(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 202210648877.6 (22)申请日 2022.06.09 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 胡瑞敏　黄娜娜　王晓晨　李登实　 李希希　彭潇然　郭翔　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 俞琳娟 (51)Int.Cl. G06F 16/9536(2019.01) G06F 16/9535(2019.01) G06F 21/62(2013.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于共享物品相关信息的跨平台序列推荐 方法及装置 (57)摘要 本发明提供基于共享物品相关信息的跨平 台序列推荐方法及装置， 能够解决数据稀疏问题 并有效提高目标平台的推荐性能， 跨平台序列推 荐方法包括： 步骤1、 从辅助平台上获取物品 Embedding信息； 步骤2、 对 步骤1得到的辅助平台 上物品的向量信息， 过滤掉用户的相关信息； 步 骤3、 将步骤2中过滤处理后辅助平台的物品信息 迁移到目标平台中； 步骤4、 利用步骤3得到的目 标平台中整合了辅助平台迁移而来的物品信息， 得到目标平台物品信息的额外嵌入向量的统一 表示， 使用早期融合来合并嵌入向量； 步骤5、 弥 合两个平台的空间差异， 通过使用预测函数来估 计用户和物品之间的交互概率， 利用向量信息进 行序列推荐。 权利要求书3页 说明书9页 附图3页 CN 115130010 A 2022.09.30 CN 115130010 A 1.基于共享物品相关信息的跨平台序列推荐方法， 其特 征在于， 包括以下步骤： 步骤1： 从辅助平台上获取物品Embed ding信息； 步骤2： 对步骤1得到的辅助平台上物品的Embedding向量信息， 过滤掉用户的相关信 息； 步骤3： 将步骤2中过 滤处理后辅助平台的物品Embed ding信息迁移到目标平台 中； 步骤4： 利用步骤3得到的目标平台中整合了辅助平台迁移而来的物品Embedding信息， 得到目标平台物品信息的额外嵌入向量的统一表示， 使用早期融合 来合并嵌入向量； 步骤5： 根据步骤3和4得到的从辅助平台迁移过来的物品侧信息， 平台级的注意力单元 动态调整两个平台信息， 弥合两个平台的E mbedding空间差异， 通过使用预测函数来估计用 户和物品之间的交 互概率， 利用Embed ding向量信息进行序列推荐。 2.根据权利要求1所述的基于共享物品相关信息的跨平台序列推荐方法， 其特 征在于： 其中， 步骤4包括如下子步骤： 步骤4‑1： 把辅助平台的物品Embedding信息迁移到目标平台后， 基于隐空间表征学习 的推荐模型， 为每个用户和物品在隐空间分配实值向量刻画其兴趣与属 性， 将稀疏 的用户 和物品原始表示投影到实值向量中， 得到用户和物品的独热编码表示， 基于迁移向量增强 的嵌入向量层， 将稀疏的用户和物品编 码投影到密集向量中， 通过引入维度自适应模块， 得 到辅助平台的物品嵌入向量； 步骤4‑2： 基于步骤4 ‑1得到的辅助平台的物品嵌入向量， 将其迁移至目标平台， 将用户 ID(u)和物品ID(i)编码为一个独热编码， 通过两个嵌入矩阵分别将用户与物品的原始ID表 示转化为稠密向量表示； 步骤4‑3： 对步骤4 ‑2中得到的跨平台迁移数据信息， 为了丰富对于用户的刻画与表征， 基于用户在目标平台的交互历史， 与辅助平台迁移的物品向量， 使用基于物品的协同过滤 方法， 将辅助平台迁移过来的物品嵌入整合至一个额外用户嵌入向量pu中； 步骤4‑4： 对步骤4 ‑3中得到的用户额外向量表示， 使用早期整合来合并嵌入向量， 使得 可以显示 地捕获两个嵌入向量之间的交 互关系， 得到不同物品的不同重要性表示； 步骤4‑5： 对步骤4 ‑4中得到不同物品的不同重要性， 在考虑平台间差异的基础上， 设计 平台层注意力网络控制来自两个平台的预测信号的影响， 使用早期 融合来合并嵌入向量， 得到对于用户的最终表征向量。 