【技术实现步骤摘要】
本专利技术涉及商业数据挖掘，具体涉及一种基于异质图神经网络商品推荐方法。
技术介绍
1、随着信息技术的发展，现实世界中的购物场景能够准确的建模成由多种类型的节点和边构成的异质图结构。例如：美食外卖推荐、电影推荐以及短视频推荐等。异质图神经网络中包含了丰富的属性信息，通过增强属性来指导优化异质图中的结构和特征信息，能够高质量的提高用户和商品表示的准确性。
2、现有的技术中研究商品推荐精度不是很高，且用户和商品交互数据中的干扰较多，主要存在两种类型的缺点。一方面，将属性建模为用户或商品的邻居节点来优化用户或商品的嵌入表示，这忽略了节点之间属性的潜在关联，并在属性较多的情况下进一步导致图运算的规模增大，导致深层次发掘属性相似的商品信息。另一方面，直接采用拼接或者采用注意力机制方式将属性特征融入到节点的特征嵌入中，但这种方法使得属性难以为图结构的优化提供指导意见，不能有效滤除负面影响的商品或者用户信息。如何有效利用属性信息仍然是当今推荐系统领域的一个重要难题。
3、因此，现需要一种能够深入分析用户和商品推荐数据特性、对属性特征实现有效增强的、准确率高的基于异质图神经网络商品推荐方法。
技术实现思路
1、本专利技术的主要目的在于提供一种基于异质图神经网络商品推荐方法，以解决现有技术中不能够深入分析用户和商品推荐数据特性、商品推荐准确率较低的问题。
2、为实现上述目的，本专利技术提供了一种基于异质图神经网络商品推荐方法，具体包括如下步骤：
3、s
4、s2，构建图卷积属性增强门控网络，对噪声节点进行遮蔽。
5、s3，构建基于增强属性指导的异质图神经网络商品推荐模型aghrec，对用户进行商品推荐。
6、进一步地，步骤s1具体包括如下步骤：
7、s1.1，从用户和商品购物数据库中读入用户和商品的交互数据集，剔除缺失的用户和商品的信息。
8、s1.2，构建异质图 ， ，其中代表节点数据，如用户、商品，代表边集，如用户与商品之间的购买关系，代表多维属性数据，如商品品牌、品牌成分。
9、s1.3，将属性特征与节点信息进行匹配，采用遮蔽机制将包含属性的异质图，分割为和两个子图，其中表示遮蔽多维属性后仅保留节点的拓扑交互图，即，则表示遮蔽拓扑节点后仅保留属性的多维属性交互图，两个子图中的边集相同，即。
10、s1.4，在拓扑交互图的基础上，将处理为一阶邻居引导的异质视角，并采用对称的元路径引导创建同质视角，，其中，表示对参数执行归一化的函数，表示用户与商品之间的交互矩阵，表示商品与用户之间的交互矩阵。
11、s1.5，对多维属性数据进行处理，同种类型属性采用均值聚合，对非同种类型的属性采取拼接方式聚合，并利用非线性变换将属性数据映射到相同的维度空间，最终得到处理后的多维属性初始特征。
12、进一步地，步骤s2具体包括如下步骤：
13、s2.1，将不同类型的初始属性数据使用线性变换映射到相同的维度空间，构建层图卷积层gcns对节点之间的属性进行关联，其中映射后的用户属性，其中表示图卷积层数，为权重参数，，为单位矩阵，为的度矩阵，，是图卷积第层中用户属性的嵌入表示，是用户属性的初始特征 ，是非线性激活函数；映射后的商品属性用表示，其计算方式与映射后的用户属性计算方式相同。
14、s2.2，计算用户增强属性特征，，表示图卷积层数；商品增强属性特征用表示，计算方法与用户增强属性特征的计算方式相同。
15、s2.3，计算商品节点与的增强属性之间的曼哈顿距离，和表示维度，和为向量，分别代表商品节点和商品节点的嵌入空间距离，m，n表示向量和中的元素值，并将曼哈顿距离映射为属性之间的相似度分数，其中，，表示商品节点的两种邻居节点的集合；
16、s2.4，依据增强属性相似度分数完成序列排名，选择与目标商品节点最相似的前z个异质邻居；通过增强属性计算同质节点之间的相似度，判断相似度是否满足阈值，若是，则在遮蔽矩阵中设置为1，反之设置为0，完成遮蔽矩阵的构建。
17、进一步地，步骤s3具体包括如下步骤：
18、s3.1，对目标商品节点选择后的一阶异质用户邻居进行聚合处理，对同质节点特征进行均值聚合；聚合后的特征为，其中代表同质节点个数；异质节点特征采用注意力机制进行聚合，其中注意力得分公式为：<msub><mi>α</mi><mi>ij</mi></msub><mi>=</mi><mfrac><mrow><mi>exp(</mi><mi>σ</mi><mi>(</mi><msup><mi>a</mi><mi>t</mi></msup><mi>∙[</mi><msub><mi>e</mi><mi>i</mi></msub><mi>∥</mi><msub><mi>e</mi><mi>j</mi></msub><mi>]))</mi></mrow><mstyle displaystyle="false"><munder><mo>∑</mo><mo><msub><mi>e</mi><mi>j</mi></msub><mi>∈{</mi><msubsup><mrow><msub><mi>e</mi><mi>i</mi></msub><mi>,</mi><mi>e</mi></mrow><mi>i</mi><msup><mi>u</mi><mi>'</mi></msup></msubsup><mi>,</mi><msubsup><mi>e</mi><mi>i</mi><msup><mi>s</mi>本文档来自技高网...
【技术保护点】
1.一种基于异质图神经网络商品推荐方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于异质图神经网络商品推荐方法，其特征在于，步骤S1具体包括如下步骤：
3.根据权利要求2所述的一种基于异质图神经网络商品推荐方法，其特征在于，步骤S2具体包括如下步骤：
4.根据权利要求3所述的一种基于异质图神经网络商品推荐方法，其特征在于，步骤S3具体包括如下步骤：
【技术特征摘要】
1.一种基于异质图神经网络商品推荐方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于异质图神经网络商品推荐方法，其特征在于，步骤s1具体包括如下步骤：
3.根据...
【专利技术属性】
技术研发人员：李超，曾庆田，段华，原桂远，王龙涛，赵宇飞，
申请(专利权)人：山东科技大学，
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。