基于余弦排名损失和虚拟边图神经网络的物品推荐方法技术

本发明专利技术提出了一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，实现步骤为：(1)构建用户信息、物品信息以及用户

【技术实现步骤摘要】
基于余弦排名损失和虚拟边图神经网络的物品推荐方法


[0001]本专利技术属于计算机
，涉及一种物品推荐方法，具体涉及一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，可用于电影推荐、商品推荐、新闻推荐等


技术介绍

[0002]互联网拥有海量且庞大的信息，但是仅仅数量巨大没有意义，只有提取出有用的信息才能发挥其真正的价值。在推荐算法出现之前，工业界通常使用搜索引擎来发现信息，但是搜索引擎需要人为地先输入关键词，才能输出结果，这就导致需要用户先清楚自己对什么感兴趣。但用户的认知范围不够大，导致用户错过许多本该感兴趣的信息。此外，搜索引擎根据关键词提供的信息并不具备个性化特征。而推荐算法则是挖掘分析用户的兴趣偏好，在海量信息中为用户推荐其可能感兴趣的物品或内容，从而解决信息过载问题。
[0003]在物品推荐方法中，在用户浏览物品后，会给用户推荐他们可能喜欢的物品，不仅免去了用户不断查找类似物品的烦恼，而且也使得用户可以货比多家。在物品推荐方法中，通常以召回率(recall)和归一化折损累计增益(NDCG)为评估指标进行对比仿真。recall主要衡量的是所有真实正样本中，模型预测正确的比例，当该指标越靠近1，则说明模型推荐的准确性越高；NDCG主要衡量的是模型推荐的物品的排序结果，推荐物品的排序位置与真实位置越接近，该指标越靠近1，则说明模型推荐的准确性越高。
[0004]物品推荐领域中，基于机器学习模型的物品推荐方法是目前主流的方法，近几年随着图神经网络的快速发展，加之用户与物品的交互天然地可以用于构建图结构数据，将图神经网络应用于物品推荐成为一种新的解决方法。例如，He等人在其发表的论文"Lightgcn:Simplifying and powering graph convolution network for recommendation"(Proceedings of the 43rd International ACM SIGIR conference on research and development in Information Retrieval，2020，pp.639
‑
648.)中，提出了一种简化的图卷积网络的物品推荐方法LightGCN。该方法基于嵌入传播层，并通过物品嵌入聚合用户嵌入，然后将这种层多个叠加，用户嵌入就可以在高阶连通上被更好地提取出来；对物品也是进行类似操作，最终将用户和物品的嵌入表示求内积，得到每个用户对每个物品的交互概率，为用户推荐交互概率最高的前k个物品。该方法利用二部图神经网络将用户
‑
物品的历史交互信息编码进嵌入表示，且考虑了用户
‑
物品的高阶连通性以及用户与更外层的物品间的相似性，在一定程度上提高了物品推荐的准确性，但其存在的不足之处是，只考虑了用户
‑
物品间的显式反馈，且使用的贝叶斯排名损失函数在计算中会用到冗余样本，导致物品推荐的准确性仍然较低。

