本发明专利技术公开了一种基于类别和差分表征的群组推荐方法和系统，本发明专利技术首先通过对数据集的处理生成群组、用户、物品之间多个静态图；然后通过超图、类别以及用户差异三个视图分别学习群组的特征表示，超图视图将每个群组视为一个超边，连接群组中的成员和与其交互的用户；类别视图先通过聚类算法将物品进行分类，再形成群组‑类别交互图；用户差异视图通过提取每个用户在不同群组中的差异信息来聚合群组的特征表示；最后适应性地去聚合三个视图形成的群组表示，并用训练完的模型预测群组较偏好的物品。本发明专利技术提出的方法从三个角度去挖掘群组、用户、物品之间的关系，更好地生成最终的群组特征表示，提升将物品推荐给对其感兴趣的群组的准确性。
【技术实现步骤摘要】
本专利技术属于深度学习中的推荐系统领域，特别涉及到一种基于类别和差分表征的群组推荐方法和系统
技术介绍
1、随着信息技术的飞速发展，人们可以轻松便捷地获取网络资源，但同时也面临着信息碎片化和信息过载的问题，即人们很难在海量的信息中快速找到符合自己需求的商品。虽然搜索引擎例如百度、谷歌等可以满足大众的简单需求，但是现实生活中不同用户往往存在着不同的兴趣偏好，搜索引擎无法满足用户的个性化需求。因此，推荐系统应运而生，有别于搜索引擎的“被动式”信息过滤，推荐系统根据用户的历史浏览记录确定用户兴趣，通过分析挖掘用户的行为，以“主动式”的方式为用户推荐符合其兴趣偏好的信息。
2、由于群组活动在日常生活中变得非常常见，因此迫切需要为一组用户生成推荐，称为群组推荐任务。现有的群组推荐方法通常通过聚合不同成员的兴趣来推断群体的偏好。事实上，团体的最终选择包括成员之间的妥协，最终达成协议。然而，现有的个人信息聚合缺乏群体层面的整体考虑，未能捕捉到共识信息。此外，他们的特定聚合策略要么计算成本高，要么粒度太粗，无法进行精确预测。
技术实现思路
1、专利技术目的：针对上述现有方法存在的技术问题，本专利技术的目的在于提供一种基于类别和差分表征的群组推荐方法和系统，能够有效地利用数据集中的交互信息，生成更加丰富的群体特征表示，以提高推荐的准确性。
2、技术方案：为实现上述专利技术目的，本专利技术采用的技术方案为：
3、一种基于类别和差分表征的群组推荐方法，包括以下步骤：</p>4、步骤1，基于公共数据集生成群组-群组关系图、群组-用户交互图以及在用户级、物品级和群组级别上的超图；
5、步骤2，分别从超图视图、类别视图以及用户差异视图对群组特征表示进行学习；超图视图中，利用图卷积神经网络对群组-群组关系图进行多层嵌入表示学习，得到学习后的群组表示并将其作为超图卷积神经网络的输入，然后分别在用户级和物品级的超图上进行特征聚合，最后将两者与物品级的汇聚信息和所输入对应群组的表示的元素乘积相串接，得到超图视图的群组节点表示；类别视图中，首先利用聚类算法对物品的特征表示进行聚类，再将得到的物品-类别关系结合群组-物品关系得到群组-类别交互图，分别在物品-类别交互图和群组-类别交互图上利用轻量级图卷积神经网络得到类别视图的群组节点表示；用户差异视图中，提取同一用户在不同群组中的差异信息进行聚合，得到对应的群组节点表示；
6、步骤3，将三个视图产生的群组表示分别经过线性变换得到适应性聚合的权重，经过适应性聚合得到最终的群组特征表示；
7、步骤4，基于损失函数对网络模型进行训练，并用训练完的模型推荐给群组感兴趣的物品。
8、作为优选，步骤1中，基于公共数据集，以群组与用户之间的包含关系构建群组-用户交互图；将两个群组之间的公共用户和物品数与两个群组所交互的总共用户和物品数的比值作为群组之间的交互权重，构建群组-群组关系图；分别构建用户级、物品级、群组级别上的超图，用户级和物品级的超图中超边分别连接与同一群组交互的用户和物品，群组级的超图中超边连接与同一群组有交互的用户和物品。
9、作为优选，步骤2中在超图视图中群组节点表示的生成过程包括：
10、通过以下公式分别在用户级和物品级的超图上得到用户和物品汇聚后的特征表示：
11、he,u＝aggnode({um|um∈ue})
12、he,i＝aggnode({in|in∈ie})
13、其中，aggnode(·)代表超图卷积神经网络中的节点汇聚函数，um∈rd，in∈rd分别代表第m个用户和第n个物品的嵌入表示，rd表示d维的特征向量，he,u表示用户级超图上群组成员的聚合信息，he,i表示物品级超图上的群组交互物品的聚合信息，ue，ie分别表示与群组e有交互的用户和物品；
14、使用通过群组-群组关系图学习到的群组e的特征表示与物品聚合信息he,i进行交互，再通过线性变换聚合这三种不同的信息，公式如下：
15、
16、其中，he代表群组e对应超边承载的综合信息，⊙表示元素乘积，wf∈r3d×d表示信息聚合的可训练权重矩阵；
17、更新物品的节点表示，并聚合多层节点表示得到物品节点和群组e对应超边的最终特征表示：
18、
19、
20、
21、其中，代表物品节点j更加具体的表示，agghe(·)表示超图卷积神经网络中的超边汇聚函数，εj是和物品节点j连接的超边的集合，是物品节点j在第l层的节点表示，l是卷积层的总层数，是群组e在第l层的特征表示，是在超图视图下群组e的最终特征表示。
