[发明专利]一种信息增强的缓解推荐用户冷启动问题的元学习方法

说明书

本发明公开了一种信息增强的缓解推荐用户冷启动问题的元学习方法，根据用户物品的评论关系构建用户—物品二部图；将用户邻域信息和物品描述文本作为节点信息的来源，对构建的二部图进行随机采样，构建元学习的任务，每个任务代表为一个新用户做冷启动推荐来模拟为新用户实现推荐的场景；再使用bert方法，针对每个元学习任务进行文本数据的特征提取工作，以得到偏好信息；将偏好信息引导元全局参数生成每个用户的嵌入生成函数的局部参数，通过将元学习任务输入到推荐模型得到用户对物品的预测评分，对于元学习参数进行更新，训练好的参数直接运用到未训练过的新用户。本发明缓解了新用户交互少无法评估偏好推荐不准确的问题。

技术领域

本发明涉及网络信息推送方法领域，具体是一种信息增强的缓解推荐用户冷启动问题的元学习方法。

背景技术

随着互联网的发展，电商平台几乎可以满足人们任何购物需求，也越来越多人依赖于网络购物。面对爆炸式增长的用户与物品数量，推荐系统应运而生。推荐系统根据用户的偏好，为用户提供精确的个性化推荐，在提升用户购物体验的同时，也提高了电商平台的销量。但是推荐模型一般对用户特定的数据敏感，对部分用户表现较好，但总体来说泛化能力差。并且推荐模型需要大量用户交互数据进行训练来提供个性化推荐，新用户的最大特点就是用户交互数据较少，因此传统的方法都存在严重的冷启动问题。推荐系统的冷启动问题与泛化能力差的问题亟待解决。

最新的研究将新兴元学习算法应用到推荐之中，主要是通过元学习实现小样本学习的方法来模拟交互极少的新用户来缓解冷启动方面的问题，除此之外，还应用于对已有的推荐系统自适应选择或者再训练等方面。目前，大部分关于元学习缓解冷启动问题的研究都直接利用了模型无关元学习算法(Model-Agnostic Meta-Learning，MAML)思想对推荐模型的参数初始化进行学习，在大量不同的任务上训练，通过少量的梯度步骤，能快速得到适应新任务的表征。但是目前元学习对推荐系统冷启动问题的研究存在一些问题，无法很好缓解完全冷启动场景，大部分的研究都是基于新用户具有少量交互的基础上，并且具有稳定性差和在一些用户上模型获得局部最优解等缺点。因此，需要添加一些用户的偏好信息指导元学习的参数指导生成不同用户的推荐模型参数，提高模型的泛化能力。但是由于隐私保护的原因，用户的配置文件难以获得甚至或得到虚假的配置文件信息，导致初始偏好获取困难。

发明内容

本发明的目的是提供一种信息增强的缓解推荐用户冷启动问题的元学习方法，利用用户对物品的评论文本提取偏好信息来优化元学习方法，以解决现有技术推荐系统中用户冷启动问题，为新用户提供更加准确的个性化推荐。

为了达到上述目的，本发明所采用的技术方案为：

一种信息增强的缓解推荐用户冷启动问题的元学习方法，包括以下步骤：

(1)、基于评论关系构建用户、物品的邻接矩阵，然后基于所述邻接矩阵构建用户-物品交互二部图，所述用户-物品交互二部图中以用户、物品分别作为节点；

(2)、根据物品自身的属性特征生成物品节点的嵌入向量，并利用聚合方法生成用户节点的嵌入向量；

(3)、对所述用户-物品交互二部图进行采样以构建元学习任务的数据集；

(4)、利用bert模型从用户对物品的评论文本中提取用户偏好信息；

(5)、搭建全连接网络作为推荐模型，向推荐模型中加入所述用户节点的偏好信息，并采用步骤(3)得到的数据集训练所述推荐模型，基于训练结果将推荐模型的全局参数更新至最优参数；

(6)、使用全局参数为最优参数的推荐模型，对新用户进行物品推荐。

进一步的，所述步骤(1)中，获取用户对物品的评论文本，基于评论文本得到用户、物品的评论关系。

进一步的，所述步骤(1)中，用户-物品交互二部图以所述邻接矩阵作为用户-物品交互二部图的边。