基于组合多感受野图神经网络的物品评分方法技术

本发明专利技术公开了一种基于组合多感受野图神经网络的物品评分方法，其实现步骤为：(1)构建属性特征提取模块；(2)构建结构特征提取模块；(3)构建图解码器模块；(4)生成组合多感受野图神经网络；(5)构建属性特征矩阵和用户‑物品评分矩阵；(6)生成用户‑物品二部有权图；(7)生成训练集；(8)训练组合多感受野图神经网络；(9)评分。本发明专利技术提出的方法能够提取用户和物品的属性特征和结构特征，充分挖掘用户和物品信息，具有评分准确度高的优点。

【技术实现步骤摘要】
基于组合多感受野图神经网络的物品评分方法
本专利技术属于信息
，更进一步涉及物品评分
中的一种基于组合多感受野图神经网络的物品评分方法。本专利技术可根据用户属性信息、物品属性信息和用户的历史行为数据，对构建的组合多感受野图神经网络模型进行训练，得到用户对物品的评分。
技术介绍
随着互联网的快速发展，用户规模爆炸增长，物品种类越来越多，带来了严重的信息过载问题，推荐系统是缓解信息过载问题的有效技术手段，物品评分技术是推荐系统中的一个重要任务，评分的准确性对提高推荐系统的性能有着重要意义。物品评分技术首先通过对客观数据和主观数据进行分析和建模，其中用户的性别、年龄、籍贯和物品的生产厂商、类别等客观数据主要用于提取其内容特征和属性特征。用户历史行为数据等主观数据主要用于提取其偏好特征和结构特征，最后使用提取到的特征来得到用户对没有评分过的物品的评分。目前已存在的物品评分方法有很多，其中应用最广泛的是基于矩阵分解的方法。近几年，随着图神经网络的快速发展和广泛应用，也为解决物品评分问题提供了新的思路。陕西科技大学在其申请的专利文献“基于矩阵分解协同过滤算法的图书推荐方法及系统”(申请号：201810260195.1，申请公开号：CN108509573A)中公开了一种基于矩阵分解协同过滤算法的物品评分方法。该方法的实施步骤是：步骤1，预处理用户历史评分行为数据的训练集为用户-物品评分矩阵；步骤2，对评分矩阵进行均值归一化处理；步骤3，对归一化处理后的用户-物品评分矩阵进行矩阵分解，分解成两个低维矩阵的乘积，分别表示用户的特征矩阵以及物品的特征矩阵乘积。步骤4，构造改进的代价函数；步骤5，初始化特征矩阵；步骤6，通过改进的梯度下降法求解目标函数；步骤7，确定目标函数最优解之后，计算用户对候选物品的评分；步骤8，取评分较高的前k个物品推荐给用户。该方法存在的不足之处是，该方法只能够对用户行为数据进行挖掘，导致客观信息挖掘不充分，用户和物品属性特征提取不充分，评分准确性差的问题。重庆邮电大学在其申请的专利文献“一种基于改进的图卷积神经网络的物品评分预测方法”(申请号：202010738044.X，申请公开号：CN111859166A)中公开了一种基于改进的图卷积神经网络的物品评分方法。该方法的实施步骤是：步骤1，获取用户对物品的历史评分、用户的个人信息，以及物品的属性信息；步骤2，构造用户-物品，用户-用户，物品-物品关系图；步骤3，利用改进的图卷积神经网络提取多种关系图中节点的结构和属性特征；步骤4，选择神经网络模型融合节点的多种特征信息；步骤5，根据用户和物品的特征表示，预测用户对物品感兴趣的概率；步骤6，利用训练集和验证集训练模型；步骤7，利用训练好的模型得到用户对物品的评分。该方法存在的不足之处是，该方法的图卷积网络中仅使用单一的图卷积层，导致用户和物品的结构特征提取不充分，评分准确性差的问题。
技术实现思路
本专利技术的目的在于针对上述现有技术存在的不足，提出一种基于组合多感受野图神经网络的物品评分方法，用于解决现有物品评分方法中由于对用户和物品属性特征和结构特征提取不充分，导致评分准确性差的问题。实现本专利技术目的的思路是：针对现有技术中用户和物品属性特征提取不充分的问题，通过构建属性特征提取模块提取用户和物品的属性特征，针对现有技术中用户和物品结构特征提取不充分的问题，通过构建结构特征提取模块提取用户和物品的结构特征；生成组合多感受野图神经网络用于对物品评分；构建属性特征矩阵、用户-物品评分矩阵和用户-物品二部有权图，组成训练集对组合多感受野图神经网络进行训练；最后使用训练好的组合多感受野图神经网络得到用户对待评分物品的评分。为实现上述目的，本专利技术的具体实现步骤如下：(1)构建属性特征提取模块。分别搭建两个结构相同的分支，将两个分支结构并联组成属性特征提取模块，每个分支的结构包括输入层和全连接层；将两个输入层的神经元个数均设置为4，激活函数为RELU；将两个全连接层的神经元个数均设置为64，激活函数为RELU。(2)构建结构特征提取模块。(2a)分别搭建三个结构相同的分支，每个分支的结构均包括输入层和图卷积层；将三个输入层的神经元个数均设置为用户-物品评分矩阵的行数和列数之和，激活函数为RELU；将三个图卷积层的神经元个数均设置为40，激活函数为RELU。(2b)将三个分支与一个拼接层连接，再与一个全连接层相连，组成结构特征提取模块，将全连接层的神经元个数设置为240，激活函数为RELU。(3)构建图解码器模块。(3a)分别搭建两个分支，每个分支的结构均为一个全连接层；将两个全连接层的神经元个数分别设置为64、240，激活函数均为RELU。(3b)将两个分支与一个拼接层连接，再与一个softmax层相连，组成图编码器模块。(4)生成组合多感受野图神经网络。将属性特征模块和结构特征模块并联后再与图解码器模块进行相连，生成组合多感受野图神经网络。(5)构建属性特征矩阵和用户-物品评分矩阵。(5a)从待推荐用户数据集中提取至少500个用户的属性信息生成一个用户属性特征矩阵，其中矩阵的列依次为年龄、性别、籍贯和职业，矩阵的行为用户编号。(5b)从待推荐物品数据集中提取至少1000个物品的属性信息生成一个物品属性特征矩阵，其中矩阵的列依次为品牌、类别、产地和生产日期，矩阵的行为物品编号。(5c)从用户历史行为数据集中提取至少10万条待推荐用户对待推荐物品的评分信息生成一个用户-物品评分矩阵，其中矩阵的行为用户编号，矩阵的列为物品编号。(6)生成用户-物品二部有权图。将用户-物品评分矩阵中的行序号和列序号作为顶点，用户对物品的评分作为边，评分数值为边上的权重，得到用户-物品二部有权图。(7)生成训练集。将用户属性特征矩阵、物品属性特征矩阵和用户-物品二部有权图组成训练集。(8)训练组合多感受野图神经网络。(8a)设置组合多感受野图神经网络的损失函数为交叉熵损失函数，学习率为0.01，dropout保留概率为0.7，滑动平均衰减速率为0.995，优化器为Adam。(8b)将训练集输入到组合多感受野图神经网络中对网络迭代训练，在每次迭代的过程中，结构特征提取模块的三个分支，对经由属性特征提取模块提取的属性特征分别进行三个分支设定的不同次数的消息传递后输出一个结构特征，再将属性特征和结构特征输入到图解码器模块中输出评分；使用组合多感受野图神经网络的损失函数计算当前迭代时该网络的损失，用该损失更新当前迭代时网络中每个神经元的权重值，直至组合多感受野图神经网络的损失收敛，得到训练好的组合多感受野图神经网络。(9)评分。(9a)从待评分用户属性数据中提取用户的年龄、性别、籍贯与职业组成待评分用户特征；从待评分物品属性数据中提取商品的品牌、类别、产地和生产日期组成待评分物品特征。(9b)将待评分用户特征与待评分物品特征同时输入到训练好的组合多本文档来自技高网...

