一种基于多图语义融合的多行为推荐方法及系统技术方案

本发明专利技术提出了一种基于多图语义融合的多行为推荐方法及系统，涉及深度学习技术和推荐领域,构造用户

【技术实现步骤摘要】
一种基于多图语义融合的多行为推荐方法及系统


[0001]本专利技术属于深度学习技术和推荐领域，尤其涉及一种基于多图语义融合的多行为推荐方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]推荐系统的目标是根据用户观察到的偏好来预测目标项目，并从海量数据中筛选出无用的信息；推荐系统的构建过程已经引起了研究和工业界的广泛关注；协同过滤(CF)在推荐系统中得到了广泛的应用；CF的主要思想是推荐用户没有观察到但可能感兴趣的项目，从而实现对用户当前偏好的准确预测。
[0004]目前，大多数现有的基于内容的推荐模型都是针对单一行为类型设计的；然而，用户与物品之间的交互并非只有一种，如购买、分享、收藏等；多行为推荐系统通过对各种辅助行为信息的建模，可以充分捕捉用户复杂的兴趣偏好，为用户提供个性化的选择，进一步缓解了数据稀疏性和冷启动挑战。
[0005]不同于以往利用矩阵分解的方法实现协同过滤，现如今大多数推荐系统广泛利用基于图的方法实现对用户的有效推荐；基于图神经网络的方法也在实践中不断的发展进步，同时也在推荐任务中展现了其强大的转换与聚合能力；在最近的多行为推荐任务的研究工作中，Graph ConvolutionNeural Networks(GCN)，Graph Attention Network(GAT)等优秀的图神经网络在聚合用户与项目领域特征方面扮演着越来越重要的作用。
[0006]尽管现有的多行为推荐模型已被广泛用于产业的实际应用过程，但是这些模型距离真正推测用户的真实兴趣还有很大的差距；使用用户的多行为数据对推荐系统模型的数据源进行丰富，这在一定程度上突出了用户个性化的推荐目的，也更加符合现实生活中用户与项目多种类型交互的场景；目前大多数涉及多行为推荐的模型没有有效区分不同类型节点之间的内在差异；在现有基于图神经网络的推荐中，大多数传统的推荐模型经常以相同的转换与聚合方式在二部图或者异构图中学习用户节点与项目节点表示。然而用户与项目节点的属性有着根本的区别，这表明应依据它们自身的属性分别处理这两类节点；同时，同类型节点之间的协同信号作为一种很重要的信息常常被忽略。
[0007]传统的基于图神经网络的推荐方法通过多跳邻域来捕捉相同类型节点之间的协同信号，但随着网络深度的加深，多跳邻域节点对目标节点的贡献度会有所下降；然而，直接处理用户之间或者项目之间的交互，可以有效地处理邻域节点之间存在的噪声问题，从而实现同类型节点之间隐式信号的有效挖掘。
[0008]解决上述问题，可以有效地丰富每个用户与项目的特征表示，使推荐的项目更契合用户的兴趣。

