[发明专利]基于协同学习的用户兴趣建模方法和系统

权利要求书

1.一种基于协同学习的用户兴趣建模方法，其特征在于，包括以下步骤：

数据收集步骤：收集用户数据，所述用户数据包括历史交互行为数据、辅助信息数据；

变分编码器步骤：使用第一变分自编码器、第二变分自编码器分别对历史交互行为数据、辅助信息数据进行编码，得到第一变分分布、第二变分分布；

协同学习训练步骤：采用相对熵作为第一变分分布与第二变分分布的约束因素，得到训练后第一变分自编码器、训练后第二变分自编码器；

预测算法步骤：使用训练后第一变分自编码器得到第一用户推荐结果，使用训练后第二变分自编码器得到第二用户推荐结果，令第一用户推荐结果或者第二用户推荐结果作为预测推荐结果；

使用变分自编码器从历史交互行为数据和辅助信息中提取用于表达用户偏好的变分分布；

在两个变分自编码器之间设计基于相对熵的协同学习训练，使得两个变分自编码器利用两种数据能够相互增强。

2.根据权利要求1所述的基于协同学习的用户兴趣建模方法，其特征在于，所述变分编码器步骤包括：

编码步骤：令历史交互行为数据做二值化处理，得到向量x_u，令辅助信息数据做二值化处理，得到向量y_u；

第一变分分布步骤：采用第一变分自编码器VAE_x对向量x_u编码，得到第一变分分布参数均值第一方差第一变分分布计算如下：

式中，是高斯分布，表示第一变分分布；

下标u表示用户u；

表示均值为A，方差为B的高斯分布；

z_u表示用户u的第一隐变量；

φ_x表示第一变分自编码器的网络参数；

第二变分分布步骤：采用第二变分自编码器VAE_y对向量y_u编码，得到第二变分分布参数均值第二方差第二变分分布计算如下：

式中，是高斯分布，表示第二变分分布；

r_u表示用户u的第二隐变量；

φ_y表示第二变分自编码器的网络参数。

3.根据权利要求2所述的基于协同学习的用户兴趣建模方法，其特征在于，所述协同学习训练步骤包括：

第一变分自编码器协同训练步骤：令第二变分自编码器VAE_y辅助第一变分自编码器VAE_x，令第一变分分布符合

式中；KL(A||B)表示分布A与分布B之间的相对熵；

第二变分自编码器协同训练步骤：令第一变分自编码器VAE_x辅助第二变分自编码器VAE_y，令第二变分分布符合

4.根据权利要求2所述的基于协同学习的用户兴趣建模方法，其特征在于，所述预测算法步骤包括：

选择概率计算步骤：对第一变分分布进行采样，得到隐变量z_u，采用第一变分自编码器VAE_x对隐变量z_u解码，获得用户u的第一物品选择概率π_u；对第二变分分布进行采样，得到隐变量r_u，采用第二变分自编码器VAE_y对隐变量r_u解码，获得用户u的第二物品选择概率p_u；

预测推荐步骤：令第一物品选择概率π_u、第二物品选择概率p_u进行大小排序，若第一物品选择概率π_u大于第二物品选择概率p_u，则将第一变分分布作为预测推荐结果；若第一物品选择概率π_u不大于第二物品选择概率p_u，则将第二变分分布作为预测推荐结果。