本发明涉及推荐系统，尤其涉及一种增强的图对比学习推荐系统方法、设备及存储介质。
背景技术：
1、传统的推荐系统主要依赖于协同过滤算法，这些算法通常基于用户的历史行为数据，如购买历史或评分，来预测用户可能喜欢的项目。随着技术的发展，图神经网络（gnns）因其出色的结构化数据处理能力而被广泛应用于推荐系统中。gnns能有效捕获用户和项目之间复杂的关系和结构，从而提高推荐的准确性和个性化程度。
2、然而，现有的gnn推荐系统常面临数据稀疏性和噪声问题，这些问题会导致用户偏好的不准确表示，从而影响推荐质量。为了克服这些挑战，近期研究开始探索对比学习（contrastive learning, cl）技术的应用。对比学习通过区分正负样本对，增强模型对数据中的核心信息的捕获能力。然而，现有方法在生成增强视图时，往往忽视了保留任务相关信息与增加视图多样性之间的平衡，这可能导致学习到的表示不足以捕获用户和项目之间深层次的关系。
技术实现思路
1、为了在图神经网络推荐系统中捕获用户和项目之间深层次的关系，本发明提供了一种增强的图对比学习推荐系统方法、设备及存储介质，方法主要包括以下步骤：
2、s1、依据用户和项目交互数据构造二部图；
3、s2、使用轻量级图卷积网络（lightgcn）处理二部图，构建基础视图；
4、s3、定义不变原型，构建增强视图；
5、s4、采用图对比学习策略对比基础视图和增强视图，
6、s5、定义总损失；
7、s6、迭代训练得到图对比学习推荐系统模型，输入待测基础视图至训练好的模型，根据预测结果生成推荐列表。
8、进一步地，二部图以图网络的形式表达用户与项目之间的交互，用户和项目都表现为节点，用户和项目之间的交互表现为节点之间的连接边。
9、进一步地，步骤s2具体为：
10、s21、利用轻量级图卷积网络处理二部图，提取用户与项目的嵌入向量，构建基础视图,形成协作感知空间，具体的图卷积操作表示为：
11、
12、需要说明的是， u和 v是用来区分用户以及项目的统称， i和 j分别为用户以及项目的具体编号；和是第 l层卷积层中向用户和项目的嵌入向量；是激活函数；是从用户-项目交互矩阵a派生的标准化邻接矩阵；其中表示邻接矩阵的第 i行的所有元素，表示邻接矩阵的第 j列的所有元素，表示是在图卷积网络中，第 l-1层的用户嵌入矩阵，表示第 l-1层的项目嵌入矩阵；
13、s22、在协作感知空间中，对每层卷积层的用户和项目的嵌入向量进行平均和添加噪声，得到最终的基础视图嵌入向量:
14、
15、其中，和分别代表用户和项目的基础视图最终嵌入向量， l是图卷积层的数量，和是加入的基础视图噪声项。
16、进一步地，用户和项目附加潜在不变机制，用于表示用户和项目的独特特性，在不同环境下均保持不变；采用概率的方法定义条件概率来计算潜在的不变机制：
17、
18、y表示用户对特定项目的偏好评分， k表示潜在不变因素的个数,和分别表示用户和项目的第 k项潜在不变因素；表示用户和项目第 k项潜在不变因素的条件概率。进一步地，步骤s3具体为：
19、s31、定义 k个全局可学习的不变原型用于表示潜在不变因素，记为和，使用不变因素构建用户和项目的不变机制的嵌入向量：
20、
21、其中 ，和分别表示用户 i嵌入向量与项目 j嵌入向量和不变原型之间的相关性分数；和分别表示用户 i和项目 j的不变原型的嵌入向量， rd表示嵌入向量集合， d为其维度；
22、s32、使用注意力机制结合第 l层卷积层中的原始嵌入向量 （ ）和不变机制原型嵌入向量 （ ， ），通过线性变换层和softmax操作计算注意力权重，构建增强视图，形成不变机制感知空间：
23、
24、其中，和为用户 i和项目 j嵌入第 l层卷积层的注意力权重，、分别表示增强视图中的用户 i和项目 j在第 l层卷积层的嵌入向量；
25、s33、在不变机制感知空间中，对每层卷积层的用户和项目的嵌入向量进行平均和添加噪声，得到最终的增强视图嵌入向量:
26、
27、其中 、分别表示用户 i与项目 j的增强视图最终嵌入向量，和是加入的增强视图噪声项。
28、进一步地，步骤s4具体为：
29、s41、构造正对和负对，正对由同一用户或项目在两种视图中的表示组成，而负对则由不同用户或项目在两种视图中的表示组成；在这个步骤中，我们的目标是确保来自同一个用户或项目的表示在这两个视图中尽可能相似，同时确保不同用户或项目的表示在这两个视图中尽可能不同；
