(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211072658.4 (22)申请日 2022.09.02 (71)申请人 重庆大学 地址 400030 重庆市沙坪坝区沙正 街174号 (72)发明人 周明强　李坤朋　代开浪　钱致远　 李梦娇　 (74)专利代理 机构 杭州知学知识产权代理事务 所(普通合伙) 33356 专利代理师 张雯 (51)Int.Cl. G06Q 30/06(2012.01) G06N 3/08(2006.01) G06F 16/9535(2019.01) (54)发明名称 一种基于元学习的响应式推荐 方法、 系统及 设备 (57)摘要 本发明提供了一种基于元学习的响应式推 荐方法、 系统及设备， 方法包括： 构建基于 元学习 的响应式推荐模 型， 基于元学习的响应式推荐模 型包括异构信息网络的元学习器和ID嵌入表示 生成器； 利用获取的数据， 对基于元学习的响应 式推荐模型进行训练， 得到训练完成的基于元学 习的响应式推荐模型以及模型优化参数； 获取待 推荐用户的用户 ‑商品历史评分数据， 并基于评 分数据、 训练完成的推荐模型以及模型优化参 数， 获得目标推荐商品并推荐给用户。 本发明采 用基于元学习的响应式推荐 方法， 引入元学习和 ID嵌入表示生成器， 从而从根源上解决了现有的 老用户兴趣变化的响应性问题以及新用户和新 商品的初始响应问题， 导致推荐准确性低、 用户 满意度低的问题。 权利要求书5页 说明书16页 附图2页 CN 115409579 A 2022.11.29 CN 115409579 A 1.一种基于元 学习的响应式推荐方法， 其特 征在于， 包括 步骤： S1、 构建基于元学习的响应式推荐模型； 所述基于元学习的响应式推荐模型包括异构 信息网络的元学习器和ID嵌入表示生成器， 所述异构信息网络的元学习器包括用户嵌入表 示模块、 商品嵌入表示模块、 嵌入表示连接层、 评分预测器； 所述用户嵌入表示模块， 将用户的嵌入表示记为 其计算方式为： 其中， 为用户u的基础嵌入表示， 通过用户ID从嵌入矩阵 中查找获得； fU(·)是一 个映射函数， 为多层感知机MLP， 它将用户u的multi ‑hot形式的属性向量 映射到与 相同 的空间， 得到用户的属性嵌入表示； 所述属性向量包括用户年龄、 性别； 为可训练的权重 矩阵， 将语义嵌入表示 转换到与 相同的空间； α与β 分别为 和 的系数， 决定了 它们在 中的重要性； 其中， 语义嵌入表示 的计算可表示 为： 其中， ωu是hu的权重， 子嵌入表示hu可通过聚合 其邻居节点的嵌入表示得到： 其中， g(·)是一个均值聚合 函数， 是用户u在异构信息网络G中的采样邻居集 合； 所述商品嵌入表示模块， 对于商品i， 通过与用户相同的网络结构得到商品嵌入表示 其计算方式为： 其中， 为商品i的基础嵌入表示， 通过商品ID从嵌入矩阵 中查找获得； fI(·)是一个 映射函数， 为多层感知机MLP， 它将商品i的multi ‑hot形式的属性 向量 映射到与 相同的 空间， 得到商品的属性嵌入表示； 所述属性向量包括商品价格、 类别； 为可训练的权重矩 阵， 将语义嵌入表示 转换到与 相同的空间； λ与 θ 分别为 和 的系数， 决定了它们 在 中的重要性； 其中， 语义嵌入表示 的计算可表示 为： 其中， ωi是hi的权重， 子嵌入表示hi可通过聚合 其邻居节点的嵌入表示得到： 其中， g(·)是一个均值聚合 函数， 是商品i在异构信息网络GI中的采样邻居集 合； 所述嵌入表示连接层， 将所述用户嵌入表示模块得到的用户嵌入表示和所述商 品嵌入 表示模块得到的商品嵌入表示进行拼接， 得到最终的嵌入表示；权　利　要　求　书 1/5 页 2 CN 115409579 A 2所述评分预测器， 将所述最终的嵌入表示输入至评分预测器， 生成用户对商品的评分； 具体地， 评 分预测器使用MLP来建模用户和商品嵌入表 示之间的关系， 将用户u对商品i的预 测评分 计算为： 其中， M(·)表示多层感知机， 表示向量 拼接操作； 所述ID嵌入表示生成器， 它通过神经网络将新用户u或新商品i的属性 或 作为输入 信息， 输出ID嵌入表示， 该 过程可形式化为： 其中， 和 分别为用户和商品的初始嵌入表示， 和 分别为用户和商品的子嵌入 表示， 和gI(·)分别为对应的ID嵌入表示 生成器， 是一个多层感知机； S2、 利用获取的数据， 对所述基于元学习的响应 式推荐模型进行训练， 得到训练完成的 基于元学习的响应式推荐模型以及模型优化 参数κ1, κ2, κ3； S21、 获取所有用户的用户 ‑商品历史评分数据R＝{(u,i,ru,i)}， 将R按用户划分为多个 子集R1,R2,...,Rm， 并对模型参数进行初始化； S22、 在每个训练周期， 以用户为单位划分多个批次Batches＝{B1,B2,...}进行训练， 将 用户集Ru随机划分为支持集 和查询集 且保证 其中Ru表示用户u的用户 ‑商 品历史评分数据； S23、 构建任务 其中 和 分别对应元学习中的支持集和查询集， 和 分别表 示用户u和商品i的相关信息， 具体表示 为： 其中， u和i分别表示用户和商品的ID， 和 分别表示用户u和商品i的属性向量， 和 分别为用户u在多层网络GU， 商品i在多层网络GI中的采样邻居集 合： 权　利　要　求　书 2/5 页 3 CN 115409579 A 3