(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 202210976839.3 (22)申请日 2022.08.15 (71)申请人 暨南大学 地址 510630 广东省广州市黄埔大道西6 01 号 (72)发明人 吴汉瑞　龙锦益　李诺思　 (74)专利代理 机构 深圳科湾知识产权代理事务 所(普通合伙) 44585 专利代理师 曾文波 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/2457(2019.01) G06Q 30/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种面向冷启动推荐的对抗自编码迁移学 习方法 (57)摘要 本发明公开一种面向冷启动推荐的对抗自 编码迁移学习方法， 通过 五个步骤处理物品冷启 动问题， 首先构建正负超图。 然后利用多层感知 机获取暖用户、 冷用户的常规特征。 构建超图自 编码器， 分别获取暖用户和物品的正、 负特征， 并 重构正、 负超图。 开发一个匹配判别器， 用以最小 化暖用户正、 负特征的分类损失以及暖用户的正 特征和常规特征之间的分布差距。 由此， 暖用户 的正特征和常规特征被连接起来， 而暖用户的正 特征与物品的正特征通过正超图相关联， 使冷启 动用户的常规特征与物品的正特征的关系被发 现， 计算冷用户的常规特征和物品的正特征的欧 式距离并排序， 向用户推荐T op‑K个物品， 并用精 度、 召回率、 NDCG、 击中率为指标在多个现实数据 集上验证本方法的优越性。 本方法有效解决冷启 动问题， 为用户提供更加精确且个性化的推荐建 议。 权利要求书4页 说明书9页 附图1页 CN 115422442 A 2022.12.02 CN 115422442 A 1.一种面向冷启动推荐的对抗自编码迁移学习方法， 其特 征在于： 包括以下步骤： S1、 构建出一个超图， 对用户与物品的交互信息进行建模， 并根据原始超图设计正超 图、 负超图； S2、 设计一个多层感知机网络获得暖用户、 冷启动用户的常规特 征表示； S3、 构建一个超图自编码器分别用于正超图、 负超图， 获取暖用户、 物品的正、 负特征表 示， 将正特征视为源数据， 常规特征视为目标数据。 此外重构正、 负超图， 用于 保存用户和物 品之间的关联信息； S4、 构建一个匹配判别器， 为暖用户的正、 负特征分配伪标签， 最小化暖用户的正、 负特 征的分类损失以及正特 征和常规特 征的之间的分布差距； S5、 计算冷启动用户的常规特征与物品特征之间的欧几里得距离并排序， 向用户推荐 Top‑K个物品， 并计算精度、 召回率、 NDCG以及击中率。 2.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法， 其特征在 于： 上述步骤S1包括有： S1.1、 对用户评分矩阵进行预处理， 删除评分为0的物品， 保留剩余的物品作为交互项 目； S1.2、 将用户按照9： 1的比例划分为暖用户和冷启动用户， 并根据暖用户与物品的交互 信息构建出超图， 具体为 且上述超图的形式如下： 其中nw表示暖用户数目， m代表物 品总数， R(i,j)的值为1代表暖用户i与物 品j有交互， 否则R(i,j)的值 为0； S1.3、 正超图R+等于原始超图R， 正超图代表用户的偏好项目， 从原始超图R中随机选 取R (i,j)值为0项目构建负超图R‑； 则负超图的形式如下 所示： 。 3.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法， 其特征在 于： 上述步骤S2包括有： S2.1、 构造一个多层感知机神经网络， 来获取暖用户和冷启动用户的常规特征， 其具体 公式如下 所示： 其中h(·)表示全连接神经网络， 表示用户特征， 在原始数据存在用户的信权　利　要　求　书 1/4 页 2 CN 115422442 A 2任关系， 这些信任关系被用作信任关系， n表示用户总数， d表示特征的维度， Φ表示可训练 的网络权重， 且有 U＝[Uw,Uc] Uw和Uc分别代表 暖用户和 冷启动用户的原始特征， 和 分别代表 暖用户和 冷启动 用户的常规特 征表示。 4.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法， 其特征在 于： 上述步骤S3包括有： S3.1、 用户和物品之间的关系用超图来表示， 在正超图上使用超图自编码器学习暖用 户和物品的高层特 征表示， 具体公式如下 所示： 其中f+为超图自编码器， T为物品的特征， 为重构的超图， 为暖用户的正特征， 为物品的正特 征； S3.2、 利用步骤S3.1获取的暖用户的正特征以及物品的特征重构正超图， 重构正超图 的损失表示 为： 其中 为二元交叉熵函数。 S3.3、 在负超图上使用超图自编码器学习暖用户和物品的高层特征表示， 具体公式如 下所示： 其中f‑为超图自编码器。 为重构的超图， 为暖用户的负特征， 为物品的负特 征； S3.4、 利用步骤S3.3获取的暖用户的负特征以及物品的特征重构负超图， 重构负超图 的损失可以表示 为： 。 5.根据权利要求1所述的一种面向冷启动推荐的对抗自编码迁移学习方法， 其特征在 于： 上述步骤S4包括有： S4.1、 分别给暖用户的正特 征 以及负特 征 分配伪标签， 即 设定 分配伪标签为 其中nw为暖用户数量， d为特 征维度； 且正特征包含着用户的偏好信息， 负特 征包含着用户不感兴趣的信息； S4.2、 为了桥接暖用户的正特 征以及常规特 征， 即设定权　利　要　求　书 2/4 页 3 CN 115422442 A 3