【技术实现步骤摘要】
本申请涉及机器学习，尤其涉及一种双通道感知的多行为推荐方法、系统、设备及介质。
技术介绍
1、信息技术的飞速发展不仅提高了人们的生活水平，也导致了网络信息的爆炸增长。推荐系统作为一种信息过滤方法，可以为用户提供个性化的内容，提高用户体验。相关技术中，推荐方法采用了预测和训练范式进行推荐，但是忽略了数据中的高阶结构信息，这限制了系统有效获取复杂邻居关系，导致推荐的效率和准确率较低。
2、综上，相关技术中存在的技术问题有待得到改善。
技术实现思路
1、本申请实施例的主要目的在于提出一种双通道感知的多行为推荐方法、系统、设备及介质，能够提高推荐的准确率。
2、为实现上述目的，本申请实施例的一方面提出了一种双通道感知的多行为推荐方法，所述方法包括：
3、获取多行为异构图，将所述多行为异构图输入推荐模型，其中，所述推荐模型包括行为层图注意力网络、融合显式边嵌入的图注意力网络和联合预测模块，所述行为层图注意力网络包括节点级多头注意力网络模块和融合残差连接的行为级图注意力层模块；
4、通过所述节点级多头注意力网络模块对所述多行为异构图进行节点嵌入处理，得到行为节点嵌入集合；
5、通过所述融合残差连接的行为级图注意力层模块对所述行为节点嵌入集合进行残差连接处理，得到第一节点嵌入集合；
6、通过所述融合显示边嵌入的图注意力网络对所述多行为异构图进行边嵌入显示添加处理，得到第二节点嵌入集合；
7、通过所述联合预测模块对
8、根据所述预测分数进行推荐处理，得到多行为推荐结果。
9、在一些实施例中，所述通过所述节点级多头注意力网络模块对所述多行为异构图进行节点嵌入处理，得到行为节点嵌入集合，包括以下步骤：
10、对所述多行为异构图进行高维特征映射和注意力计算处理，得到初始节点嵌入和初始邻居节点权重；
11、对所述初始邻居节点权重进行非线性变换和归一化处理，得到目标邻居节点权重；
12、根据所述目标邻居节点权重对所述初始节点嵌入进行更新和多头注意力计算处理，得到所述行为节点嵌入集合。
13、在一些实施例中，所述通过所述融合残差连接的行为级图注意力层模块对所述行为节点嵌入集合进行残差连接处理，得到第一节点嵌入集合，包括以下步骤：
14、对所述行为节点嵌入集合进行多层感知和非线性变换处理，得到初始行为节点权重；
15、对所述初始行为节点权重进行归一化处理，得到目标行为节点权重；
16、根据所述目标行为节点权重对所述行为节点嵌入集合进行聚合处理，得到聚合嵌入集合；
17、根据残差参数对所述聚合嵌入集合进行残差计算处理，得到所述第一节点嵌入集合。
18、在一些实施例中，所述通过所述融合显示边嵌入的图注意力网络对所述多行为异构图进行边嵌入显示添加处理，得到第二节点嵌入集合，包括以下步骤：
19、对所述多行为异构图进行行为嵌入和图注意力计算处理，得到初始注意得分；
20、对所述初始注意得分进行非线性变换和归一化处理，得到目标注意得分；
21、根据所述目标注意得分对所述多行为异构图的节点嵌入进行更新处理，得到边嵌入集合；
22、对所述边嵌入集合进行多头注意力计算和残差连接处理，得到所述第二节点嵌入集合。
23、在一些实施例中，所述通过所述联合预测模块对所述第一节点嵌入集合和所述第二节点嵌入集合进行联合预测处理，输出得到预测分数，包括以下步骤：
24、对所述第一节点嵌入集合进行用户节点嵌入和项目节点嵌入的内积计算处理，得到第一分数；
25、对所述第二节点嵌入集合进行用户节点嵌入和项目节点嵌入的内积计算处理，得到第二分数；
26、根据可学习参数对所述第一分数和第二分数进行组合处理，得到所述预测分数。
27、在一些实施例中，在所述将所述多行为异构图输入推荐模型之前，所述方法还包括预先训练所述推荐模型，具体包括以下步骤：
28、获取正样本数据和负样本数据；
29、分别将所述正样本数据和所述负样本数据输入所述推荐模型进行交互预测，得到正样本预测分数和负样本预测分数；
30、通过损失函数对所述正样本预测分数和所述负样本预测分数进行损失处理，得到损失值；
31、根据所述损失值对所述推荐模型的参数进行更新处理，得到训练完成的所述推荐模型。
32、在一些实施例中，所述获取多行为异构图，包括以下步骤：
33、获取用户项目交互记录；
34、对所述用户项目交互记录进行行为分析和图构建处理，得到所述多行为异构图。
35、为实现上述目的，本申请实施例的另一方面提出了一种双通道感知的多行为推荐系统，所述系统包括：
