本发明专利技术公开了一种基于社区感知与多尺度图对比学习的推荐方法，属于社交网络推荐技术领域，包括如下步骤：步骤1、获取社交网络中用户与商品之间的关系，根据用户与商品之间是否存在链接关系建立属性图；步骤2、通过社区感知图增强模块进行拓扑结构增强和节点特征增强，得到三个增强视图；步骤3、将三个增强视图经过图神经网络编码器获得节点表示；步骤4、通过多尺度图对比模块捕获多尺度表示进行模型参数的优化；步骤5、通过社交网络属性信息学习模块学习用户和商品信息的向量表示，进行个性化的推荐。本发明专利技术从以上步骤来探索社交网络中的多尺度信息，为用户推荐更准确的商品。
1、随着互联网技术的飞速发展，社交网络已成为人们日常生活的重要组成部分。推荐系统作为社交网络的核心功能之一，通过分析用户的行为数据、兴趣偏好和社交关系，为用户提供个性化的内容推荐，从而提升用户体验和平台活跃度。然而，现有的推荐系统面临着诸多挑战，如数据稀疏性，社区结构破坏、多尺度信息利用不足等，通过图对比学习，可以有效地将多种属性信息利用起来，用于推荐任务或其他应用中。
2、在现有技术中，grace方法通过对图的拓扑结构进行随机边扰动进行数据增强。gca方法通过计算节点和边的中心性来进行数据增强。homogcl方法在对比目标上只对比了节点级的表示。ncla方法利用了图的同质性假设筛选了更多的正样本，但它忽略了全局的结构信息。这些现有技术方法常常因为图上的社区信息未被充分探索和多尺度信息未被充分挖掘，导致社交网络中用户的分类效果差强人意。
1、为了解决上述问题，本专利技术提出了一种基于社区感知与多尺度图对比学习的推荐方法，首先设计了一种社区感知图增强的策略，该策略将图上不同的边赋予不同的权重，在拓扑增强时考虑边的权重信息，同时基于节点特征生成k近邻图，从而保护了图上的社区信息；同时，设计了一种新的对比模式，通过对比多个增强视图的节点级信息和图级信息，从而不仅可以捕捉到局部的用户和商品信息，还可以捕获全局的信息。
>3、一种基于社区感知与多尺度图对比学习的推荐方法，搭建图神经网络推荐模型，并根据用户的行为和属性信息进行个性化推荐；图神经网络推荐模型包括社区感知图增强模块、图神经网络编码器、多尺度图对比模块、社交网络属性信息学习模块；推荐方法具体包括如下步骤：4、步骤1、获取社交网络中用户与商品之间的关系，根据用户与商品之间是否存在链接关系建立属性图；
5、步骤2、通过社区感知图增强模块进行拓扑结构增强和节点特征增强，得到三个增强视图；
6、步骤3、将三个增强视图经过图神经网络编码器获得节点表示；
7、步骤4、通过多尺度图对比模块捕获多尺度表示进行模型参数的优化；
8、步骤5、通过社交网络属性信息学习模块学习用户信息的向量表示，进行个性化的推荐。
9、进一步地，所述步骤1中，建立的属性图为，表示节点集合，为第个节点，为节点总个数，表示边的集合，为第条边，为边总个数；构建节点特征矩阵，表示第个节点特征，为节点特征总个数；构建邻接矩阵，邻接矩阵的行代表用户节点，列代表商品节点，为中第行第列的值，表示第个用户节点和第个商品节点之间是否存在链接，如果第个用户节点和第个商品节点之间存在链接，则矩阵的第行第列的值设为1，即，否则为0，即。
10、进一步地，所述步骤2的具体过程为：
11、步骤2.1、基于社区检测算法leiden来进行社区划分，根据划分好的社区，计算每个社区的社区强度，具体如下：
12、 (1)；
13、其中，为社区的社区强度；表示属性图上所有边的数量；表示社区内边的数量；为节点的度数；
14、步骤2.2、计算每条边的权重，进行拓扑结构增强，具体如下：
15、 (2)；
16、其中，为第个用户节点和第个商品节点之间边的权重；、分别为第个用户节点、第个商品节点所属社区的社区强度；是一个指示性矩阵，为节点总个数，为社区总个数；为转置符号；为哈达玛乘积；为社区强度的均值；
17、步骤2.3、计算每条边属于增强视图的概率，具体如下：
18、 (3)；
19、其中，为属于增强视图的概率；为的平均值；为的最大值；表示增强视图的边占原图的边的比例；
20、基于每条边属于增强视图的概率进行两次拓扑结构增强，得到两个增强视图的邻接矩阵，分别为第一增强视图的邻接矩阵、第二增强视图的邻接矩阵；
21、步骤2.4、根据节点的特征余弦相似性重建一个k近邻图，计算节点的相似度得到一个相似度矩阵，具体如下：
22、 (4)；
23、其中，为余弦相似度函数；、分别为第个用户节点、第个商品节点的特征向量表示；为向量的模；
24、选择前k个相似的用户节点对为其连边，进而得到带有社区结构的k近邻图，将该k近邻图的邻接矩阵定义为第三增强视图的邻接矩阵；
