本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種基于超圖及多行為對比學習的推薦方法、裝置設備及介質(zhì)。

背景技術：

1、隨著互聯(lián)網(wǎng)的普及和信息的爆炸式增長，推薦系統(tǒng)(rs)已成為在線領域(包括電商、社交網(wǎng)絡、視頻平臺等)的重要應用，其通過分析用戶的歷史行為和偏好，向用戶推薦可能感興趣的物品或服務。然而，傳統(tǒng)的推薦系統(tǒng)依賴于單一行為(如購買、點擊)來構(gòu)建用戶偏好模型，在面對用戶行為多樣化的現(xiàn)實場景時，推薦效果限表現(xiàn)出局限性。

2、為克服傳統(tǒng)推薦系統(tǒng)的局限性，通過同時考慮用戶的多種行為構(gòu)建更全面的用戶偏好模型的多行為推薦方法應運而生，該系統(tǒng)包括傳統(tǒng)卷積方法和圖卷積方法。傳統(tǒng)卷積模型使用向量表示用戶和物品，盡管這些模型通常輕量且易于解釋，但在處理多樣化用戶行為時，可能導致用戶-物品關系信息丟失。圖卷積模型通過構(gòu)建交互圖捕捉用戶和物品的全面關系，盡管更全面，但在數(shù)據(jù)稀疏的情況下易受噪聲干擾。

3、一些方法通過構(gòu)建超圖來解決數(shù)據(jù)稀疏情況下的噪聲干擾問題，更全面地建模用戶和物品特征，從而提高推薦的準確性，但是不同行為間用戶交互密度的不一致性和數(shù)據(jù)不平衡，導致用戶特征學習不足和交互記錄稀疏；相關技術中的方法采用以端到端的方式進行訓練和預測，難以解釋不同用戶或物品之間及不同行為之間的關系，限制了推薦系統(tǒng)的應用范圍和性能。

技術實現(xiàn)思路

1、本發(fā)明提供一種基于超圖及多行為對比學習的推薦方法、裝置設備及介質(zhì)，解決了相關技術中推薦方法的數(shù)據(jù)稀疏性、行為不平衡以及特征學習不足的問題。

2、為達到上述目的，本技術采用如下技術方案：

3、第一方面，提供一種基于超圖及多行為對比學習的推薦方法，包括：

4、獲取用戶與物品的交互數(shù)據(jù)并預處理，獲得用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)；

5、基于用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)，構(gòu)建用于體現(xiàn)用戶與物品之間多行為交互和語義信息的超圖；

6、基于所述超圖獲取用戶和物品的特征表示，通過多行為對比學習增強所述用戶和物品的特征表示；

7、基于增強特征進行特征融合并進行目標行為預測及推薦。

8、在第一方面的第一種可能的實現(xiàn)方式中，所述的基于用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)，構(gòu)建用于體現(xiàn)用戶與物品之間多行為交互和語義信息的超圖，包括：

9、基于所述用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)，構(gòu)建用戶與物品的交互圖；

10、基于所述用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)，提取語義信息構(gòu)建語義超圖；

11、基于所述交互圖，利用交互關系構(gòu)建行為超圖；

12、基于所述語義超圖和所述行為超圖構(gòu)建語義增強超圖。

13、基于第一方面的第一種可能的實現(xiàn)方式，在第一方面的第二種可能的實現(xiàn)方式中，基于所述超圖獲取用戶和物品的特征表示，通過多行為對比學習增強用戶和物品的特征表示，包括：

14、從所述交互圖和所述語義增強超圖中分別提取對應視圖下的用戶和物品的特征表示；

15、基于提取的所述用戶和物品的特征表示，通過對比學習將不同視圖下用戶和物品的特征表示對齊；

16、基于對齊的所述用戶和物品的特征表示，進行行為特征增強。

17、基于第一方面的第二種可能的實現(xiàn)方式，在第一方面的第三種可能的實現(xiàn)方式中，所述的基于對齊的所述用戶和物品的特征表示，進行行為特征增強，包括：

