基于图注意力网络的自适应推荐方法和装置制造方法及图纸

本发明专利技术公开了一种基于图注意力网络的自适应推荐方法和装置，以历史交互物品为初始，引入偏好传播克服了现有的基于嵌入和基于路径的知识图谱感知推荐方法的局限性，实现了自动传播用户的潜在偏好，通过基于知识图谱进行交互路径的多跳扩展，并结合候选物品，探索在知识图谱中的层次兴趣，利用层次兴趣来构建用户的总响应向量，并基于此来计算与候选物品的嵌入向量的交互概率，实现物体推荐来提升物体推荐的准确性。通过图注意力网络和Node2vec提升了嵌入表示的速度，可以有效的提高模型的迭代训练速度，减少迭代次数，降低模型训练时间成本。成本。成本。

【技术实现步骤摘要】
基于图注意力网络的自适应推荐方法和装置


[0001]本专利技术属于知识推动的推荐领域，具体涉及一种基于图注意力网络的自适应推荐方法和装置。

技术介绍

[0002]推荐系统是当今互联网上最重要的信息服务之一，是一种以向用户呈现个性化信息为目标的过滤系统，可以提高用户体验，被广泛应用于各类领域推荐，包括看书推荐、看电影推荐以及购物推荐等。总结而言，推荐系统有3个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。
[0003]随着推荐算法的发展，图神经网络被应用于推荐系统，图神经网络的基本思想就是通过一个方法可以让两个东西产生关联，从最基本的原理来看，基于图结构的模型与基于特征表示的模型并无本质区别。这是因为知识图谱嵌入对特征表示向量的参数训练也是基于知识图谱的图结构设计的优化目标。由于知识图谱在各种任务中的成功应用，研究人员还试图利用知识图谱来提高推荐系统的性能。
[0004]现有的知识图谱感知可分为两类：第一类是基于嵌入的方法，它使用知识图谱算法预处理知识图谱，并将学习的实体嵌入合并到推荐框架中。但是基于嵌入的方法在利用知识图谱辅助推荐系统方面虽然很灵活但是更适合于图内应用，如申请公布号为CN112836123A的专利申请公开了一种基于知识图谱的可解释推荐系统。第二种是基于路径的方法，探索知识图谱中项目之间的各种连接模式，为建议提供额外的指导，如申请公布号为CN114691855A的专利申请公开了一种基于知识图谱的新闻推荐方法。
[0005]当前在各种类型的辅助信息中，知识图谱通常包含关于项目的更丰富的事实和联系。现有的知识化推荐模型基本上都是将知识图谱的拓扑结构特征作为最核心最重要的信息加以利用。虽然其推荐效果提升明显，但因为模型参数过多，导致模型的迭代训练收敛过慢，耗费时间过多。

