基于多任务的混合式流行推荐方法

本发明涉及推荐系统，具体是一种基于多任务的混合式流行推荐方法，通过消除推荐系统中的流行偏差，并结合项目流行传播信息进行精准推荐，以提升推荐系统的准确性和用户满意度。

背景技术：

1、近年来，个性化推荐成为缓解信息过载的有效方式，在如电子商务、视频网站和社交媒体等在线应用中发挥重要作用。现有主流推荐方法通常基于历史交互数据进行推荐，然而历史交互中的项目分布通常呈非均匀(主要为长尾)分布，少数项目占据大多数交互，导致流行偏差问题。基于这种长尾分布数据训练的推荐模型则进一步放大了偏差，使得推荐系统倾向于推荐流行度更高的项目，引发如回声室、过滤泡、马太效应等问题，阻碍了推荐方法准确获取用户兴趣，并降低推荐准确性与公平性。然而，盲目追求消除流行偏差可能会导致值得更加流行的项目遭到不公平压制。因此，从折中角度出发研究混合式流行推荐，在消除流行偏差消极作用同时发挥流行度积极作用，有助于提高推荐准确性和用户满意度。

2、目前的混合式流行推荐研究或采用两段式策略，在消除偏差的同时利用流行度；或采用融合式策略协同训练有偏模型和无偏模型，基于两个模型的融合实现最终推荐。然而这些混合流行推荐方法大都在消除流行偏差时忽略了推荐算法对流行偏差的放大作用导致难以精准去偏差，同时在流行度预测时忽略了未来流行度预测中流行度短期细微波动影响和项目流行传播趋势影响等问题，影响了最终的推荐性能。

3、针对去流行偏差推荐研究中因忽略推荐方法对流行偏差的放大作用而难以精准去偏差这一局限性，以及现有流行度利用推荐方法大都忽略未来流行度预测中流行度短期细微波动，同时难以学习项目传播趋势和影响力等问题，本发明设计实现了一个基于多任务的混合式流行推荐方法，该方法通过因果推荐分析和多任务建模消除流行偏差，并结合项目流行传播建模实现流行度利用，从而提升推荐性能。

技术实现思路

1、本发明提出了一种基于多任务的混合式流行推荐方法，旨在通过消除推荐系统中的流行偏差，并结合项目流行传播信息进行精准推荐。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种基于多任务的混合式流行推荐方法，包括以下步骤：

4、步骤一：对推荐系统中存在的流行偏差进行因果推荐分析，识别并建模流行偏差的不同因果路径；

5、步骤二：采用多任务学习模式，分别建模从众性分数、曝光分数和偏差放大分数，结合以近似推荐结果中的流行偏差，实现去流行偏差推荐，得到由用户兴趣产生的去偏差推荐分数；

6、步骤三：通过结合动态跨度和自适应注意力机制，结合流行度位置嵌入，建立基于动态跨度的流行度特征提取模型，以同时捕获项目流行度的长期依赖和短期波动，提升流行度预测与推荐性能；

7、步骤四：基于未来流行度预测值建模传播动量，作为项目流行传播能力的表示；

8、步骤五：融合去流行偏差推荐分数和传播动量，获得混合式流行推荐分数结果。

技术特征：

1.一种基于多任务的混合式流行推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多任务的混合式流行方法，其特征在于，所述步骤s1中的因果推荐分析的具体过程为：

3.根据权利要求1所述的一种基于多任务的混合式流行方法，其特征在于，所述步骤s2的多任务学习模式的具体方法为：

4.根据权利要求1所述的一种基于多任务的混合式流行方法，其特征在于，所述步骤s2提出的去流行偏差推荐的具体方法为：

5.根据权利要求1所述的一种基于多任务的混合式流行方法，其特征在于，所述步骤s3提出的流行度位置嵌入的具体方法为：

6.根据权利要求1所述的一种基于多任务的混合式流行方法，其特征在于，所述步骤s3提出的基于动态跨度的流行度特征提取模型包括：

7.根据权利要求1所述的一种基于多任务的混合式流行方法，其特征在于，所述步骤s4中的传播动量建模的具体方法为：基于未来流行度预测值建模传播动量用以替代最终推荐中的未来流行度。使用当前时间段流行度变化速度作为传播速度，则某项目传播动量p，计算方法下所示：

8.根据权利要求1所述的一种基于多任务的混合式流行方法，其特征在于，所述步骤s5的具体方法为：

技术总结
本发明提出了一种基于多任务的混合式流行推荐方法。该方法包括：基于多任务的去流行偏差因果推荐，通过因果推荐分析，利用多任务建模不同因果路径下的流行偏差影响，并结合偏差放大分数和其他流行偏差因素，实现去流行偏差推荐；基于项目流行传播建模的流行度利用，提出动态跨度以建模流行度短期波动，并结合自适应注意力机制预测未来流行度；基于未来流行度建模传播动量，最后融合去偏差推荐分数和传播动量，实现混合式流行推荐。该方法有效提升了推荐精度与准确性，有助于精准消除流行偏差并利用项目流行传播信息，特别是在长尾数据集上效果更为显著。

技术研发人员：田萱,寇嘉琦,雷钦岚
受保护的技术使用者：北京林业大学
技术研发日：
技术公布日：2024/12/12