[發明專利]基于特征交互圖神經網絡的上下文感知推薦方法及系統

有效

• 申請號: 202010793376.8
• 申請日: 2020-08-10
• 公開（公告）號: CN111931052B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 高茜;馬鵬程
• 申請（專利權）人: 齊魯工業大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/2458;G06N3/045;G06N3/048;G06N3/042;G06N3/0442;G06N3/08
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 孫園園

本發明公開了一種基于特征交互圖神經網絡的上下文感知推薦方法及系統，屬于數據挖掘技術領域，本發明要解決的技術問題為如何提高推薦系統預測的準確性和可解釋性，技術方案為：該方法具體如下：S1、從數據集中獲取用戶、項目及上下文的特征數據；S2、根據歷史記錄將數據集劃分為上下文?用戶數據集和上下文?項目數據集；S3、分別對上下文?用戶數據集和上下文?項目數據集進行one?hot編碼和embedding嵌入；S4、構造上下文?用戶和上下文?項目特征圖；S5、分別對上下文?用戶特征圖和上下文?項目特征圖中的節點進行初始化表示；S6、分別對上下文?用戶特征圖和上下文?項目特征圖中的節點進行特征交互建模；S7、構建圖神經網絡輸出層，得到預測結果。

技術領域

本發明涉及數據挖掘技術領域，具體地說是一種基于特征交互圖神經網絡的上下文感知推薦方法及系統。

背景技術

由于上下文信息對用戶行為的影響，上下文感知推薦系統近年來引起了人們的廣泛關注。在推薦系統中，建立模型來捕獲用戶的興趣和與項目的交互是很重要的。然而，傳統的推薦系統不考慮時間、地點和疲勞狀態等上下文環境特征信息與用戶/項目交互所產生的影響，而事實上，附加的上下文信息對所有類型的推薦系統都具有很強的支持性。例如，用戶平時喜歡聽一些電子類的激情歌曲，但當該用戶晚上在家陪老婆并且身體比較放松的時候會聽溫暖的愛情歌曲，當該用戶白天在公司陪客戶并且比較緊張的時候會聽一些舒緩的古典鋼琴音樂。這個例子表明，在該用戶選擇音樂的時候會受到特定上下文環境特征(上述例子中上下文環境特征包括：時間、地點、陪伴的人和不同程度身體疲勞狀態)的影響，因此在推薦系統中考慮上下文環境是必要的。特別注意，這里的壓力比較大、身體比較放松和比較緊張表示身體不同的疲勞程度。

上下文環境的重要性在該領域已得到廣泛承認。早期的研究大都是低階特征交互建模方法，他們僅僅能獲取特征間線性的關系，通過擴展潛在因素模型來整合上下文信息，通常將上下文視為些類似于用戶和項目的附加維度，并捕獲上下文和用戶/項目之間的相關性。這類方法存在的問題是難以解釋上下文對與用戶/項目之間的復雜關系。為了解決這個問題，有人提出了一種新的基于用戶和項目上下文感知表示的潛在因素模型，通過為給定上下文的用戶/項目添加額外的潛在空間層來進行學習。也有人提出了上下文操作張量(COT)模型，該模型將上下文表示為一個潛在向量，上下文表示為一個張量。然而，上述方法都依賴于線性操作(即矩陣分解)對觀測數據建立模型，只能獲得特征間簡單的低階特征交互關系，實際上這種交互關系可能要更加復雜得多。

還有人提出通過設計不同的對象(用戶、項目和上下文)和交互(上下文-用戶交互、上下文-項目交互和用戶-項目交互)來重新規劃CARS任務，這使得不同類型的交互之間有了明顯的區別。然后，受最近交互網絡(IN)的發展啟發，他們提出了一種新的神經模型，稱為關注交互網絡(AIN)，AIN探索了使用深度神經網絡來模擬上下文對用戶和項表示的交互影響。然而，AIN僅僅是將原始的多特征字段映射到共享的隱藏空間中，然后簡單地將其連接到DNN中，以學習用戶/項目和上下文環境間的高階特征交互，因此功能字段的簡單非結構化組合將不可避免地限制以足夠靈活和顯式的方式建模不同字段之間復雜交互的能力，因此這種高階的特征交互關系也是不夠準確。

綜上所述，如何提高推薦系統預測的準確性和可解釋性是目前亟待解決的技術問題。

發明內容

本發明的技術任務是提供一種基于特征交互圖神經網絡的上下文感知推薦方法及系統，來解決如何提高推薦系統預測的準確性和可解釋性的問題。

本發明的技術任務是按以下方式實現的，一種基于特征交互圖神經網絡的上下文感知推薦方法，該方法是通過構建上下文感知圖神經網絡模型(CA-GNN)建立上下文環境與用戶以及上下文環境與項目的交互關系，提高推薦系統預測的準確性和可解釋性；具體如下：

S1、從數據集中獲取用戶、項目及上下文的特征數據；

S2、根據歷史記錄將數據集劃分為上下文-用戶數據集和上下文-項目數據集；