技术实现思路

[0006]鉴于上述，本专利技术的目的是提供一种基于图注意力网络的自适应推荐方法和装置，为用户实现快速准确的物品推荐。
[0007]为实现上述专利技术目的，实施例提供一种基于图注意力网络的自适应推荐方法，包括：
[0008]步骤1，获取用户的历史交互物品集，并以历史交互物品集中的历史交互物品为起始，在知识图谱中进行交互路径的多跳扩展，以得到由三元组组成的多跳波纹集合，其中，三元组由用户、交互关系以及物品组成；
[0009]步骤2，将每跳波纹集合包含的三元组构建成图结构，图结构中节点表示用户或物
品，节点之间的连边表示交互关系；
[0010]步骤3，针对每跳波纹集合对应的图结构，利用参数优化的图注意力网络对图结构进行基于多头注意力机制的嵌入表示，以更新节点特征向量和连边特征向量；
[0011]步骤4，获取候选物品集合，利用参数优化的Node2vec对所有候选物品进行嵌入表示，得到候选物品的嵌入向量；
[0012]步骤5，针对每条跳波纹集合，根据候选物品的嵌入向量、节点的更新特征向量以及连边的更新特征向量计算用户的响应向量，将所有跳波纹集合对应的响应向量加和作为用户的总响应向量；
[0013]步骤6，依据用户的总响应向量和候选物品的嵌入向量计算交互概率，依据交互概率进行物品推荐。
[0014]为实现上述专利技术目的，实施例还提供了一种基于图注意力网络的自适应推荐装置，包括：
[0015]获取及扩展模块，用于获取用户的历史交互物品集，并以历史交互物品集中的历史交互物品为起始，在知识图谱中进行交互路径的多跳扩展，以得到由三元组组成的多跳波纹集合，其中，三元组由用户、交互关系以及物品组成；
[0016]图构建模块，用于将每跳波纹集合包含的三元组构建成图结构，图结构中节点表示用户或物品，节点之间的连边表示交互关系；
[0017]图嵌入表示模块，用于针对每跳波纹集合对应的图结构，利用参数优化的图注意力网络对图结构进行基于多头注意力机制的嵌入表示，以更新节点特征向量和连边特征向量；
[0018]物体嵌入表示模块，用于获取候选物品集合，利用参数优化的Node2vec对所有候选物品进行嵌入表示，得到候选物品的嵌入向量；
[0019]用户的总响应向量构建模块，用于针对每条跳波纹集合，根据候选物品的嵌入向量、节点的更新特征向量以及连边的更新特征向量计算用户的响应向量，将所有跳波纹集合对应的响应向量加和作为用户的总响应向量；
[0020]物品推荐模块，用于依据用户的总响应向量和候选物品的嵌入向量计算交互概率，依据交互概率进行物品推荐。
[0021]为实现上述专利技术目的，实施例还提供了一种基于图注意力网络的自适应推荐装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于图注意力网络的自适应推荐方法。
[0022]与现有技术相比，本专利技术具有的有益效果至少包括：
[0023]以历史交互物品为初始，引入偏好传播克服了现有的基于嵌入和基于路径的知识图谱感知推荐方法的局限性，实现了自动传播用户的潜在偏好，通过基于知识图谱进行交互路径的多跳扩展，并结合候选物品，探索在知识图谱中的层次兴趣，利用层次兴趣来构建用户的总响应向量，并基于此来计算与候选物品的嵌入向量的交互概率，实现物体推荐来提升物体推荐的准确性。通过图注意力网络和Node2vec提升了嵌入表示的速度，可以有效的提高模型的迭代训练速度，减少迭代次数，降低模型训练时间成本。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
[0025]图1是实施例提供的基于图注意力网络的自适应推荐方法的流程图；
[0026]图2是实施例提供的基于图注意力网络的自适应推荐装置的结构示意图。
具体实施方式
[0027]为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。
[0028]图神经网络是一种直接作用于图结构上的神经网络。图神经网络一个典型的应用就是节点分类，本质上，图中的每个节点都与一个标签相关联，希望预测未标记节点标签。所以实施例在图神经网络中增加自适应图结构，可以提升计算效率，并且可以应用于不同度的图节点，可以进行归纳学习。实施例提供的基于图注意力网络的自适应推荐方法和装置分为图嵌入和推荐任务两个部分，首先针对候选物品和用户，候选物品经过图嵌入后的嵌入向量不断地和知识图谱中该用户周围K跳的实体的图嵌入进行交互运算，最后组成用户的总响应向量再和候选物品的嵌入向量一起计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力网络的自适应推荐方法，其特征在于，包括：步骤1，获取用户的历史交互物品集，并以历史交互物品集中的历史交互物品为起始，在知识图谱中进行交互路径的多跳扩展，以得到由三元组组成的多跳波纹集合，其中，三元组由用户、交互关系以及物品组成；步骤2，将每跳波纹集合包含的三元组构建成图结构，图结构中节点表示用户或物品，节点之间的连边表示交互关系；步骤3，针对每跳波纹集合对应的图结构，利用参数优化的图注意力网络对图结构进行基于多头注意力机制的嵌入表示，以更新节点特征向量和连边特征向量；步骤4，获取候选物品集合，利用参数优化的Node2vec对所有候选物品进行嵌入表示，得到候选物品的嵌入向量；步骤5，针对每条跳波纹集合，根据候选物品的嵌入向量、节点的更新特征向量以及连边的更新特征向量计算用户的响应向量，将所有跳波纹集合对应的响应向量加和作为用户的总响应向量；步骤6，依据用户的总响应向量和候选物品的嵌入向量计算交互概率，依据交互概率进行物品推荐。2.根据权利要求1所述的基于图注意力网络的自适应推荐方法，其特征在于，步骤1中，将由历史交互物品v
u
组成的历史交互物品集命名为即在知识图谱中进行交互路径的多跳扩展，以得到由三元组组成的多跳波纹集合表示为：其中，k为波纹集合的索引，K表示波纹集合总数，G表示知识图谱，(h,r,t)表示三元组，h表示头实体，为用户或物品，r表示交互关系，t表示尾实体，为用户或物品，表示由历史交互物品为起始第k跳得到的尾实体的集合，表示为：3.根据权利要求1所述的基于图注意力网络的自适应推荐方法，其特征在于，步骤3中，利用参数优化的图注意力网络对图结构进行基于多头注意力机制的嵌入表示，以更新节点特征向量和连边特征向量，包括：首先，针对第i个节点，采用单个独立的注意力机制来计算第i个节点与第j个邻居节点的相似系数对相关系数进行归一化处理，得到归一化的相关系数表示为：表示为：其中，p
i
和p
j
分别表示第i个节点与第j个邻居节点的节点特征，W
f
表示权重系数，g(
·
)表示计算相似系数的函数，LeakyReLU(
·
)表示LeakyReLu激活函数，表示第i个节点与第
s个邻居节点采用第f个独立头的注意力机制计算得到的相似系数，exp(
·
)表示e指数函数，N
i
表示第个节点的邻居节点的总数；然后，合并所有独立头的注意力机制计算得到的相似系数以更新节点特征向量，表示为：其中，p
′
i
表示第i个节点的更新特征向量，σ(
·
)表示激活函数，符号表示向量拼接，F表示独立头的重量；最后，根据更新节点特征向量更新连边特征向量，表示为：e
′
ij
＝g([Wp
′
i
][Wp
′
j
])其中，p
′
j
表示第j个节点的更新特征向量，e
′
ij
表示连边的更新特征向量，W表示权重系数。4.根据权利要求1所述的基于图注意力网络的自适应推荐方法，其特征在于，步骤4中，利用参数优化的Node2vec对所有候选物品进行嵌入表示时，输入为候选物品集合对应的候选图结构，候选图结构中节点表示候选物品，目的是通过游走来更新节点的嵌入向量，采样时综合了深度优先游走和广度优先游走两种方式，且引入参数β和γ来控制随机游走的方式，具体包括：对于一个随机游走，如果β＞max(γ,1)，那么游走采样会尽量不往回走，也就是不太可能走回上一个节点；如果β＜min(γ,1)，那么游走采样会更倾向于返回上一个节点；如果γ＞1，那么游走采样会倾向于在起始节点点周围的节点间进行采样，反映节点采样的广度优先游走特性；如果γ＜1，那么游走采样会倾向于远处节点，反映节点采样的深度优先游走特性，具体地，当前停留在第l个节点，那么下一个要采样的第m个节点的概率为：...

【专利技术属性】
技术研发人员：戴强，韩蒙，林昶廷，毕冉，向昶宇，刘勇，俞伟平，
申请(专利权)人：浙江君同智能科技有限责任公司，
类型：发明
国别省市：