[发明专利]一种基于对抗哈希的物品推荐方法

权利要求书

1.一种基于对抗哈希的物品推荐方法，其特征在于，包括以下步骤：

(1)、提取物品的深度学习特征图

对物品的图片或视频进行预处理，然后送入卷积神经网络进行特征提取，得到物品的D维的深度学习特征图c_i，i＝1，2，…N，N为物品的数量，深度学习特征图c_i为行向量；

(2)、获取物品的潜在向量

将物品的深度学习特征图c_i送入物品哈希网络中，首先进行哈希函数映射，将视觉上相似的物品通过哈希函数映射到同一个桶(bucket)中，哈希函数为一个两层感知器h，得到特征向量b_i：

b_i＝sgn(h(c_i))

其中，h()表示哈希函数，将深度学习特征图c_i映射为L维，如果某一维大于0，则符号函数sgn()返回1，否则返回0；这样，特征向量b_i表示为：

特征向量b_i为二进制multi-hot为物品的新“ID”，所有N个物品的特征向量b_i按行依次放置，构成矩阵B_N×L；

然后，将矩阵B_N×L与特征嵌入矩阵Q_L×K相乘，得到物品潜在矩阵H_N×K，其中，第i个物品对应的特征向量为h_i(为物品潜在矩阵H_N×K的第i行)，即物品的潜在向量h_i；

(3)、获取物品的视觉嵌入向量

对物品的深度学习特征图c_i送入视觉嵌入生成器，得到视觉嵌入v_i：

v_i＝(E_K×D·c_i^T)^T

其中，T表示转置，E_K×D为视觉嵌入生成器的参数；

(4)、训练物品哈希网络

将物品的潜在向量h_i与视觉嵌入v_i送入模态判别器进行判别，根据判别结果，采用反向传播，对物品哈希网络进行对抗训练，使模态判别器无法判别输入来自物品哈希网络还是视觉嵌入生成器；

(5)、物品推荐

将物品的深度学习特征图送入训练好的物品哈希网络中，得到物品的潜在向量h_i，并与视觉嵌入v_i一并送入预测模型中进行预测，得到物品i对于用户u的预测值

其中：

p_u＝u·P_M×K

其中，u为表示用户的行向量(用户向量)，用户数量为M，根据用户编号确定用户向量对应位为1，其余的都为0，p_u为用户潜在向量，P_M×K为用户嵌入矩阵；

根据预测值的大小进行排序，向用户u进行物品推荐。