3.根据权利要求2所述的基于共享物品相关信息的跨平台序列推荐方法， 其特 征在于： 其中， 在步骤4 ‑1中， 利用辅助平台的数据来促进目标平台中物品重叠的推荐质量， 设 置一个用户与物品的交 互矩阵 每个条目的二进制值定义 为： 在辅助平台中， 设置另一个二元用户 ‑物品交互矩阵 其中K和L是用户 和物 品的数量； L项的一部分也出现在目标平台中， 它们被命名为共享项； 从交互矩阵Gt和Ga中， 跨平台推荐的目标是学习一个预测 函数来估计一个给定的用户u与目标平台中的项目i交 互的可能性。 4.根据权利要求2所述的基于共享物品相关信息的跨平台序列推荐方法， 其特 征在于：权　利　要　求　书 1/3 页 2 CN 115130010 A 2其中， 在步骤 4‑3中， 除了利用目标平台的历史交互之外， 额外用户嵌入向量pu还包含来 自于辅助平台的协同过 滤信号， 计算方式如下： 式中， 是 的L1范数， 代表着用户u交互过的物品数量； 在计算时， 需要对于用户历 史 以多热编码表示， 基于用户历史的多热编码与迁移的向量c ′得到额外用户嵌入向量 pu。 5.根据权利要求2所述的基于共享物品相关信息的跨平台序列推荐方法， 其特 征在于： 其中， 在步骤 4‑4中， 物品级注意力单元根据以下 公式为每个转移的项目嵌入cj′学习一 个特定的权 重γuj： 式中， 和b1表示全连接层的权 重矩阵和偏置 。 6.根据权利要求2所述的基于共享物品相关信息的跨平台序列推荐方法， 其特 征在于： 其中， 在步骤4 ‑5中， 使用早期融合来合并嵌入向量， 使得可以显式地捕获两个嵌入向 量之间的交 互， 融合的用户统一嵌入向量的表示如下： vu＝ ηpipu+ ηqiqu,s.t., ηp+ ηq＝1 式中， ηpi和 ηqi分别是pu和qu的可学习的权重， 用来平衡对于物品i而言、 来自目标平台 与辅助平台的信息的重要性。 7.根据权利要求1所述的基于共享物品相关信息的跨平台序列推荐方法， 其特 征在于： 其中， 在步骤5中， 对用户的最终表征向量， 使用两个嵌入向量， 利用点积作为预测函 数， 设计一个框架 来利用辅助 平台已转移的物品嵌入信息， 预测用户交互概率， 产生个性化 推荐列表。 8.根据权利要求1所述的基于共享物品相关信息的跨平台序列推荐方法， 其特 征在于： 其中， 在步骤5中， 利用跨平台推荐的通用框架， 不共享用户行为数据， 采用内积模型来 得到 的值， 计算方式如下： 式中， σ 是sigmo id函数。 9.基于共享物品相关信息的跨平台序列推荐装置， 其特 征在于， 包括： 信息获取模块， 从辅助平台上获取物品Embed ding信息； 过滤模块， 对所述信息获取模块得到的辅助平台上物品的Embedding向量信息， 过滤掉 用户的相关信息， 确保转移到目标平台的数据都是物品侧的信息； 迁移模块， 将过 滤处理后辅助平台的物品Embed ding信息迁移到目标平台 中； 向量嵌入模块， 利用所述迁移模块得到的目标平台中整合了辅助平台迁移而来的物品 Embedding信息， 得到目标平台物品信息的额外嵌入向量的统一表 示， 使用早期融合来合并权　利　要　求　书 2/3 页 3 CN 115130010 A 3