【技术实现步骤摘要】
加强学习用户和物品embedding的图神经网络社交推荐方法
[0001]本专利技术涉及社交推荐
,尤其涉及一种加强学习用户和物品embedding的图神经网络社交推荐方法。
技术介绍
[0002]在这个信息以指数增长的时代,推荐系统已经成为过滤和推荐信息以满足各种需求的不可或缺的技术,特别是在许多面向用户的在线服务中,如电子商务和社交媒体网站。推荐系统的目标是向用户推荐可能会被点击或购买的个性化商品列表。目前的推荐系统所采用的推荐方法主要是基于协同过滤(CF),通过利用用户与物品交互的历史行为来模拟用户对物品的偏好。
[0003]在实际应用中,用户点击或购买的个性化商品还受到身边朋友、同学或同事的影响,用户能够通过周围的人来获取或传播信息。因此,出现了将社会关系整合到推荐系统中的社交推荐技术,该技术利用用户与用户之间的可信任的社会链接来补充稀疏的评级数据,从而通过考虑用户的评级行为,以及用户可信任的社会邻居的偏好来提高用户的偏好预测率。
[0004]近年来,深度神经网络在应用于图数据时取得了巨大成功。这些深度神经网络架构被称为图神经网络(GNN),被提出来从图数据中学习基于节点特征和图结构的有意义表示。然而,大多数现有的基于GNN的社交推荐模型忽略了社交不一致性问题。社交不一致性是指社交链接与评级预测过程可能不一致,这意味着,用户与用户之间可信任的社交链接或者用户对物品的评价链接提供的额外信息并不总是可用的,汇总来自不一致的社会邻居的信息会破坏GNN描述学习有益信息以进行推荐的能力。此外,在现
【技术保护点】
【技术特征摘要】
1.加强学习用户和物品embedding的图神经网络社交推荐方法,其特征在于,包括:步骤1:将用户社交数据存储为图结构得到社交图,将用户对物品的评分数据存储为图结构得到用户
‑
物品图,并根据用户
‑
物品图构建得到物品
‑
物品图,将社交图、用户
‑
物品图和物品
‑
物品图组合在一起得到社交推荐图;步骤2:将所述社交推荐图分为训练集和测试集;步骤3:构建图神经网络,采用训练集对所述图神经网络进行训练得到社交推荐模型;其中,所述图神经网络的训练过程包括:步骤3.1:预处理训练集以得到用户节点初始嵌入向量、物品节点初始嵌入向量和评分初始嵌入向量;步骤3.2:对于训练集中的任一用户节点,为该用户节点聚合一致性邻居用户节点来学习该用户节点的嵌入向量;步骤3.3:对于训练集中的任一物品节点,利用该物品节点的邻居用户节点和邻居物品节点,提取得到该物品节点的嵌入向量;步骤3.4:根据提取到的该用户节点的嵌入向量和该物品节点的嵌入向量得到该用户节点对该物品节点的预测分;步骤3.5:将用户节点对物品节点的预测分和真实分作为训练样本对,将预测分和真实分之间的均方根误差作为损失函数,计算损失函数的值;步骤3.6:重复执行步骤3.2至步骤3.5,直至满足训练停止条件,此时的图神经网络即为社交推荐模型;步骤4:采用社交推荐模型对测试集的用户节点
‑
物品节点对进行预测,得到该用户节点对该物品节点的评分预测结果。2.根据权利要求1所述的加强学习用户和物品embedding的图神经网络社交推荐方法,其特征在于,步骤1中,根据用户
‑
物品图构建得到物品
‑
物品图,具体包括:根据用户
‑
物品图统计任意两个物品之间共同关联的用户数量以及该两个物品之间关联用户的总数量;若两个物品之间共同关联的用户数量大于该两个物品之间关联用户的总数量的一半,则将该两个物品链接起来,最终形成物品
‑
物品图。3.根据权利要求1所述的加强学习用户和物品embedding的图神经网络社交推荐方法,其特征在于,步骤3.2具体包括:步骤A1:采用公式(1)生成所有用户节点和所有物品节点之间的查询嵌入q
u,t
;其中,σ是ReLU激活函数,是一个可训练的权重矩阵,e
u
,分别是用户节点u和物品节点t的初始嵌入向量,表示按列拼接;步骤A2:针对用户节点u
i
,设定其邻居用户节点集合为N(i),基于查询嵌入计算N(i)中邻居用户节点的一致性得分,从N(i)中抽取Q个一致性得分较高的邻居用户节点作为采样用户节点;步骤A3:计算每个采样用户节点的注意力权重,基于每个采样用户节点的注意力权重,按照公式(2)为用户节点u
i
聚合一致性邻居用户节点得到该用户节点u
i
的嵌入向量;
其中,j∈N(i),h
j
表示邻居用户节点u
j
的嵌入向量,α
j
表示邻居用户节点u
j
的注意力权重,W表示一个可训练的权重矩阵。4.根据权利要求3所述的加强学习用户和物品embedding的图神经网络社交推荐方法,其特征在于,步骤A2中,N(...
【专利技术属性】
技术研发人员:徐树维,司高飞,唐志伟,李兆可,张敬芸,
申请(专利权)人:河南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。