36、第一模块，用于获取多行为异构图，将所述多行为异构图输入推荐模型，所述推荐模型包括节点级多头注意力网络模块、融合残差连接的行为级图注意力层、融合显式边嵌入的图注意力网络模块和联合预测模块；
37、第二模块，用于通过所述节点级多头注意力网络模块对所述多行为异构图进行节点嵌入处理，得到行为节点嵌入集合；
38、第三模块，用于通过所述融合残差连接的行为级图注意力层对所述行为节点嵌入集合进行残差连接处理，得到第一节点嵌入集合；
39、第四模块，用于通过所述融合显示边嵌入的图注意力网络对所述多行为异构图进行边嵌入显示添加处理，得到第二节点嵌入集合；
40、第五模块，用于通过所述联合预测模块对所述第一节点嵌入集合和所述第二节点嵌入集合进行联合预测处理，输出得到预测分数；
41、第六模块，用于根据所述预测分数进行推荐处理，得到多行为推荐结果。
42、为实现上述目的，本申请实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面所述的方法。
43、为实现上述目的，本申请实施例的另一方面提出了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，所述计算机程序被处理器执行时实现前面所述的方法。
44、本申请实施例至少包括以下有益效果：本申请提供一种双通道感知的多行为推荐方法、系统、设备及介质,该方案通过获取多行为异构图，将多行为异构图输入推荐模型，通过节点级多头注意力网络模块对多行为异构图进行节点嵌入处理，得到行为节点嵌入集合；通过融合残差连接的行为级图注意力层模块对行为节点嵌入集合进行残差连接处理，得到第一节点嵌入集合；通过融合显示边嵌入的图注意力网络对多行为异构图进行边嵌入显示添加处理，得到第二节点嵌入集合；通过联合预测模块对第一节点嵌入集合和第二节点嵌入集合进行联合预测处理，输出得到预测分数；根本文档来自技高网...
【技术保护点】
1.一种双通道感知的多行为推荐方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述通过所述节点级多头注意力网络模块对所述多行为异构图进行节点嵌入处理，得到行为节点嵌入集合，包括以下步骤：
3.根据权利要求1所述的方法，其特征在于，所述通过所述融合残差连接的行为级图注意力层模块对所述行为节点嵌入集合进行残差连接处理，得到第一节点嵌入集合，包括以下步骤：
4.根据权利要求1所述的方法，其特征在于，所述通过所述融合显示边嵌入的图注意力网络对所述多行为异构图进行边嵌入显示添加处理，得到第二节点嵌入集合，包括以下步骤：
5.根据权利要求1所述的方法，其特征在于，所述通过所述联合预测模块对所述第一节点嵌入集合和所述第二节点嵌入集合进行联合预测处理，输出得到预测分数，包括以下步骤：
6.根据权利要求1至5任一项所述的方法，其特征在于，在所述将所述多行为异构图输入推荐模型之前，所述方法还包括预先训练所述推荐模型，具体包括以下步骤：
7.根据权利要求1至5任一项所述的方法，其特征在于，所述获
8.一种双通道感知的多行为推荐系统，其特征在于，所述系统包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
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权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种双通道感知的多行为推荐方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述通过所述节点级多头注意力网络模块对所述多行为异构图进行节点嵌入处理，得到行为节点嵌入集合，包括以下步骤：
3.根据权利要求1所述的方法，其特征在于，所述通过所述融合残差连接的行为级图注意力层模块对所述行为节点嵌入集合进行残差连接处理，得到第一节点嵌入集合，包括以下步骤：
4.根据权利要求1所述的方法，其特征在于，所述通过所述融合显示边嵌入的图注意力网络对所述多行为异构图进行边嵌入显示添加处理，得到第二节点嵌入集合，包括以下步骤：
5.根据权利要求1所述的方法，其特征在于，所述通过所述联合预测模块对所述第一节点嵌入集合和所述第二节点嵌入集合进行联...
【专利技术属性】
技术研发人员：黄晋，谭泽松，王耀明，陈洁敏，李建国，
申请(专利权)人：华南师范大学，
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。