序列推荐下的长期和短期兴趣对比学习方法

本申请涉及自监督学习，具体涉及一种序列推荐下的长期和短期兴趣对比学习方法。

背景技术：

1、随着互联网应用的普及与发展，数据信息规模呈爆炸式增长，推荐系统已经成为最大的人工智能商业化应用场景之一，为用户提供了个性化的内容服务，提高了信息分发的效率。

2、传统的推荐系统倾向于学习每个用户对物品的长期和静态的偏好，但一个用户的所有的历史交互行为对他当前的偏好并非同等重要，用户的短期偏好和跟时间相关的上下文场景所包含的信息更加实时也更加灵敏。随着深度学习方法在推荐系统与用户反馈预估任务中的广泛应用，序列推荐也适应深度学习的浪潮，众多基于深度学习的序列推荐算法出现。

3、序列推荐模型通常是基于隐式反馈序列构建的，由于用户行为的不确定性，行为序列可能包含噪声信息和不相关的交互，从而对下一个交互预测产生干扰。并且，以前的方法通常只使用项目预测任务来学习模型参数，因此往往受到数据稀疏性问题的影响，无法很好地学习序列表示。因此，噪音交互和数据稀疏性是序列推荐领域常见的问题。

技术实现思路

1、本申请实施例提供了一种序列推荐下的长期和短期兴趣对比学习方法，以解决现有技术中，行为序列可能包含噪声信息以及数据稀疏性的问题。

2、为了解决上述技术问题，本申请实施例公开了一种序列推荐下的长期和短期兴趣对比学习方法，所述方法包括：

3、将历史交互序列输入滤波层进行过滤增强，获得历史交互增强序列；

4、基于所述历史交互增强序列，利用预设的长期编码器和预设的短期编码器分别获取对应的长期兴趣表征和短期兴趣表征；

5、利用对比学习任务监督学习所述长期兴趣表征和所述短期兴趣表征；所述对比学习任务为从所述历史交互序列中提取长期兴趣代理和短期兴趣代理，并在所述长期兴趣表征与所述短期兴趣代理之间、所述长期兴趣代理与所述短期兴趣表征之间、所述短期兴趣表征与所述长期兴趣代理之间，所述短期兴趣代理与所述长期兴趣表征之间构建的对比学习任务；

6、利用构建的用户机制从所述长期兴趣表征与所述短期兴趣表征中分别捕获用户个性化全局上下文信息长期兴趣和用户个性化全局上下文信息短期兴趣；并通过预设的辅助损失函数优化所述用户个性化全局上下文信息长期兴趣和所述用户个性化全局上下文信息短期兴趣；

7、利用注意力机制网络处理所述用户个性化全局上下文信息长期兴趣和所述用户个性化全局上下文信息短期兴趣，获得用户兴趣表征。

8、本申请实施例中，将历史交互序列输入滤波层进行过滤增强，获得历史交互增强序列，可以减少历史交互序列中的噪音特征的影响。基于所述历史交互增强序列，利用预设的长期编码器和预设的短期编码器分别获取对应的长期兴趣表征和短期兴趣表征；利用对比学习任务监督学习所述长期兴趣表征和所述短期兴趣表征；具体地，在兴趣代理和编码器输出的兴趣之间构建对比学习任务，使用对比学习方法来监督长期兴趣表征与短期兴趣代理之间、长期兴趣代理与短期兴趣表征之间、短期兴趣表征与长期兴趣代理之间，短期兴趣代理与长期兴趣表征之间是否相似，以确保长期兴趣表征和短期兴趣表征的分离。利用构建的用户机制从所述长期兴趣表征与所述短期兴趣表征中分别捕获用户个性化全局上下文信息长期兴趣和用户个性化全局上下文信息短期兴趣；并通过预设的辅助损失函数更好地学习兴趣表征(用户个性化全局上下文信息长期兴趣和所述用户个性化全局上下文信息短期兴趣)，进行多角度地优化模型，并帮助模型在面对数据稀疏性时更好地进行推荐。利用注意力机制网络处理所述用户个性化全局上下文信息长期兴趣和所述用户个性化全局上下文信息短期兴趣，获得用户兴趣表征。利用用户兴趣表征进行预测，可实现较好的预测效果。因此，本申请实施例可以减少历史交互序列中的噪音特征以及数据稀疏性的影响，提高推荐系统的性能。

9、本申请实施例附加的方面和优点将在下面的描述部分中给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

技术特征：

1.一种序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述方法包括：

2.根据权利要求1所述的序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述将历史交互序列输入滤波层进行过滤增强，获得历史交互增强序列，包括：

3.根据权利要求1所述的序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述基于所述历史交互增强序列，利用预设的长期编码器和预设的短期编码器分别获取对应的长期兴趣表征和短期兴趣表征，包括：

4.根据权利要求3所述的序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述利用所述历史交互增强序列获得第二查询向量，包括：

5.根据权利要求1所述的序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述辅助损失函数为最大平均差异函数，所述通过预设的辅助损失函数优化所述用户个性化全局上下文信息长期兴趣和所述用户个性化全局上下文信息短期兴趣，包括：

6.根据权利要求1所述的序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述利用注意力机制网络处理所述用户个性化全局上下文信息长期兴趣和所述用户个性化全局上下文信息短期兴趣，获得用户兴趣表征，包括：

7.根据权利要求1所述的序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述从所述历史交互序列中提取长期兴趣代理和短期兴趣代理，包括：

8.根据权利要求1或6中任一项所述的序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述方法还包括：

9.根据权利要求8所述的序列推荐下的长期和短期兴趣对比学习方法，其特征在于，所述方法还包括：

技术总结
本申请涉及自监督学习技术领域，公开了一种序列推荐下的长期和短期兴趣对比学习方法。所述方法将历史交互序列输入滤波层进行过滤增强，获得历史交互增强序列，以减少历史交互序列中的噪音的影响；基于历史交互增强序列获取长期和短期兴趣表征，并通过对比学习任务学习长期和短期兴趣表征，以确保长期和短期兴趣表征的分离。基于长期与短期兴趣表征分别捕获用户个性化全局上下文信息长期和短期兴趣；并通过预设的辅助损失函数优化用户个性化全局上下文信息长期和短期兴趣，最后利用注意力机制网络处理用户个性化全局上下文信息长期和短期兴趣，获得用户兴趣表征。辅助损失函数可以从多角度进行学习和优化，从而减轻数据稀疏性带来的影响。

技术研发人员：李艺,杨长春
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/1/16