22、作为优选，步骤2中在类别视图中群组节点表示的生成过程包括：
23、将所有与群组交互的物品节点进行k-means聚类操作：
24、clusters＝kmeansitem({in|in∈ig})
25、其中，kmeansitem(·)表示对所有与群组交互过的物品的特征表示进行k-means聚类操作，in∈rd表示第n个物品的嵌入表示，ig代表和所有群组交互过的所有物品，clusrs表示进行聚类后的结果；构建物品-类别交互图，通过结合数据集中群组和物品的关系最终形成群组-类别交互图；
26、将物品-类别交互图通过lightgcn聚合得到类别表示，将群组表示和物品表示的连接输入到图卷积神经网络，记为c为类别的初始表示，i为物品的初始表示，平均每层的表示获得最后的嵌入表示再用lightgcn对群组-类别交互图进行聚合，将输入进图卷积神经网络，g为群组的初始表示，最后得到在类别视图下群组的最终特征表示对于群组e，特征表示为
27、作为优选，步骤2中在用户差异视图中群组节点表示的生成过程包括：
28、将群组和用户之间的差异信息串上群组本身的表示，经过单层神经网络聚合到目标群组上：
29、
30、其中，ge是群组e的初始嵌入表示，m为与群组e交互的用户的数目，aggregation是一个输入维度为2d、输出维度为d的单层神经网络，||是串接操作，um∈rd，表示第m个用户的嵌入表示，ue表示与群组e交互的用户集合，表示用户差异视图下群组e的最终特征表示。
31、作为优选，步骤3中具体过程包括：
32、将超图视图下群组特征表示类别视图下群组特征表示用户差异视图下群组特征表示使用三个不同的权重进行加权得到最终群组表示
33、
34、其中，wh，wc，wd是三个可训练的权重矩阵，σ是激活函数，α，β，γ代表学习权重为了分别去平衡超图视图、类别视图、用户差异视图的贡献。
35、作为优选，步骤4中损失函数定义如下：
36、
37、其中，表示群组gt在群组-物品训练集上的取样，表示群组的集合，在每个实例对(j,j′)上,群组gt与物品j本文档来自技高网
...
【技术保护点】
1.一种基于类别和差分表征的群组推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤1中，基于公共数据集，以群组与用户之间的包含关系构建群组-用户交互图；将两个群组之间的公共用户和物品数与两个群组所交互的总共用户和物品数的比值作为群组之间的交互权重，构建群组-群组关系图；分别构建用户级、物品级、群组级别上的超图，用户级和物品级的超图中超边分别连接与同一群组交互的用户和物品，群组级的超图中超边连接与同一群组有交互的用户和物品。
3.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤2中在超图视图中群组节点表示的生成过程包括：
4.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤2中在类别视图中群组节点表示的生成过程包括：
5.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤2中在用户差异视图中群组节点表示的生成过程包括：
6.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤3中具体过程包括：
7.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤4中损失函数定义如下：
8.一种基于类别和差分表征的群组推荐系统，其特征在于，包括：
9.一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-7任一项所述的一种基于类别和差分表征的群组推荐方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-7任一项所述的一种基于类别和差分表征的群组推荐方法。
...
【技术特征摘要】
1.一种基于类别和差分表征的群组推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤1中，基于公共数据集，以群组与用户之间的包含关系构建群组-用户交互图；将两个群组之间的公共用户和物品数与两个群组所交互的总共用户和物品数的比值作为群组之间的交互权重，构建群组-群组关系图；分别构建用户级、物品级、群组级别上的超图，用户级和物品级的超图中超边分别连接与同一群组交互的用户和物品，群组级的超图中超边连接与同一群组有交互的用户和物品。
3.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤2中在超图视图中群组节点表示的生成过程包括：
4.根据权利要求1所述的一种基于类别和差分表征的群组推荐方法，其特征在于，步骤2中在类别视图中群组节点表示的生成过程包括：
5.根据权利要求1所述...
【专利技术属性】
技术研发人员：周嘉洛，章永龙，
申请(专利权)人：扬州大学，
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。