-
公开(公告)号:CN113868517A
公开(公告)日:2021-12-31
申请号:CN202111087039.8
申请日:2021-09-16
Applicant: 北京交通大学
IPC: G06F16/9535 , G06Q30/06 , G06N20/00
Abstract: 本发明提供了一种基于自监督变分自编码器的物品推荐方法。该方法包括:获取推荐主任务数据,收集用户反馈数据,构建用户‑物品反馈矩阵;获取自监督辅助任务数据,利用自监督辅助任务数据进行数据增广,获得增广后的用户‑物品反馈矩阵;将所述用户‑物品反馈矩阵和所述增广后的用户‑物品反馈矩阵输入到自监督变分自编码器SSVAE模型,利用目标函数优化算法训练SSVAE模型,得到训练好的SSVAE模型;根据训练好的SSVAE模型预测用户对未评分物品的喜好程度,并将预估分值较高的物品推荐给用户。本发明的方法通过设计简单而有效的自监督任务挖掘用户反馈信息的内在特征,辅助主任务获取更高质量的用户表征,可以大幅度提高推荐性能。
-
公开(公告)号:CN113868517B
公开(公告)日:2024-09-20
申请号:CN202111087039.8
申请日:2021-09-16
Applicant: 北京交通大学
IPC: G06F16/9535 , G06Q30/0601 , G06N20/00
Abstract: 本发明提供了一种基于自监督变分自编码器的物品推荐方法。该方法包括:获取推荐主任务数据,收集用户反馈数据,构建用户‑物品反馈矩阵;获取自监督辅助任务数据,利用自监督辅助任务数据进行数据增广,获得增广后的用户‑物品反馈矩阵;将所述用户‑物品反馈矩阵和所述增广后的用户‑物品反馈矩阵输入到自监督变分自编码器SSVAE模型,利用目标函数优化算法训练SSVAE模型,得到训练好的SSVAE模型;根据训练好的SSVAE模型预测用户对未评分物品的喜好程度,并将预估分值较高的物品推荐给用户。本发明的方法通过设计简单而有效的自监督任务挖掘用户反馈信息的内在特征,辅助主任务获取更高质量的用户表征,可以大幅度提高推荐性能。
-