本發(fā)明涉及推薦算法應(yīng)用，尤其涉及一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法。

背景技術(shù)：

1、推薦系統(tǒng)在當(dāng)今信息時(shí)代扮演著至關(guān)重要的角色。它們不僅幫助用戶發(fā)現(xiàn)新的內(nèi)容和產(chǎn)品，還促進(jìn)了在線平臺(tái)的活躍度和盈利能力。通過分析用戶的偏好和行為，推薦系統(tǒng)能夠提供個(gè)性化的推薦，提升用戶體驗(yàn)，增加用戶粘性，促進(jìn)交易的完成。推薦系統(tǒng)的公平性同樣至關(guān)重要。公平的推薦系統(tǒng)不僅能夠提高用戶對(duì)推薦算法的信任度，還能夠減少信息過濾和偏見，確保用戶獲取到多樣化的信息和產(chǎn)品推薦。公平性還有助于維護(hù)平臺(tái)的聲譽(yù)，吸引更多用戶和商家參與，推動(dòng)整個(gè)生態(tài)系統(tǒng)的良性發(fā)展。

2、然而，在當(dāng)前的推薦系統(tǒng)中，物品側(cè)的公平性往往被忽視，導(dǎo)致一些物品被過度推薦，而其他物品則被忽視。這種不公平性會(huì)引發(fā)馬太效應(yīng)，使得熱門物品變得更加熱門，冷門物品更加冷門，加劇市場(chǎng)不均衡現(xiàn)象。這種不公平性不僅會(huì)影響用戶的選擇多樣性和滿意度，還會(huì)影響商家的盈利和物品的曝光度，最終影響整個(gè)推薦系統(tǒng)的效果和可持續(xù)性發(fā)展。因此，在涉及算法的時(shí)候需要考慮物品側(cè)公平性的優(yōu)化問題，以解決當(dāng)前推薦系統(tǒng)中存在的不公平問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于激活函數(shù)的推薦系統(tǒng)物品個(gè)體側(cè)公平性優(yōu)化方法，使得推薦系統(tǒng)的物品公平性可被優(yōu)化，以緩解馬太效應(yīng)。

2、本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法，包括以下步驟：

3、s1、獲取基模型對(duì)于用戶集合的推薦策略；

4、s2、基于激活函數(shù)的排序函數(shù)的漸進(jìn)方法，通過可微項(xiàng)獲取物品在推薦策略的排序；

5、s3、通過物品在推薦策略中的排序計(jì)算物品在用戶集合中的平均曝光度；

6、s4、根據(jù)每個(gè)物品的平均曝光度以及推薦策略中所有物品對(duì)之間的曝光度差異的絕對(duì)值之和，計(jì)算曝光差異指數(shù)；

7、s5、將曝光差異指數(shù)作為損失函數(shù)對(duì)基模型進(jìn)行優(yōu)化，使用優(yōu)化后的基模型得到最終優(yōu)化后的推薦策略。

8、進(jìn)一步地，所述推薦策略是n個(gè)用戶對(duì)m個(gè)物品的top-k推薦策略的集合。

9、進(jìn)一步地，所述激活函數(shù)的排序函數(shù)的漸進(jìn)方法具體為：

10、定義物品i的得分為ri則有

11、

12、其中為單個(gè)用戶的top-k推薦策略，計(jì)算過程均為可微項(xiàng)。

13、進(jìn)一步地，所述物品在用戶集合中的平均曝光度計(jì)算包括：

14、物品i在推薦策略中的曝光程度表示為：

15、

16、物品在用戶集合中的平均曝光度：

17、

18、其中u代表用戶集合。

19、進(jìn)一步地，曝光差異指數(shù)的計(jì)算包括：

20、

21、該值可用于衡量物品側(cè)個(gè)體公平性，表示推薦策略中所有物品對(duì)之間的曝光度差異的絕對(duì)值之和，反映了物品之間的曝光不均衡程度，為歸一化因子，使不同的推薦策略之間的曝光差異可比較。

22、進(jìn)一步地，在曝光差異指數(shù)的計(jì)算中，為降低時(shí)間復(fù)雜度采用隨機(jī)部分采樣：

23、

24、

25、根據(jù)說明書的另一方面，還提供了一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化裝置，包括存儲(chǔ)器和一個(gè)或多個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼，所述處理器執(zhí)行所述可執(zhí)行代碼時(shí)，實(shí)現(xiàn)所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法。

26、根據(jù)說明書的另一方面，還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，所述程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法。

27、本發(fā)明的有益效果：

28、本發(fā)明針對(duì)ied計(jì)算過程中的不可微問題，采用基于激活函數(shù)近似排序函數(shù)的問題，解決了傳統(tǒng)ied不可優(yōu)化的過程，并對(duì)漸進(jìn)過程進(jìn)行改良，節(jié)省了計(jì)算開銷，實(shí)現(xiàn)了推薦系統(tǒng)物品側(cè)個(gè)體公平性的優(yōu)化。

技術(shù)特征：

1.一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法，其特征在于，該方法包括：

2.根據(jù)權(quán)利要求1所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法，其特征在于，所述推薦策略是n個(gè)用戶對(duì)m個(gè)物品的top-k推薦策略的集合。

3.根據(jù)權(quán)利要求1所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法，其特征在于，所述激活函數(shù)的排序函數(shù)的漸進(jìn)方法具體為：

4.根據(jù)權(quán)利要求3所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法，其特征在于，所述物品在用戶集合中的平均曝光度計(jì)算包括：

5.根據(jù)權(quán)利要求1所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法，其特征在于，曝光差異指數(shù)的計(jì)算包括：

6.根據(jù)權(quán)利要求5所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法，其特征在于，在曝光差異指數(shù)的計(jì)算中，為降低時(shí)間復(fù)雜度采用隨機(jī)部分采樣：

7.一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化裝置，包括存儲(chǔ)器和一個(gè)或多個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼，其特征在于，所述處理器執(zhí)行所述可執(zhí)行代碼時(shí)，實(shí)現(xiàn)如權(quán)利要求1-6中任一項(xiàng)所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法。

8.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，其特征在于，所述程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1-6中任一項(xiàng)所述的一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法。

技術(shù)總結(jié)
本發(fā)明公開了一種基于激活函數(shù)的推薦系統(tǒng)物品側(cè)個(gè)體公平性優(yōu)化方法，該方法可以基于基推薦模型給出的推薦策略，進(jìn)行物品側(cè)個(gè)體公平性優(yōu)化，具體包括基于激活函數(shù)的IED可微漸進(jìn)以及基于隨機(jī)采樣的優(yōu)化，物品側(cè)個(gè)體公平性優(yōu)化項(xiàng)可以作為基模型的正則化損失，進(jìn)行最終推薦策略的公平性的優(yōu)化。本發(fā)明提供得一種基于激活函數(shù)的推薦系統(tǒng)物品個(gè)體側(cè)公平性優(yōu)化方法，使得推薦系統(tǒng)的物品側(cè)個(gè)體公平性可被優(yōu)化，以緩解馬太效應(yīng)。

技術(shù)研發(fā)人員：張金山,沈根行,席萌,尹建偉
受保護(hù)的技術(shù)使用者：浙江大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6