基于图节点特征增强的多层迁移学习跨域推荐方法及系统

专利主权项内容

1.基于图节点特征增强的多层迁移学习跨域推荐方法，其特征在于，包括以下步骤：步骤S1、获取数据及数据预处理：收集用户和物品在源域和目标域的交互历史，包括用户和物品的ID信息、评分信息、以及多个维度的社交媒体信息；步骤S2、提取初始图节点嵌入特征：利用用户和物品的索引ID，基于高阶图结构生成用户和物品在源域和目标域的初始嵌入特征；步骤S3、提取多维一致性用户偏好特征：通过语义对齐多个维度的社交媒体信息与全局语义单元，得到用户在单域内的多维一致性偏好特征；步骤S4、图节点特征增强：基于Transformer模型架构深度融合步骤S2生成的用户初始图节点嵌入特征和步骤S3提取的多维一致性用户偏好特征，增强图节点嵌入特征的质量，更新图节点嵌入特征；步骤S5、分层对齐源域和目标域的用户特征分布；对于步骤S4增强后的图节点嵌入特征，利用基于度量学习的分层域适应方法，通过学习层迁移权重将源域和目标域的用户特征分布进行分层域适应对齐；步骤S6、聚合源域和目标域的各层用户和物品特征：将步骤S4得到的增强后的用户在每一层的图节点嵌入特征进行聚合生成该用户在源域最终用于评分预测的用户嵌入特征；将步骤S4得到的增强后的用户在每一层的图节点嵌入特征与步骤S5得到的层迁移权重相乘之后进行聚合，生成该用户在目标域最终用于评分预测的用户嵌入特征；将步骤S2得到的物品在每一层的图节点嵌入特征进行聚合得到最终用于评分预测的物品嵌入特征；步骤S7、评分预测：将步骤S6得到的用户嵌入特征与物品嵌入特征的转秩做向量相乘运算，得到该用户对物品的预测打分值；选取该用户对目标物品的预测打分的高者为对该用户推荐的物品。