30、s42、使用infonce损失函数计算基础视图与增强视图之间的的对比损失，鼓励模型增加正对之间的相似度，同时减少负对之间的相似度，优化对比学习过程：
31、
32、其中， b表示小批量数据集合，是温度参数，用于调节负样本的惩罚程度；分别表示用户和项目的基础视图与增强视图的对比损失，通过最小化总的对比损失确保来自相同源的嵌入向量在不同视图中保持一致性，同时增加不同源嵌入向量之间的区分度。
33、进一步地，总损失函数包括brp损失、对比损失跟正则项，定义步骤具体为
34、s51、bpr损失函数专注于优化用户的个性化排名，使模型倾向于提升用户实际偏好物品的相对排名，构建bpr损失，该损失函数表达式如下：
35、
36、其中，代表用户基础视图最终嵌入向量的转置，代表与用户交互的项目的基础视图最终嵌入向量；代表负向项目的基础视图嵌入向量，从数据中随机采样得来；是逻辑sigmoid函数；
37、s52、损失函数添加正则化项，惩罚模型参数的复杂度，防止过拟合；
38、
39、其中，分别代表写作感知空间和不变机制感知空间里面的的参数集合； 、为加入的正则项 ； 、分别代表用户和项目的不变机制原型；
40、s53、定义超参数 （ ），将超参数作为权重平衡标准bpr损失、对比损失和正则化项，得到最终的总损失函数。
41、进一步地，步骤s6具体为：
42、s61、使训练数据适应模型的输入格式，初始化lim-gcl模型的所有参数，包括用户和项目的初始嵌入向量、不变原型嵌入向量；
43、s62、在每次迭代中执行以下操作：从训练数据中抽取一批用户-项目交互数据构建二分图，基于当前模型参数计算基础视图和增强视图下的用户和项目嵌入向量，计算总损失，使用梯度下降算法更新模型参数，并结合早停机制和模型评估，逐步优化参数；评估指标包括准确率、召回率、f1分数和均方误差；
44、s63、重复迭代操作，直至模型在验证集上的性能稳定或达到预设迭代次数，得到训练好的图对比学习推荐模型；
45、s64、输入基础视图至最终训练好的图对比学习推荐模型对用户的偏好进行预测，基于这些预测结果，生成个性化的推荐列表，包括：对预测分数进行排序、选择顶部评分的项目和应用业务规则优化最终的推荐结果。
46、一种存储介质，所述存储介质存储指令及数据用于实现一种增强的图对比学习推荐系统方法。
47、一种计算机设备，包括：处理器及所述存储介质；所述处理器加载并执行所述存储介质中的指令及数据用于实现一种增强的图对比学习推荐系统方法。
48、本发明提供的技术方案带来的有益效果是：本发明通过依据用户和项目交互数据构造二部图、使用轻量级图卷积网络处理二部图，构建基础视图、定义不变原型，构建增强视图、采用图对比学习策略对比基础视图和增强视图、、定义包含标准bpr损失、对比损失和正则化项的损失函数，并平衡损失、迭代训练得到图对比学习推荐系统模型、输入待测基础视图至模型，由预测结果生成推荐列表，显著提高了推荐系统的准确性和鲁棒性，提高了推荐的准确度，还降低了算法对处理器资源的消耗，使其适用于各种复杂场景。
1.一种增强的图对比学习推荐系统方法，其特征在于，主要步骤包括：
2.如权利要求1所述的一种增强的图对比学习推荐系统方法，其特征在于，所述二部图以图网络的形式表达用户与项目之间的交互，用户和项目都表现为节点，用户和项目之间的交互表现为节点之间的连接边。
3.如权利要求2所述的一种增强的图对比学习推荐系统方法，其特征在于，步骤s2具体为：
4.如权利要求3所述的一种增强的图对比学习推荐系统方法，其特征在于，用户和项目附加潜在不变机制，用于表示用户和项目的独特特性，在不同环境下均保持不变；采用概率的方法定义条件概率来计算潜在的不变机制：
5.如权利要求4所述的一种增强的图对比学习推荐系统方法，其特征在于，步骤s3具体为：
6.如权利要求5所述的一种增强的图对比学习推荐系统方法，其特征在于，步骤s4具体为：
7.如权利要求6所述的一种增强的图对比学习推荐系统方法，其特征在于，所述总损失函数包括brp损失、对比损失跟正则项，定义步骤具体为：
8.如权利要求7所述的一种增强的图对比学习推荐系统方法，其特征在于，
9.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1~8任一项所述的一种增强的图对比学习推荐系统方法。
10.一种计算机设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1~8任一项所述的一种增强的图对比学习推荐系统方法。
