买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽大学

摘要：本发明的一种面向冷启动场景的因果元学习多视角图学习方法及设备，通过多视角项目表征器从项目的属性相关性和社交相关性两个视角探索了项目之间的相似性，并基于每个用户（任务）建立项目图，接着通过GCNs在建立的项目图上分别捕获项目之间的不同相关性的影响，然后通过一个注意力聚合函数将包含有不同项目关系的项目表示聚合起来以得到有意义的分层项目表示。接着，因果增强的双级别自适应元学习器用以消除不同用户偏好分布对偏好建模的影响。本发明既可以学习到包含项目属性关系的项目和用户表示，同时可以捕获用户对不同阶项目关系的偏好程度。

主权项：1.一种面向冷启动场景的因果元学习多视角图学习方法，其特征在于，包括以下步骤，S1、深入审视冷启动推荐系统中的数据生成流程，将其抽象化为一个因果图；随后，运用因果理论中的后门调整策略来指导后续方案的实施，以消除混杂因素的影响；S2、选取一个批次的任务，并针对每个任务构建项目关系具体的项目-项目图和社交关系具体的项目-项目图；S3、在构建的项目图上利用图卷积神经网络GCNs学习多视角的项目表示，旨在获取用户相关项目在L层上的嵌入表示；S4、将支持集中用户所有相关项目的第0层嵌入以及用户的特征嵌入共同送入用户偏好表征器，以生成用户在第0层空间中的偏好表示；S5、将获得的当前层用户偏好与学习到的项目表示共同送入评分预测器，通过计算查询集中的损失来更新用户偏好表征器，实现层级别的更新；S6、使用更新后的用户偏好表征器重新获取用户偏好表示，并根据当前层的用户偏好表示将评分预测器参数映射到相应的层空间；S7、利用更新后的用户偏好表示和评分预测器再次计算查询集损失，并据此更新评分预测器，实现任务级别的更新；S8、重复步骤S4至S7共L次，每次重复时采用用户相关项目在不同层上的嵌入，以获取用户在L层上的偏好表示与评分知识；S9、将在L层上学习到的不同的用户偏好表示与评分知识进行融合，以获取最终的用户偏好表示与评分知识；S10、基于最终的用户偏好表示与评分知识计算查询集损失，全面更新模型中的所有参数；步骤S1具体步骤如下，因果视角下的数据生成过程：基于冷启动推荐系统中的数据生成过程，并将因果关系抽象为因果图；其中，U表示用户特征级别的用户偏好，对于用户u，[o1,o2,...,ok]是用户的k个人口统计特征的嵌入，ok是某一个特征嵌入；D代表不同阶邻居项目集合，即用户交互的项目以及与交互项目的属性和社交相关项目；L代表用户的层级别偏好以及当前用户对每一阶邻居项目的偏好程度，不同的用户对不同邻居项目的偏好是不同的；借助因果推理，建模了不同用户对不同阶邻居项目的偏好程度，也就是将用户层级别的偏好作为先验，在元训练阶段通过用户交互历史中的项目自适应的学习偏好先验，接着在元测试阶段对该先验进行微调；模型中的用户偏好从和中进行学习；Y表示基于用户偏好的评分；因果图中两个结点之间的连接边表示变量之间的因果关系，有：D-U：特征级别的用户偏好表示是基于用户历史交互的项目进行优化的；D,U-L:D和U共同决定了用户的层级别表示；因为用户u的层级别表示是从用户u及其交互的项目以及与交互项目属性相关的项目中学到的；U,L-Y:该边表示变量Y是由X通过两条路径所决定：1）直接路径U-Y；2）间接路径U-L-Y；这是因为用户的评分是由来自特征方面的用户偏好和用户层级别的偏好共同决定的；根据因果理论，D是影响U和Y的混杂因素，忽略混杂因素D会导致U和Y之间产生虚假相关性；考虑到混杂因素D是可观测的，步骤S1中的后门调整策略具体实现为对混杂因素进行分层，即D={d}，其中每个d是每一阶的相邻项目；因此，U和Y之间的真正因果关系使用因果干预代替来进行估计，（1）为了对混杂因子进行分层并实现因果干预，对于每个任务或用户，元学习器自适应地学习用户在每一层空间中的偏好知识，然后将每一层学习到的知识进行融合共同做预测；S3的步骤包括，对于项目，首先通过设置来初始化属性关系和社交关系；经过L层传播后，其属性关系和社交关系具体的表示为和；接着，对于项目，若给定其属性相关邻居在第层中的嵌入，那么项目i在第层的项目嵌入按照以下公式获得， （2）其中表示激活函数，本工作中使用ReLU，表示项目的属性相关邻居的集合，表示在中的可学习的权重矩阵；另外，表示项目在第层卷积的输出；将GCNs的总深度设置为；在层传播之后，就得到每个项目在多个层上的属性关系具体的表示；同样地，多个层上的社交关系具体的项目表示同样使用上述公式（2）获得；由于属性和社交关系具体的项目表征从不同角度提供了项目信息，为了更有效地融合来自不同角度的项目表征，设计了一个融合函数，以聚合具有不同信息的项目表征；具体来说，对于项目i，通过所述融合函数将社交关系和属性关系的表示映射到了相同的语义空间，然后通过权重调节这两种关系类型之间信息流之间的权重；其中，融合函数具体如下：对于项目，给定其多个层上的属性关系和社交关系具体的项目表示，定义以下公式以聚合信息， （3）其中和分别表示属性关系和社交关系具体的表示；表示一个具体的映射函数，将社交关系具体的表示映射到属性关系具体的表示所在的语义空间；是映射函数中的可训练参数，参数是一个可调节的参数权重用于调节这两种关系类型之间的信息流， （4）其中表示需要学习的参数矩阵；此外，为了下文描述更加简洁，本工作使用来表示多视图项目表征器中的所有参数；S4的具体步骤包括，为了估算预测评分，首先设计了一个用户偏好表征器，用于学习用户的偏好表示；对于每一个用户即任务，给定用户的交互项目表示以和潜在特征嵌入，用户的特征偏好表示被定义为公式5， （5）其中是用户u的相关项目集合，表示函数的所有参数；对于用户，学习其偏好的方法如下：输入:用户的潜在特征嵌入;相关项目的表示集合{}；输出:用户u的偏好表示； ； ； ；接着，结合学习到的用户和项目表示生成推荐预测，拼接用户和项目的表示并送入一个三层的多层感知机， （6）其中表示通过参数化的预测函数，是预测得到的评分值，表示拼接操作；接着，用户的偏好通过最小化均方误差（MSE）损失得到， （7）其中表示观测到的用户-项目交互，表示用户对项目的真实评分值；为了方便描述，将用户偏好表征器和评分预测器中包含的所有可训练参数表示为；S4的具体步骤还包括，为了捕获用户对不同阶邻居项目的偏好，层级别自适应用于学习每个任务中的层级别的偏好知识；具体来说，对于一个任务或用户，支持集由用户的直接交互项目组成；接着，给定用户的潜在特征表示和邻居项目在第层上的表示，在该层空间中用户的偏好通过用户偏好表征器得到，即为S4中所提到的每一层空间中的偏好表示，具体实现公式为， （8）。

全文数据：

权利要求：

百度查询： 安徽大学 面向冷启动场景的因果元学习多视角图学习方法及设备