[发明专利]一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统及方法

说明书

本发明属于深度神经网络推荐技术领域，公开了一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统及方法，嵌入层用于输出两个大小为64的表示用户和物品的向量，并将用户、物品的嵌入向量送入外积层；外积层将用户、物品的嵌入向量进行外积得到用户‑物品交互图，利用所述用户‑物品交互图表示基于嵌入层且成对的维数关系；卷积层基于用户‑物品交互图输出表示高纬度的信息的张量，并将输出的张量输出预测层；预测层利用预测函数基于输入张量进行预测，得到预测分数。本发明可以明确捕获成对嵌入维度之间的相关性；保证了模型鲁棒性的同时，提升了整体的推荐效果，模型具有泛用性。

技术领域

本发明属于网络推荐技术领域，尤其涉及一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统及方法。

背景技术

序列推荐系统是指以用户的行为轨迹为输入，然后采用推荐算法，向用户推荐合适的物品或服务的系统。因为序列推荐SR(Sequential Recommend，SR)能够考虑用户交互之间的顺序依赖，对用户偏好可以提供更准确的建模。传统序列推荐方法包括频繁模式挖掘、K-近邻、马尔科夫链、基于因子化的方法等方法，通常会采用矩阵分解法MF(Matrixfactorization,MF)来解决用户在不同序列中的长期偏好，同时使用一阶马尔可夫链来捕捉用户在一个序列中的短期兴趣。

传统方法虽然能够迅速产生推荐，但不能考虑物品之间的顺序依赖性。相比之下，基于深度神经网络DNN(Deep neural networks，DNN)的SR方法能够利用更长的序列进行预测，适应不同长度的输入序列,比传统模型获得更好的准确性。近年来，在电子商务、POI(Point-of-Interes)、音乐和电影/视频等领域已经取得了最先进的性能。因此，基于深度神经网络的序列推荐技术研究在学术界和企业界都具有重要的研究意义和应用价值。

目前，基于DNN的SR模型主要包含基于循环神经网络RNN(Recurrent neuralnetworks,RNN)，卷积神经网络CNN(Convolutional neural networks,CNN)和图神经网络GNNs(Graph neural networks，GNNs)等神经网络模型。其中，RNN模型占大多数。因为RNN可以很好地捕捉到一个会话内或不同会话之间的物品依赖关系，但是在较长的序列中建立依赖关系的模型相对困难。CNN模型的优势是可以很好地捕捉会话中的局部特征和时间信息。GNN可以包含用户的长期偏好和短期兴趣在一个会话中。然而，基于DNN的序列推荐方法存在共同的问题：(1)推荐结果缺乏可解释性和鲁棒性；2)对于复杂的网络需要更多的训练数据。

对抗性机器学习(Adversarial Machine Learning,AML)是一个新兴的研究领域，它结合了机器学习、鲁棒统计和计算机安全领域的最佳做法，能够设计抵抗对抗性攻击的学习算法。AML的关键特点是“min-max”博弈的概念——两个竞争对手进行零和博弈——也就是说,攻击者试图将攻击成功的可能性最大化；而另一个，即防御者——试图在这种最糟糕的情况下去最小化风险。在RS背景下，防御者可以是机器学习模型，如BPR或神经网络，而攻击者是对抗模型。抗性训练AR(Adversarial Training,AR)是AML提出的一种防御机制，其目标不是检测对抗性实例，而是构建在含有对抗性或者不含有对抗性实例中同时表现良好的模型。AR包括将通过特定攻击模型生成的对抗性样本注入到训练过程的每一步,使得模型对敌对样本有更高的鲁棒性，以及对干净样本具有更好的泛化性能。现有技术1表明AR可以使对抗攻击的负面影响从-8.7％减少到-1.4％。