25、步骤2.5、随机生成三个向量、、分别表示三个增强视图掩码节点特征的概率值，为特征维度，对三个增强视图进行节点特征增强，具体计算公式如下：
26、（5）；
27、（6）；
28、（7）；
29、其中，、、分别为三个增强视图增强后的节点特征矩阵；为第个节点特征。
30、进一步地，所述步骤3中，图神经网络编码器包括两层图卷积神经网络；将三个增强视图分别经过图神经网络编码器获得不同的节点表示，构建不同的节点级表示矩阵；具体如下：
31、（8）；
32、（9）；
33、（10）；
34、其中，表示图神经网络编码器；、、分别表示、、经过图神经网络编码器后得到的节点级表示矩阵。
35、进一步地，所述步骤4中，多尺度表示包括局部节点级表示和全局图级表示；具体过程为：
36、步骤4.1、局部节点级表示的捕获采用图对比学习中的infonce损失，计算公式如下：
37、（11）；
38、其中，为infonce损失；定义、分别为节点集合中的第个节点、第个节点；为第个节点在第一增强视图下的节点表示；为第个节点在第二增强视图下的节点表示；为与的损失值；为与的损失值；的计算公式为：
39、（12）；
40、其中，表示温度系数；为第个节点在第一增强视图下的节点表示；为第个节点在第二增强视图下的节点表示；
41、对比三个增强视图下的节点表示，并计算最终节点级损失，具体计算公式如下：
42、（13）；
43、（14）；
44、（15）；
45、其中，为第一增强视图与第二增强视图的损失；为第一增强视图与第三增强视图的损失；为最终节点级损失；为第个节点在第三增强视图下的节点表示；
46、步骤4.2、将节点级表示矩阵通过一个图池化层，得到全局图级表示，具体计算如下：
47、（16）；
48、其中，为全局图级表示；为读出函数；为不同增强视图经过图神经网络编码器后得到的节点级表示矩阵；为激活函数；为第个节点的节点表示；
49、定义三个增强视图的全局图级表示互为正样本，将三个增强视图的拓扑结构和节点特征进行打乱得到三个打乱后的邻接矩阵、、和三个打乱后的节点特征矩阵、、，对于每一轮的训练，每一个增强视图有两个图级别的正样本和三个负样本，对比目标本文档来自技高网...
【技术保护点】
1.一种基于社区感知与多尺度图对比学习的推荐方法，其特征在于，搭建图神经网络推荐模型，并根据用户的行为和属性信息进行个性化推荐；图神经网络推荐模型包括社区感知图增强模块、图神经网络编码器、多尺度图对比模块、社交网络属性信息学习模块；推荐方法具体包括如下步骤：
2.根据权利要求1所述基于社区感知与多尺度图对比学习的推荐方法，其特征在于，所述步骤1中，建立的属性图为，表示节点集合，为第个节点，为节点总个数，表示边的集合，为第条边，为边总个数；构建节点特征矩阵，表示第个节点特征，为节点特征总个数；构建邻接矩阵，邻接矩阵的行代表用户节点，列代表商品节点，为中第行第列的值，表示第个用户节点和第个商品节点之间是否存在链接，如果第个用户节点和第个商品节点之间存在链接，则矩阵的第行第列的值设为1，即，否则为0，即。
3.根据权利要求1所述基于社区感知与多尺度图对比学习的推荐方法，其特征在于，所述步骤2的具体过程为：
4.根据权利要求3所述基于社区感知与多尺度图对比学习的推荐方法，其特征在于，所述步骤3中，图神经网络编码器包括两层图卷积神经网络；将三个增强视图分别经过图神经网络编码器获得不同的节点表示，构建不同的节点级表示矩阵；具体如下：
5.根据权利要求4所述基于社区感知与多尺度图对比学习的推荐方法，其特征在于，所述步骤4中，多尺度表示包括局部节点级表示和全局图级表示；具体过程为：
6.根据权利要求5所述基于社区感知与多尺度图对比学习的推荐方法，其特征在于，所述步骤5的具体过程为：
...
【技术特征摘要】
1.一种基于社区感知与多尺度图对比学习的推荐方法，其特征在于，搭建图神经网络推荐模型，并根据用户的行为和属性信息进行个性化推荐；图神经网络推荐模型包括社区感知图增强模块、图神经网络编码器、多尺度图对比模块、社交网络属性信息学习模块；推荐方法具体包括如下步骤：
2.根据权利要求1所述基于社区感知与多尺度图对比学习的推荐方法，其特征在于，所述步骤1中，建立的属性图为，表示节点集合，为第个节点，为节点总个数，表示边的集合，为第条边，为边总个数；构建节点特征矩阵，表示第个节点特征，为节点特征总个数；构建邻接矩阵，邻接矩阵的行代表用户节点，列代表商品节点，为中第行第列的值，表示第个用户节点和第个商品节点之间是否存在链接，如果第个用户节点和第个商品节点之间存在链接，...
【专利技术属性】
技术研发人员：赵中英，孙硕，刘根，张齐齐，李超，
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。