一种基于行为感知融合图卷积网络的多行为推荐系统技术方案

本发明专利技术公开一种基于行为感知融合图卷积网络的多行为推荐系统，包括采样模块、模型训练模块和生成推荐列表模块；采样模块获取用户历史交互的正样本和未交互的负样本，并输入至模型训练模块；模型训练模块存储有行为感知融合图卷积网络模型；模型训练模块计算、融合多行为互信息和行为自信息，并计算得到用户对不同物品的偏好分数；生成推荐列表模块根据偏好分数对物品进行降序排列，将前N个物品写入推荐列表。本发明专利技术在每个图卷积层中设计了行为感知融合模块，该模块融合了行为之间的互信息和行为内的自信息，可以更准确地建模用户偏好，更进一步可以缓解行为误差传播，提高推荐性能。能。能。

【技术实现步骤摘要】
一种基于行为感知融合图卷积网络的多行为推荐系统


[0001]本专利技术涉及多行为推荐系统
，具体是一种基于行为感知融合图卷积网络的多行为推荐系统。

技术介绍

[0002]推荐系统已广泛应用于各种网络平台，如在线购物网站(如亚马逊、淘宝)、视频网站(如Netflix、Youtube)等，有效缓解信息过载，提升用户体验，提升平台收益。在过去的十年中，推荐系统引起了众多研究者的关注。
[0003]近年来，推荐系统的一个热门研究方向是多行为推荐，利用多种类型的行为交互来完成推荐任务。在现实场景中，单个目标行为交互(例如，购买)的数量远远少于其他行为交互(例如，查看、收藏、添加到购物车)。基于这一观察，研究人员发现利用各种行为交互可以更好地捕捉用户偏好。一个原因是，如果只处理目标行为交互，推荐系统可能会受到数据稀疏性的影响。利用其他行为交互可以提高推荐性能。另一个原因是不同类型的行为代表了不同的语义，反映了用户的偏好。区分不同行为的影响，可以得到更准确的推荐结果。
[0004]随着图神经网络技术的快速发展，一些研究人员尝试在推荐任务中基于图神经网络建模用户
‑
物品之间的交互。尽管基于图神经网络的推荐系统是有效的，但仍存在两个挑战：第一、无行为误差传播的特征学习。图神经网络作为一种先进的技术，可以有效地聚合邻居节点信息。现有的多行为推荐方法大多基于多行为进行高跳图神经网络。然而，随着图神经网络层数的增加，基于辅助行为的图神经网络会导致偏好信号中噪声的累积，即行为误差传播。第二、个性化行为模式建模。每个用户都有独特的行为模式，基于用户个性化行为模式，利用辅助行为交互来帮助预测基于用户个性化行为模式的未来目标行为交互是很有帮助的。

