CN110674407B - 基于图卷积神经网络的混合推荐方法 - Google Patents

Abstract

本发明公开了一种基于图卷积神经网络的混合推荐方法，包括以下步骤：收集用户对物品的行为数据以及物品的属性信息；将收集的数据建模为异构信息图，并利用图卷积神经网络学习每个节点的特征向量表示；基于用户和物品特征向量的混合推荐。本发明主要是利用多种数据，包括用户对物品的行为数据和物品属性信息，获得用户和物品的特征向量表示并实施基于特征向量的混合推荐，缓解数据稀疏问题和繁重的特征工程问题的影响，进而改进推荐效果，提升用户满意度。

Description

基于图卷积神经网络的混合推荐方法

技术领域

本发明属于数据挖掘、信息检索及推荐技术领域，具体涉及一种基于图卷积神经网络的混合推荐方法。

背景技术

随着信息技术的快速发展，人们能够便捷的享受网络服务和内容，但同时也面临海量数据所带来的信息过载问题，难以找到自己感兴趣的内容。推荐系统能够帮助用户从海量在线信息中找到相关数据来满足用户需求，而准确获得物品的特征并高效计算其相似度是实现个性化推荐系统的核心之一。

然而，传统方法通常遭受诸如数据稀疏、繁重的特征工程等问题，无法满足用户的需求。因此，如何以自动化、智能化的方式充分包括用户的行为数据和物品的属性在内的多源异构信息，准确获取物品的特征向量并实现高效的混合推荐，是解决数据稀疏和繁重的特征工程、改进推荐系统的准确性以及用户满意度的关键之一。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于图卷积神经网络的混合推荐方法，能够改善推荐的效果和性能。

本发明包括如下内容：

1、一种基于图卷积神经网络的混合推荐方法，包括如下步骤：

10.收集用户的行为数据以及物品的属性；

20.对收集的数据进行建模并利用图卷积神经网络学习用户和物品的特征向量表示；

30.基于用户行为和物品特征向量进行混合推荐。

其中步骤10包括：

101.收集所有用户的行为数据

U＝{u₁,u₂,...,u_|U|}为所有用户的集合，其中用户u∈U的行为数据表示为序列B^u＝{(i₁,t₁),(i₂,t₂),…,(i_m,t_m)}，(i_j,t_j)表示用户交互过的物品和交互时间，I＝{i₁,i₂,...,i_|M|}为所有物品的集合。

102.收集I中所有物品的属性数据A，包括但不限于类别、标签、元数据等信息。

其中步骤20包括：

201.根据所有用户的行为数据和所有物品的属性数据构建异构信息图G＝(N,E)，所述的异构信息图G中的节点集合N＝U∪I∪A包括用户节点、物品节点和属性节点，所述的异构信息图中的边集合

E_u,i是表示行为数据中用户和物品的交互关系的边集合，

是表示行为序列中物品和物品转移关系的边集合，E_i，a是表示音乐-属性从属关系的边集合。

202.根据上述异构信息图G，建立以下目标函数O：

其中：σ(·)是sigmoid函数，

和

是节点n_i和n_j的d维图卷积特征向量表示，具体而言，节点n的向量表示v_n定义为：

其中：σ(·)是sigmoid激活函数，W是权重矩阵，

是向量拼接操作，

是节点n的|N|维邻接特征向量，

是邻接节点的邻接特征向量均值，定义为：

其中：

是节点n的邻接节点集合，

表示节点n′的|N|维邻接特征向量，w_t(n),t(n′₎表示不同类型的节点之间的相互影响程度，t(n),t(n′)∈(User,Item,Attribute)代表节点n和n′的类型。

其中步骤30包括：

301.根据学习得到的特征向量表示，目标用户u对物品i的兴趣可以用对应向量的余弦相似度表示，具体如下：

p(u,i)＝cos(v_u,v_i)

其中，

是用户u和物品i的d维图卷积特征向量表示。

302.利用上述公式的运算结果对所有物品进行排序，把前若干个物品推荐给目标用户u。

本发明的有益效果是：

1)充分利用用户的行为数据和物品的属性在内的多源异构信息，缓解数据稀疏问题；

2)设计基于卷积神经网络的特征提取和推荐算法，能够缓解繁重的特征工程，提升推荐结果的准确率和多样性，进而提升用户的满意度。

附图说明

图1为本发明推荐方法的系统架构示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

本发明基于图卷积神经网络的混合推荐方法包括以下步骤：

(1).收集所有用户的行为数据

U＝{u₁,u₂,...,u_|U|}为所有用户的集合，其中用户u∈U的行为数据表示为序列Bu＝{(i₁,t₁),(i₂,t₂),…,(i_m,t_m)}，(i_j,t_j)分别表示用户交互过的物品和交互时间，I＝{i₁,i₂,...,i_|M|}为所有物品的集合。收集I中所有物品的属性数据A，包括但不限于类别、标签、元数据等信息。