技术实现思路

[0009]为克服上述现有技术的不足，本专利技术提供了一种基于多图语义融合的多行为推荐方法及系统，利用构造的用户图、项目图和多行为交互图中联合学习包含各行为特征的节点的高阶表示，有效利用不同行为自身携带的语义挖掘了行为的上下文信息，并通过在同类型节点图中挖掘同类型节点之间传递的高阶协同信号，提高了消息传播质量。
[0010]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0011]本专利技术第一方面提供了一种基于多图语义融合的多行为推荐方法；
[0012]一种基于多图语义融合的多行为推荐方法，包括：
[0013]根据提供的用户与项目数据，构造用户
‑
用户图、项目
‑
项目图和用户
‑ꢀ
项目多行为交互图；
[0014]将三个图中的节点及边在同一个空间中进行嵌入，得到嵌入后的用户表示和项目表示；
[0015]从用户
‑
项目多行为交互图中学习特定类型行为的上下文消息，对不同上下文信息进行整合，捕获不同行为对于目标用户的重要性；
[0016]从用户
‑
用户图与项目
‑
项目图不同层的邻居中，获得不同强度的协作关系；
[0017]基于不同行为对于目标用户的重要性和不同强度的协作关系，对用户节点与项目节点分别进行融合；
[0018]对融合后的用户节点与项目节点进行内积操作，根据内积的得分情况进行排序，将得分高的项目有效推荐给用户。
[0019]进一步的，所述嵌入，是将图中的节点及边转换成不同的嵌入表示，在保证图的拓扑结构的同时对图中信息进行特征化。
[0020]进一步的，对每个节点及不同类型的行为关系进行嵌入表示，分别生成用户、项目与关系的嵌入矩阵。
[0021]进一步的，为了使所有嵌入在同一空间中进行表示，使用矩阵乘法来得到用户和项目在d维欧式空间中的表示。
[0022]进一步的，从构造的用户
‑
项目多行为交互图中学习特定类型行为的上下文消息，并决定不同类型行为的语义强度，使学习到的节点能充分包含不同行为上下文信息，按照不同的行为强度对不同上下文信息进行整合。
[0023]进一步的，使用图注意力机制获取用户
‑
用户图与项目
‑
项目图中与目标节点交互邻域相互传递的不同强度消息，实现对节点的领域信息有效的聚合，丰富节点自身的语义。
[0024]进一步的，所述对用户节点与项目节点分别进行融合，是将从聚合后的用户
‑
项目图中获得的节点信息和从用户
‑
用户图与项目
‑
项目图中学习的节点嵌入，进行连接操作。
[0025]本专利技术第二方面提供了一种基于多图语义融合的多行为推荐系统。
[0026]一种基于多图语义融合的多行为推荐系统，包括图构造模块、节点嵌入模块、行为学习模块、协作获取模块、节点融合模块和项目推荐模块；
[0027]图构造模块，被配置为：根据提供的用户与项目数据，构造用户
‑
用户图、项目
‑
项目图和用户
‑
项目多行为交互图；
[0028]节点嵌入模块，被配置为：将三个图中的节点及边在同一个空间中进行嵌入，得到嵌入后的用户表示和项目表示；
[0029]行为学习模块，被配置为：从用户
‑
项目多行为交互图中学习特定类型行为的上下文消息，对不同上下文信息进行整合，捕获不同行为对于目标用户的重要性；
[0030]协作获取模块，被配置为：从用户
‑
用户图与项目
‑
项目图不同层的邻居中，获得不同强度的协作关系；
[0031]节点融合模块，被配置为：基于不同行为对于目标用户的重要性和不同强度的协作关系，对用户节点与项目节点分别进行融合；
[0032]项目推荐模块，被配置为：对融合后的用户节点与项目节点进行内积操作，根据内积的得分情况进行排序，将得分高的项目有效推荐给用户。
[0033]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的一种基于多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多图语义融合的多行为推荐方法，其特征在于，包括：根据提供的用户与项目数据，构造用户
‑
用户图、项目
‑
项目图和用户
‑
项目多行为交互图；将三个图中的节点及边在同一个空间中进行嵌入，得到嵌入后的用户表示和项目表示；从用户
‑
项目多行为交互图中学习特定类型行为的上下文消息，对不同上下文信息进行整合，捕获不同行为对于目标用户的重要性；从用户
‑
用户图与项目
‑
项目图不同层的邻居中，获得不同强度的协作关系；基于不同行为对于目标用户的重要性和不同强度的协作关系，对用户节点与项目节点分别进行融合；对融合后的用户节点与项目节点进行内积操作，根据内积的得分情况进行排序，将得分高的项目有效推荐给用户。2.如权利要求1所述的一种基于多图语义融合的多行为推荐方法，其特征在于，所述嵌入，是将图中的节点及边转换成不同的嵌入表示，在保证图的拓扑结构的同时对图中信息进行特征化。3.如权利要求1所述的一种基于多图语义融合的多行为推荐方法，其特征在于，对每个节点及不同类型的行为关系进行嵌入表示，分别生成用户、项目与关系的嵌入矩阵。4.如权利要求1所述的一种基于多图语义融合的多行为推荐方法，其特征在于，为了使所有嵌入在同一空间中进行表示，使用矩阵乘法来得到用户和项目在d维欧式空间中的表示。5.如权利要求1所述的一种基于多图语义融合的多行为推荐方法，其特征在于，从构造的用户
‑
项目多行为交互图中学习特定类型行为的上下文消息，并决定不同类型行为的语义强度，使学习到的节点能充分包含不同行为上下文信息，按照不同的行为强度对不同上下文信息进行整合。6.如权利要求1所述的一种基于多图语义融合的多行为推荐方法，其特征在于，使用图注意力机制获取用户
‑
用户图与项目
‑
项目图中与目标节点交互邻域相互传递的不同强度消息，实现对节...

【专利技术属性】
技术研发人员：鲁燃，朱英政，梁秀芳，段化娟，刘培玉，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：