18、基于對齊的所述用戶和物品的特征表示，通過增強聚集器進行特征傳播；

19、將每一種行為的用戶特征和物品特征進行聚合；

20、將聚合的特征經(jīng)過m層增強圖卷積，集合每一層得到的特征，形成用戶或物品的最終表示。

21、基于第一方面的第三種可能的實現(xiàn)方式，在第一方面的第四種可能的實現(xiàn)方式中，基于增強特征進行特征融合并進行目標行為預測及推薦，包括：

22、配置多維交互增強注意力機制，所述多維交互增強注意力機制包括多維獨立的注意力頭，對于每個維度：

23、headh＝softmax(wh(p(i,k)||q(j,k))+bh)，

24、式中，||表示向量的串聯(lián)運算，wh∈rk×2d和bh∈rk×1表示特征變換矩陣和偏移矩陣；p(i,k)表示用戶的增強特征表示；q(j,k)表示物品的增強特征表示；

25、多維交互增強最終表示為

26、

27、式中，concat(·)用于將所有維度特征串聯(lián)起來，w0∈rhk×k為輸出變換矩陣；

28、基于所述多維交互增強注意力機制，進行多行為特征融合，通過如下公式實現(xiàn)：

29、

30、

31、其中，pi為融合后的用戶特征，qj為融合后的物品特征；

32、基于融合后的特征進行目標行為預及推薦。

33、基于第一方面的第四種可能的實現(xiàn)方式，在第一方面的第五種可能的實現(xiàn)方式中，所述的基于增強特征進行特征融合并進行目標行為預測及推薦，還包括：

34、基于融合后的特征訓練推薦模型。

35、第二方面，提供一種基于超圖及多行為對比學習的推薦裝置，包括：

36、數(shù)據(jù)預處理模塊，用于獲取用戶與物品的交互數(shù)據(jù)并預處理，獲得用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)；

37、超圖構(gòu)建模塊，用于基于用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)，構(gòu)建用于體現(xiàn)用戶與物品之間多行為交互和語義信息的超圖；

38、對比學習增強模塊，用于基于所述超圖獲取用戶和物品的特征表示，通過多行為對比學習增強所述用戶和物品的特征表示；

39、特征融合及預測推薦模塊，用于基于增強特征進行特征融合并進行目標行為預測及推薦。

40、在第二方面的第一種可能的實現(xiàn)方式中，所述超圖構(gòu)建模塊，具體用于：

41、基于所述用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)，構(gòu)建用戶與物品的交互圖；

42、基于所述用戶行為數(shù)據(jù)和物品屬性數(shù)據(jù)，提取語義信息構(gòu)建語義超圖；

43、基于所述交互圖，利用交互關系構(gòu)建行為超圖；

44、基于所述語義超圖和所述行為超圖構(gòu)建語義增強超圖。

45、第三方面，提供一種電子設備，所述電子設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執(zhí)行時實現(xiàn)如第一方面所述基于超圖及多行為對比學習的推薦方法的步驟。

46、第四方面，提供一種可讀存儲介質(zhì)，所述可讀存儲介質(zhì)上存儲有程序或指令，所述程序或指令被處理器執(zhí)行時實現(xiàn)如第一方面所述基于超圖及多行為對比學習的推薦方法的步驟。

47、本技術通過超圖增強信息，捕捉物品與物品以及用戶與用戶之間的關聯(lián)性?；谛袨樵鰪姷奶卣鲗Ρ葘W習，為每個用戶或物品學習交互圖和超圖兩種特征表示，并進行對齊，以獲得更豐富且真實的特征表示。此外，基于注意力的特征融合網(wǎng)絡，通過添加圖注意力機制，在不同行為之間進行特征融合，顯著增強了跨不同行為知識轉(zhuǎn)移的可解釋性。該方法在多行為推薦系統(tǒng)中表現(xiàn)出色，有效解決了數(shù)據(jù)稀疏性和行為不平衡等問題，提高了推薦的準確性和效率，節(jié)省了用戶的時間，提升了用戶體驗。