[发明专利]一种基于对抗哈希的物品推荐方法

说明书

本发明公开了一种基于对抗哈希的物品推荐方法，创新地设计了一个基于物品视觉特征的物品哈希网络利用哈希函数根据物体深度学习特征将物品空间映射到低维空，生成物品ID以及潜在向量，同时，采用模态判别器使潜在向量h_i与视觉嵌入v_i相似，利用对抗训练，视觉嵌入直接推断物品潜在向量，对模型参数较少的冷启动物品，提高了推荐性能(准确性)。

技术领域

本发明属于物品推荐技术领域，更为具体地讲，涉及一种基于对抗哈希的物品推荐方法。

背景技术

物品推荐是应用机器学习的一项基本任务，学习用户的兴趣以及如何向用户推荐物品。随着推荐场景的复杂化和数据量的增加，物品推荐进入了深度学习的新时代。贝叶斯个性化排序(BPR)等基于潜在因素的方法将每个物品和用户表示为潜在因素或嵌入，并根据不同的机制计算相似度或偏好。BPR是一种协同过滤方法，利用一种新的BPR成对排序损失来训练矩阵分解模型。由于矩阵分解是完全基于用户-物品交互学习的，因此它可以作为具有视觉特征的模型的基准。但是，这些方法不能充分利用物品的侧面信息，在推测用户偏好时可能会隐藏有用信息。

基于神经网络的方法为从图像、文字和视频的角度理解物品内容提供了新的工具，但如何利用这些深度学习特征进行物品推荐仍是一个问题。在基于图像的物品推荐场景中，DUIF(Deep User and Image Feature learning)将矩阵分解中嵌入的项替换为将图像深度特征投影到潜在空间中。VBPR(Visual Bayesian Personalized Ranking)同时使用物品潜在因素和深度学习图像特征来表示一个项目，在推荐场景预热时性能更好。由于VBPR在预测不可见的用户-多媒体物品交互方面具有很强的泛化能力，因此被认为是最有效的物品推荐模型。

物品推荐在在线服务中起着核心作用，由于深度神经网络在表示学习方面的成功，物品推荐的最新进展主要集中在探索深度学习方法来提高推荐精度。但是，由于物品总体呈幂律分布，并不是所有的物品嵌入都能被很好的训练，从而导致冷启动物品的推荐性能(准确性)较差。

目前的物品推荐方法仍然依赖于从用户-物品交互中训练出来的项目潜在因子或项目嵌入。因此，当推断用户对冷启动物品的偏好时，这些错误的输入将带来更糟糕的结果。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于对抗哈希的物品推荐方法，以提高冷启动物品的推荐准确性。

为实现上述发明目的，本发明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；