【技术保护点】
1.一种基于组合多感受野图神经网络的物品评分方法，其特征在于，生成一个由属性特征提取模块、结构特征提取模块和图解码器模块组成的组合多感受野图神经网络，由用户属性特征矩阵、物品属性特征矩阵和用户-物品二部有权图组成训练集训练网络，该方法的步骤包括如下：/n(1)构建属性特征提取模块：/n分别搭建两个结构相同的分支，将两个分支结构并联组成属性特征提取模块，每个分支的结构包括输入层和全连接层；将两个输入层的神经元个数均设置为4，激活函数为RELU；将两个全连接层的神经元个数均设置为64，激活函数为RELU；/n(2)构建结构特征提取模块：/n(2a)分别搭建三个结构相同的分支，每个分支的结构均包括输入层和图卷积层；将三个输入层的神经元个数均设置为用户-物品评分矩阵的行数和列数之和，激活函数为RELU；将三个图卷积层的神经元个数均设置为40，激活函数为RELU；/n(2b)将三个分支与一个拼接层连接，再与一个全连接层相连，组成结构特征提取模块，将全连接层的神经元个数设置为240，激活函数为RELU；/n(3)构建图解码器模块：/n(3a)分别搭建两个分支，每个分支的结构均为一个全连接层；将两个全连接层的神经元个数分别设置为64、240，激活函数均为RELU；/n(3b)将两个分支与一个拼接层连接，再与一个softmax层相连，组成图编码器模块；/n(4)生成组合多感受野图神经网络：/n将属性特征模块和结构特征模块并联后再与图解码器模块进行相连，生成组合多感受野图神经网络；/n(5)构建属性特征矩阵和用户-物品评分矩阵：/n(5a)从待推荐用户数据集中提取至少500个用户的属性信息生成一个用户属性特征矩阵，其中矩阵的列依次为年龄、性别、籍贯和职业，矩阵的行为用户编号；/n(5b)从待推荐物品数据集中提取至少1000个物品的属性信息生成一个物品属性特征矩阵，其中矩阵的列依次为品牌、类别、产地和生产日期，矩阵的行为物品编号；/n(5c)从用户历史行为数据集中提取至少10万条待推荐用户对待推荐物品的评分信息生成一个用户-物品评分矩阵，其中矩阵的行为用户编号，矩阵的列为物品编号；/n(6)生成用户-物品二部有权图：/n将用户-物品评分矩阵中的行序号和列序号作为顶点，用户对物品的评分作为边，评分数值为边上的权重，得到用户-物品二部有权图；/n(7)生成训练集：/n将用户属性特征矩阵、物品属性特征矩阵和用户-物品二部有权图组成训练集；/n(8)训练组合多感受野图神经网络：/n(8a)设置组合多感受野图神经网络的损失函数为交叉熵损失函数，学习率为0.01，dropout保留概率为0.7，滑动平均衰减速率为0.995，优化器为Adam；/n(8b)将训练集输入到组合多感受野图神经网络中对网络迭代训练，在每次迭代的过程中，结构特征提取模块的三个分支，对经由属性特征提取模块提取的属性特征分别进行三个分支设定的不同次数的消息传递后输出一个结构特征，再将属性特征和结构特征输入到图解码器模块中输出评分；使用组合多感受野图神经网络的损失函数计算当前迭代时该网络的损失，用该损失更新当前迭代时网络中每个神经元的权重值，直至组合多感受野图神经网络的损失收敛，得到训练好的组合多感受野图神经网络；/n(9)评分：/n(9a)从待评分用户属性数据中提取用户的年龄、性别、籍贯与职业组成待评分用户特征；从待评分物品属性数据中提取商品的品牌、类别、产地和生产日期组成待评分物品特征；/n(9b)将待评分用户特征与待评分物品特征同时输入到训练好的组合多感受野图神经网络中，输出用户对物品的评分。/n...