(2).根据所有用户的行为数据和所有物品的属性数据构建异构信息图G＝(N,E)，所述的异构信息图G中的节点集合N＝U∪I∪A包括用户节点、物品节点和属性节点，所述的异构信息图中的边集合

E_u,i是表示行为数据中用户和物品的交互关系的边集合，

是表示行为序列中物品和物品转移关系的边集合，E_i,a是表示音乐-属性从属关系的边集合。

(3).节点n的向量可以基于图卷积神经网络定义为：

其中W是权重矩阵，

是向量拼接操作，

是节点n的|N|维邻接特征向量，

是邻接节点的邻接特征向量均值，定义为

其中

是节点n的邻接节点集合，

表示节点n′的|N|维邻接特征向量，w_t(n),t(n′)表示不同类型的节点之间的相互影响程度，t(n),t(n′)∈(User,Item,Attribute)代表节点n和n′的类型。

(4).根据上述异构信息图和节点的图卷积特征向量计算公式，建立目标函数

其中σ(·)是sigmoid函数，

和

是节点n_i和n_j的d维图卷积特征向量表示；通过最小化上述目标函数，得到每个节点的特征向量表示

(5).根据学习得到的特征向量表示，目标用户u对物品i的兴趣可以用对应特征向量余弦相似度表示为p(u,i)＝cos(v_u,v_i)，其中

是用户u和物品i的特征向量表示。

(6).利用上述公式的运算结果对所有物品进行排序，把前若干个物品推荐给目标用户u。

图1给出了本实施方式基于图卷积神经网络的混合推荐方法的架构。该推荐系统分为两个主要模块：预处理模块和推荐模块。预处理模块中，首先获取所有用户的行为数据和物品的属性信息，构建异构信息图对多种信息进行建模，然后利用图卷积神经网络获取异构信息图中用户节点和物品节点的特征向量表示。在推荐模块中，基于学习得到的节点特征向量表示预测目标用户对候选物品的兴趣并对候选物品进行排序，最后将排名靠前的若干个物品推荐给用户。

上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (5)

1.基于图卷积神经网络的混合推荐方法，其特征在于包括如下步骤：

10.收集用户的行为数据以及物品的属性；

20.对收集的数据进行建模并利用图卷积神经网络学习用户和物品的特征向量表示；

30.基于用户行为和物品特征向量进行混合推荐；

其中步骤20包括：

201.根据所有用户的行为数据和所有物品的属性数据构建异构信息图G＝(N,E)，所述的异构信息图G中的节点集合N＝U∪I∪A包括用户节点、物品节点和属性节点，所述的异构信息图中的边集合

E_u,i是表示行为数据中用户和物品的交互关系的边集合，

是表示行为序列中物品和物品转移关系的边集合，E_i,a是表示音乐-属性从属关系的边集合；

202.根据上述异构信息图G，建立以下目标函数O：

其中：σ(·)是sigmoid函数，

和

是节点n_i和n_j的d维图卷积特征向量表示，通过最小化上述目标函数O，得到每个节点的特征向量表示。

2.根据权利要求1所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤10包括：

101.收集所有用户的行为数据

U＝{u₁,u₂,...,u_|U|}为所有用户的集合，其中用户u∈U的行为数据表示为序列B^u＝{(i₁,t₁),(i₂,t₂),…,(i_m,t_m)}，(i_j,t_j)表示用户交互过的物品和交互时间，I＝{i₁,i₂,...,i_|M|}为所有物品的集合；

102.收集I中所有物品的属性数据A，包括但不限于类别、标签、元数据。

3.根据权利要求1所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤20中的节点n的向量表示v_n定义为：

其中：W是权重矩阵，

是向量拼接操作，

是节点n的|N|维邻接特征向量，

是邻接节点的邻接特征向量均值。

4.根据权利要求2所述的基于图卷积神经网络的混合推荐方法，其特征在于，邻接节点的邻接特征向量均值的定义为：

其中：

是节点n的邻接节点集合，

表示节点n′的|N|维邻接特征向量，w_t(n),t(n′)表示不同类型的节点之间的相互影响程度，t(n),t(n′)∈(User,Item,Attribute)代表节点n和n′的类型。

5.根据权利要求1所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤30包括：

301.根据学习得到的特征向量表示，目标用户u对物品i的兴趣用对应向量的余弦相似度表示，具体如下：

p(u,i)＝cos(v_u,v_i)

其中，

是用户u和物品i的d维图卷积特征向量表示；

302.利用上述公式的运算结果对所有物品进行排序，把前若干个物品推荐给目标用户u。

Images