技术实现思路

[0005]本专利技术的目的在于克服上述现有技术存在的缺陷，提出一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，用于解决现有技术中存在的因忽略用户
‑
物品间隐式
反馈，以及使用贝叶斯排名损失函数在计算中会用到冗余样本导致的物品推荐准确性较低的技术问题。
[0006]为实现上述目的，本专利技术采取的技术方案包括如下步骤：
[0007](1)获取用户信息、物品信息以及用户
‑
物品交互信息：
[0008]从真实数据集中提取M个用户u＝{u1,...,u
m
,...,u
M
}、N个物品i＝{i1,...,i
n
,...,i
N
}，以及每个用户u
m
与每个物品i
n
或N中的部分物品的D条用户
‑
物品交互信息L＝{L1,...,L
d
,...,L
D
}，其中M≥500，u
m
表示第m个用户，N≥500，i
n
表示第n个物品，L
d
表示第d条用户
‑
物品交互信息；
[0009](2)构建用户
‑
物品虚拟边交互二部图：
[0010](2a)构建以M个用户u和N个物品i为节点，以D条用户
‑
物品交互信息L为边且形式为矩阵的用户
‑
物品交互二部图其中，R表示大小为M
×
N、第m行第n列阵元为R
m,n
的原始矩阵，表示实数域，R
T
表示R的转置结果，当u
m
与i
n
存在交互时R
m,n
＝1，不存在交互时R
m,n
＝0；
[0011](2b)构建得分矩阵A
simi
，并通过A
simi
构建用户
‑
物品得分矩阵A
simi_u
和物品
‑
用户得分矩阵A
simi_i
，然后通过原始矩阵R和用户
‑
物品得分矩阵A
simi_u
组成的用户最终矩阵A
u
，以及R
T
和A
simi_i
组成的物品最终矩阵A
i
构建形式为矩阵的用户
‑
物品虚拟边交互二部图其中，A
u
＝R+A
simi_u
表示大小为M
×
N、第m行第n列阵元为的用户最终矩阵，当u
m
与i
n
存在交互时不存在交互时A
i
＝R
T
+A
simi_i
表示大小为N
×
M、第n行第m列阵元为的物品最终矩阵，当u
m
与i
n
存在交互时不存在交互时
[0012](3)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型H：
[0013](3a)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型H的结构：
[0014]构建包含并行排布的属性辅助网络F和虚拟边图卷积神经网络GCN，以及与属性辅助网络F和GCN的输出端顺次连接的拼接层C和预测层P的物品推荐模型H，其中，属性辅助网络F包括并行排布的用户属性辅助全连接层和物品属性辅助全连接层；虚拟边图卷积神经网络GCN包含顺序层叠的K个图卷积层，K＞0；
[0015](3b)定义物品推荐模型H的余弦排名损失函数CRL：
[0016][0017]其中，表示用户u
m
和物品的预测交互概率，表示用户u
m
和物品的余弦相似度，O表示与同一用户u
m
有交互的物品和无交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，其特征在于，包括如下步骤：(1)获取用户信息、物品信息以及用户
‑
物品交互信息：从真实数据集中提取M个用户u＝{u1,...,u
m
,...,u
M
}、N个物品i＝{i1,...,i
n
,...,i
N
}，以及每个用户u
m
与每个物品i
n
或N中的部分物品的D条用户
‑
物品交互信息L＝{L1,...,L
d
,...,L
D
}，其中M≥500，u
m
表示第m个用户，N≥500，i
n
表示第n个物品，L
d
表示第d条用户
‑
物品交互信息；(2)构建用户
‑
物品虚拟边交互二部图：(2a)构建以M个用户u和N个物品i为节点，以D条用户
‑
物品交互信息L为边且形式为矩阵的用户
‑
物品交互二部图其中，R表示大小为M
×
N、第m行第n列阵元为R
m,n
的原始矩阵，的原始矩阵，表示实数域，R
T
表示R的转置结果，当u
m
与i
n
存在交互时R
m,n
＝1，不存在交互时R
m,n
＝0；(2b)构建得分矩阵A
simi
，并通过A
simi
构建用户
‑
物品得分矩阵A
simi_u
和物品
‑
用户得分矩阵A
simi_i
，然后通过原始矩阵R和用户
‑
物品得分矩阵A
simi_u
组成的用户最终矩阵A
u
，以及R
T
和A
simi_i
组成的物品最终矩阵A
i
构建形式为矩阵的用户
‑
物品虚拟边交互二部图其中，A
u
＝R+A
simi_u
表示大小为M
×
N、第m行第n列阵元为的用户最终矩阵，当u
m
与i
n
存在交互时不存在交互时A
i
＝R
T
+A
simi_i
表示大小为N
×
M、第n行第m列阵元为的物品最终矩阵，当u
m
与i
n
存在交互时不存在交互时(3)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型H：(3a)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型H的结构：构建包含并行排布的属性辅助网络F和虚拟边图卷积神经网络GCN，以及与属性辅助网络F和GCN的输出端顺次连接的拼接层C和预测层P的物品推荐模型H，其中，属性辅助网络F包括并行排布的用户属性辅助全连接层和物品属性辅助全连接层；虚拟边图卷积神经网络GCN包含顺序层叠的K个图卷积层，K＞0；(3b)定义物品推荐模型H的余弦排名损失函数CRL：其中，表示用户u
m
和物品的预测交互概率，表示用户u
m
和物品的余弦相似度，O表示与同一用户u
m
有交互的物品和无交互的物品构成的对比训练样本，R
+
表示有交互的用户
‑
物品对集合，R
‑
表示无交互的用户
‑
物品对集合，σ表示激活函数，thr表示过滤负样本的阈值，Θ表示模型可训练的用户嵌入向量权值参数和物品嵌入向量权值参数，Θ＝{Θ
U
；Θ
I
}，Θ
U
、Θ
I
分别表示用户嵌入向量权值参数、物品嵌入向量权值参数，||
·
||2表示向量的模平方，β为系数；
(4)对物品推荐模型H进行迭代训练：(4a)初始化迭代次数为t，最大迭代次数为T，T≥1000，当前物品推荐模型为H
t
，第m个用户u
m
的用户嵌入向量为第n个物品i
n
的物品嵌入向量为并令t＝0，H
t
＝H，(4b)将用户
‑
物品虚拟边交互二部图G
virtual
、第t次...

【专利技术属性】
技术研发人员：慕彩红，应嘉辉，刘逸，王蓉芳，冯婕，刘波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：