【技术特征摘要】
1.一种基于组合多感受野图神经网络的物品评分方法，其特征在于，生成一个由属性特征提取模块、结构特征提取模块和图解码器模块组成的组合多感受野图神经网络，由用户属性特征矩阵、物品属性特征矩阵和用户-物品二部有权图组成训练集训练网络，该方法的步骤包括如下：
(1)构建属性特征提取模块：
分别搭建两个结构相同的分支，将两个分支结构并联组成属性特征提取模块，每个分支的结构包括输入层和全连接层；将两个输入层的神经元个数均设置为4，激活函数为RELU；将两个全连接层的神经元个数均设置为64，激活函数为RELU；
(2)构建结构特征提取模块：
(2a)分别搭建三个结构相同的分支，每个分支的结构均包括输入层和图卷积层；将三个输入层的神经元个数均设置为用户-物品评分矩阵的行数和列数之和，激活函数为RELU；将三个图卷积层的神经元个数均设置为40，激活函数为RELU；
(2b)将三个分支与一个拼接层连接，再与一个全连接层相连，组成结构特征提取模块，将全连接层的神经元个数设置为240，激活函数为RELU；
(3)构建图解码器模块：
(3a)分别搭建两个分支，每个分支的结构均为一个全连接层；将两个全连接层的神经元个数分别设置为64、240，激活函数均为RELU；
(3b)将两个分支与一个拼接层连接，再与一个softmax层相连，组成图编码器模块；
(4)生成组合多感受野图神经网络：
将属性特征模块和结构特征模块并联后再与图解码器模块进行相连，生成组合多感受野图神经网络；
(5)构建属性特征矩阵和用户-物品评分矩阵：
(5a)从待推荐用户数据集中提取至少500个用户的属性信息生成一个用户属性特征矩阵，其中矩阵的列依次为年龄、性别、籍贯和职业，矩阵的行为用户编号；
(5b)从待推荐物品数据集中提取至少1000个物品的属性信息生成一个物品属性特征矩阵，其中矩阵的列依次为品牌、类别、产地和生产日期，矩阵的行为物品编号；
(5c)从用户历史行为数据集中提取至少10万条待推荐用户对待推荐物品的评分信息生成一个用户-物品评分矩阵，其中矩阵的行为用户编号，矩阵的列为物品编号；
(6)生成用户-物品二部有权图：
将用户-物品评分矩阵中的行序号和列序号作为顶点，用户对物品的评分作为边，评分数值为边上的权重，得到用户-物品二部有权图；
(7...

【专利技术属性】
技术研发人员：慕彩红，刘逸，黄天欢，陈璞花，刘若辰，李阳阳，田小林，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61