的质量；

46、（4）本发明通过mmd度量源领域与目标领域的分布偏移，动态选择参数微调或特征对齐的迁移策略，并引入对比学习损失优化表征判别性，有效解决了跨领域推荐中的知识迁移问题。