技术实现思路

[0005]本专利技术的目的是提供一种基于行为感知融合图卷积网络的多行为推荐系统，包括采样模块、模型训练模块和生成推荐列表模块；
[0006]所述采样模块获取用户历史交互的正样本和未交互的负样本数据，并输入至模型训练模块；
[0007]所述模型训练模块存储有行为感知融合图卷积网络模型；
[0008]所述模型训练模块首先随机初始化用户与物品嵌入参数，输入至行为感知融合图卷积网络模型，然后利用采样模块的正样本、负样本数据对行为感知融合图卷积网络模型进行训练，计算、融合多行为互信息和行为自信息，并计算得到用户对不同物品的偏好分数，将偏好分数传输至生成推荐列表模块；
[0009]用户与物品嵌入是指特征向量，是模型权重参数的一部分。正负样本是指训练数据，用于模型训练。
[0010]所述生成推荐列表模块根据偏好分数对物品进行降序排列，将前N个物品写入推
荐列表。
[0011]进一步，所述行为感知融合图卷积网络模型包括L层图卷积网络，每层图卷积网络均搭载有行为感知融合模块。
[0012]进一步，所述用户
‑
物品正样本包括用户、用户历史交互与对应的交互物品；
[0013]所述用户
‑
物品负样本包括用户与未观测到交互的物品。
[0014]进一步，计算、融合多行为互信息和行为自信息的步骤包括：
[0015]1)基于用户多种行为的交互历史，构建不同行为下的用户
‑
物品交互矩阵；矩阵中的每个元素表示用户和对应物品在对应行为下是否存在交互；
[0016]2)初始化不同行为下用户和物品的嵌入表示，分别记为r＝1,2,3
…
R；下标u表示用户；下标i表示物品；R表示行为种类个数；
[0017]3)上下堆叠用户和物品的嵌入矩阵，得到图卷积网络中的节点嵌入，记为
[0018]4)基于节点嵌入计算第l层图卷积网络节点信息传播输出l初始值为1；表示第r个行为下带有自环的用户
‑
物品交互矩阵，其中表示单位矩阵，表示第r个行为下用户
‑
物品交互矩阵；表示的度数矩阵，是权重矩阵；
[0019]5)行为感知融合模块计算第l层图卷积网络的多行为互信息和行为自信息
[0020]6)行为感知融合模块将多行为互信息和行为自信息进行融合，得到第l层图卷积网络的节点嵌入信息融合层图卷积网络的节点嵌入信息融合f(
·
)为融合函数；
[0021]7)令l＝l+1，并返回步骤4)，直至得到第L层图卷积网络的节点嵌入信息融合；
[0022]8)将第L层图卷积网络不同行为下的节点嵌入信息进行融合，得到节点嵌入融合信息g(
·
)为融合函数；L表示总的网络层数；
[0023]9)对节点嵌入融合信息ε
*
进行切分，得到用户嵌入矩阵和物品嵌入矩阵并计算用户u对物品的偏好分数；
[0024]10)基于正样本的偏好分数与负样本的偏好分数，利用损失函数Loss对行为感知融合图卷积网络模型的参数进行更新。
[0025]进一步，第l层图卷积网络的多行为互信息如下所示：
[0026][0027]式中，||(
·
)表示向量的切片拼接；表示向量的第h
个切片，每个切片大小为d/H；表示值变量；r，r
′
＝1,2,3
…
R；
[0028]其中，归一化的行为相似度如下所示：
[0029][0030][0031][0032][0033][0034]式中，为中间参量；表示权重参数矩阵；表示权重参数矩阵；为互信息计算中的查询变量、关键字变量和值变量；表示中每个行向量的第h个切片，每个切片大小为d/H；h＝1,2,
…
,H。表示关键字变量；表示查询变量。
[0035]进一步，第l层图卷积网络的行为自信息如下所示：
[0036][0037]式中，为权重参数矩阵。
[0038]进一步，所述损失函数Loss如下所示：
[0039][0040]式中，表示成对的训练数据；表示观测到的交互；表示没有观测到的交互；σ(
·
)表示sigmoid函数；Θ表示所有的可训练参数；λ表示L2正则化系数。表示用户u对物品i、物品j的偏好分数。
[0041]进一步，所述可训练参数包括用户的初始嵌入物品的初始嵌入和各模块的权重参数
[0042]进一步，用户u对物品i的偏好分数如下所示：
[0043][0044]式中，和分别表示用户u和物品i的最终嵌入。
[0045]本专利技术的技术效果是毋庸置疑的，本专利技术在每个图卷积层中创新性地设计了行为感知融合模块，该模块融合了行为之间的互信息和行为内的自信息，可以更准确地建模用户偏好，更进一步可以缓解行为误差传播，提高推荐性能。
[0046]本专利技术提供一种基于行为感知融合图卷积网络的新框架，该框架通过行为感知融合模块学习用户的个性化行为模式，并将其应用于每个图卷积层以缓解行为误差的传播。
[0047]本专利技术通过建模用户个性化行为模式，缓解图神经网络多行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于行为感知融合图卷积网络的多行为推荐系统，其特征在于：包括采样模块、模型训练模块和生成推荐列表模块。所述采样模块获取用户历史交互的正样本和未交互的负样本数据，并输入至模型训练模块。所述模型训练模块存储有行为感知融合图卷积网络模型；所述模型训练模块首先随机初始化用户与物品嵌入参数，输入至行为感知融合图卷积网络模型，然后利用采样模块的正样本、负样本数据对行为感知融合图卷积网络模型进行训练，计算、融合多行为互信息和行为自信息，并计算得到用户对不同物品的偏好分数，将偏好分数传输至生成推荐列表模块；所述生成推荐列表模块根据偏好分数对物品进行降序排列，将前N个物品写入推荐列表。2.根据权利要求1所述的一种基于行为感知融合图卷积网络的多行为推荐系统，其特征在于：所述行为感知融合图卷积网络模型包括L层图卷积网络，每层图卷积网络均搭载有行为感知融合模块。3.根据权利要求1所述的一种基于行为感知融合图卷积网络的多行为推荐系统，其特征在于：所述用户
‑
物品正样本包括用户、用户历史交互与对应的交互物品；所述用户
‑
物品负样本包括用户与未观测到交互的物品。4.根据权利要求1所述的一种基于行为感知融合图卷积网络的多行为推荐系统，其特征在于：计算、融合多行为互信息和行为自信息的步骤包括：1)基于用户多种行为的交互历史，构建不同行为下的用户
‑
物品交互矩阵；矩阵中的每个元素表示用户和对应物品在对应行为下是否存在交互；2)初始化不同行为下用户和物品的嵌入表示，分别记为r＝1,2,3
…
R；下标u表示用户；下标i表示物品；R表示行为种类个数；3)上下堆叠用户和物品的嵌入矩阵，得到图卷积网络中的节点嵌入，记为4)基于节点嵌入计算第l层图卷积网络节点信息传播输出l初始值为1；表示第r个行为下带有自环的用户
‑
物品交互矩阵，其中表示单位矩阵，表示第r个行为下用户
‑
物品交互矩阵；表示的度数矩阵，是权重矩阵；5)行为感知融合模块计算第l层图卷积网络的多行为互信息和行为自信息6)行为感知融合模块将多行为互信息和行为自信息进行融合，得到第l层图卷积网络的节点嵌入信息融合卷积网络的节点嵌入信息融合f(...

【专利技术属性】
技术研发人员：王悦阳，陈方大，楼朝立，夏云霓，高旻，熊庆宇，
申请(专利权)人：重庆大学，
类型：发明
国别省市：