[發(fā)明專利]一種基于圖交互網(wǎng)絡(luò)的推薦方法

在審

• 申請?zhí)枺?/td>: 202010578943.8
• 申請日: 2020-06-23
• 公開（公告）號: CN111881363A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計(jì)）人: 簡萌;張宸林;毋立芳;鄧斯諾;胡文進(jìn);盧哲;張恒
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q30/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京思海天達(dá)知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

一種基于圖交互網(wǎng)絡(luò)的推薦方法應(yīng)用于用戶個(gè)性化推薦領(lǐng)域。互聯(lián)網(wǎng)產(chǎn)業(yè)的快速發(fā)展以及網(wǎng)絡(luò)數(shù)據(jù)量的持續(xù)增長，傳統(tǒng)的推薦方法和深度學(xué)習(xí)方法難以滿足復(fù)雜的應(yīng)用環(huán)境，在準(zhǔn)確率和空間復(fù)雜度方面存在著不足。因此本發(fā)明提出了一種基于圖交互網(wǎng)絡(luò)的推薦方法，采用該方案可以保證個(gè)性化推薦準(zhǔn)確率的同時(shí)，降低模型空間復(fù)雜度，有著廣闊的應(yīng)用前景。

技術(shù)領(lǐng)域

本發(fā)明應(yīng)用于基于U-I關(guān)系的推薦系統(tǒng)領(lǐng)域，具體涉及圖深度網(wǎng)絡(luò)、注意力機(jī)制、用戶偏好信息以及物品屬性信息特征提取，U-I交互信息建模等數(shù)據(jù)挖掘與深度學(xué)習(xí)技術(shù)。

背景技術(shù)

個(gè)性化推薦是一個(gè)綜合性的分析任務(wù)，在社交網(wǎng)絡(luò)，音樂電臺，電子商務(wù)，個(gè)性化廣告，電影和視頻網(wǎng)站等領(lǐng)域應(yīng)用廣泛，因此備受關(guān)注。隨著互聯(lián)網(wǎng)產(chǎn)業(yè)的快速發(fā)展以及網(wǎng)絡(luò)數(shù)據(jù)量的持續(xù)增長，推薦系統(tǒng)面臨著越來越復(fù)雜的推薦任務(wù)和應(yīng)用環(huán)境。尤其是進(jìn)入Web2.0時(shí)代以來，伴隨著社會化網(wǎng)絡(luò)媒體的異軍突起，互聯(lián)網(wǎng)民眾既是網(wǎng)絡(luò)信息的消費(fèi)者，也是網(wǎng)絡(luò)內(nèi)容的生產(chǎn)者，互聯(lián)網(wǎng)中的信息量呈指數(shù)級增長。由于用戶的辨別能力有限，在面對龐大且復(fù)雜的互聯(lián)網(wǎng)信息時(shí)往往感到無從下手，使得在互聯(lián)網(wǎng)中找尋有用信息的成本巨大，信息過載問題由此誕生。因此，對于用戶而言，如何在以指數(shù)增長的資源中快速、準(zhǔn)確地定位到自己需要的內(nèi)容是一個(gè)非常重要且極具挑戰(zhàn)的事情。對于商家而言，如何把恰當(dāng)?shù)奈锲芳皶r(shí)呈現(xiàn)給用戶，從而促進(jìn)交易量和經(jīng)濟(jì)增長，也是一件頗具難度的事情。推薦系統(tǒng)的出現(xiàn)極大地緩解了這個(gè)困難。

協(xié)同過濾算法作為最為經(jīng)典的傳統(tǒng)推薦算法，在早些年的推薦場景中發(fā)揮了重要作用。協(xié)同過濾算法可以自然地建模用戶和物品間的高階關(guān)系，模型復(fù)雜度低，易于部署。這些優(yōu)勢讓其成為至今為止應(yīng)用最為廣泛的推薦方法。但是隨著互聯(lián)網(wǎng)用戶的爆發(fā)性增長，物品種類和屬性越來越齊全，互聯(lián)網(wǎng)資源的日益豐富性讓用戶偏好信息正在向多元化，細(xì)致化的趨勢發(fā)展。在這種環(huán)境下，算法的推薦準(zhǔn)確率存在著很大的不足，以協(xié)同過濾算法為代表的傳統(tǒng)的推薦算法難以滿足用戶的個(gè)性化需求。

近些年來，深度學(xué)習(xí)技術(shù)得到了快速發(fā)展。深度學(xué)習(xí)在計(jì)算機(jī)視覺，自然語言處理，推薦系統(tǒng)領(lǐng)域應(yīng)用越來越廣泛。深度學(xué)習(xí)技術(shù)通過搭建深層網(wǎng)絡(luò)深層次的挖掘用戶偏好信息和物品屬性信息。革新了推薦系統(tǒng)的模型架構(gòu)，克服了傳統(tǒng)模型的諸多缺陷。在推薦準(zhǔn)確率上獲得了較大的提高，以及在系統(tǒng)冷啟動(dòng)等問題上有了更為有效的解決方案，獲得了人們廣泛的關(guān)注。但是，傳統(tǒng)的深度學(xué)習(xí)技術(shù)不能自然地結(jié)合用戶和物品信息。一般只是根據(jù)用戶和物品的交互關(guān)系，利用深層網(wǎng)絡(luò)提取更為優(yōu)質(zhì)的用戶及物品特征，再通過其他模型或者另一個(gè)深層網(wǎng)絡(luò)預(yù)測用戶對待推薦物品的偏好程度，這種多模型堆疊的方法雖然提高了個(gè)性化推薦準(zhǔn)確率，但是模型難以得到方便部署，模型的可擴(kuò)展性和空間復(fù)雜度方面難以得到有效保證。

近年來，非歐式數(shù)據(jù)的分析處理成為了學(xué)術(shù)界和工業(yè)界的熱點(diǎn)話題，圖深度網(wǎng)絡(luò)能夠自然地集成用戶和物品的交互關(guān)系。有效地提取圖數(shù)據(jù)特征以及節(jié)點(diǎn)特征，自然地挖掘用戶偏好和物品屬性信息表達(dá)，為個(gè)性化推薦任務(wù)提供了一個(gè)嶄新的方向。近幾年，圖深度網(wǎng)絡(luò)的研究有了很大的發(fā)展，Thomas Kpif于2017年提出了圖卷積網(wǎng)絡(luò)的概念，它為圖結(jié)構(gòu)數(shù)據(jù)的處理提供了一個(gè)嶄新的思路，將深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到圖結(jié)構(gòu)數(shù)據(jù)上。其中，基于空間域的圖卷積方法，以任一節(jié)點(diǎn)為卷積對象，匯集鄰居節(jié)點(diǎn)的信息來構(gòu)建圖卷積層，由于其靈活高效，因此相比基于頻域的圖卷積方法應(yīng)用更為廣泛。與此同時(shí)，Hamilton提出一種適用于大規(guī)模網(wǎng)絡(luò)的歸納式學(xué)習(xí)方式，實(shí)現(xiàn)了無需額外訓(xùn)練就能為新增節(jié)點(diǎn)快速生成節(jié)點(diǎn)特征，極大緩解了圖卷積神經(jīng)網(wǎng)絡(luò)的可擴(kuò)展性問題。圖深度網(wǎng)絡(luò)的快速發(fā)展為個(gè)性化推薦系統(tǒng)的搭建指明了方向。

發(fā)明內(nèi)容