[發(fā)明專利]一種基于雙消息傳播機制的圖協(xié)同過濾推薦方法

有效

• 申請?zhí)枺?/td>: 202010928666.9
• 申請日: 2020-09-07
• 公開（公告）號: CN112100516B
• 公開（公告）日: 2022-03-15
• 發(fā)明（設計）人: 楊波;劉昊東
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/901;G06F16/9535
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 周劉英

1.一種基于雙消息傳播機制的圖協(xié)同過濾推薦方法，其特征在于，該方法包括以下步驟：

S1)設計一種專門針對于推薦場景下的消息傳播機制——雙消息傳播機制；

S2)基于雙消息傳播機制，設計一種基于雙消息傳播機制的圖協(xié)同過濾推薦方法；

其中，在步驟S1)涉及的雙消息傳播機制中，構建一個雙邊用戶–商品圖DUIG，在DUIG中，除了用戶–商品間存在邊，用戶–用戶和商品–商品間也存在邊；用戶–商品間的邊記作preference link，表示一次交互行為和偏好關系，用戶–用戶或商品–商品間的邊記作similarity link，表示用戶間或商品間的相似關系；在用戶中，只有那些交互過相同商品的用戶才會被similarity link連接；在商品中，只有那些被相同用戶交互過的商品才會被similarity link連接；

構建好雙邊用戶–商品圖后，雙消息傳播機制便可以發(fā)揮作用了，即在雙邊用戶–商品圖DUIG中進行消息傳播，在雙消息傳播機制中，存在兩種不同的消息，即preferencemessage和similarity message，preference message挖掘了用戶–商品間的偏好關系；similarity message挖掘了用戶間或商品間的相似關系；preference message只在preference link上傳播，similarity message只在similarity link上傳播；

preference message和similarity message這兩種消息其實是經過變換的用戶或商品的向量表示，攜帶著用戶或商品的特征，u₁,u₂,u₃表示三個不同的用戶，i₁,i₂,i₃,i₄表示四個不同的商品，從u₁和u₂傳播到i₁的兩個preference messages就是經過變換后的u₁和u₂的向量表示，攜帶著u₁和u₂的特征到達i₁，這一過程表示為：

其中，和表示來自u₁和u₂的preference message，f^p(·)表示變換函數，和表示u₁和u₂的向量表示；類似的，similarity message通過相似的方式進行構建，用戶u₂傳向用戶u₁的similarity message的構建方式如下：

其中，即為從u₂傳播向u₁的similarity message；

其中，在步驟S2)中，對于一個輸入的用戶–商品對，為了預測該用戶對該商品的偏好值，采用兩個圖神經網絡來處理用戶/商品的向量表示，基于雙消息傳播機制的圖協(xié)同過濾推薦方法分為以下3個步驟：

S21)構建輸入層：該輸入層負責初始化用戶和商品的向量表示；

S22)構建雙消息傳播層：該雙消息傳播層使用兩個圖神經網絡SimNet和PreNet來處理用戶/商品的向量表示，其中，SimNet負責挖掘用戶間或商品間的相似關系，PreNet負責挖掘用戶–商品間的偏好關系；對于用戶u，基于雙消息傳播機制，其與商品的偏好關系由PreNet來挖掘，具體過程可表示為：

其中，p_u表示用來刻畫用戶u對商品的偏好的向量preference向量，I_u和U_i分別表示u交互過的商品集合和交互過i的用戶集合，W₁是一個變換矩陣，σ是一個激活函數，e_i表示商品i的向量表示；類似的，u與其他用戶的相似關系由SimNet來挖掘，具體過程可表示為：

其中，s_u表示用來刻畫u與其他用戶的相似度的向量similarity向量，N_u表示那些與u交互過相同商品的用戶集合，W₂是一個變換矩陣，σ是一個激活函數，e_v表示商品v的向量表示，這里只介紹了對用戶的操作，對商品的操作采用類似的方法；

S23)構建預測層：該預測層負責預測用戶對商品的偏好值，首先，用戶/商品的preference向量和similarity向量會被拼接起來形成該用戶/商品的最終向量表示，然后用戶對商品的偏好值通過內積計算出來，即：

其中，和為用戶u和商品i的最終向量表示，其得到的方式為：

2.根據權利要求1所述的基于雙消息傳播機制的圖協(xié)同過濾推薦方法，其特征在于，所述基于雙消息傳播機制的圖協(xié)同過濾推薦方法進一步包括步驟S3)評價基于雙消息傳播機制的圖協(xié)同過濾推薦方法，其中，步驟S3)采用3個數據集，分別是Amazon-book、Gowalla以及Yelp2018；采用的評價指標為使用top-N推薦任務匯總使用的兩個評價指標：Recall@K和NDCG@K；所對比的方法包括：MF-BPR，NeuMF，NGCF，GRMF，LightGCN，Mult-VAE和基于雙消息傳播機制的圖協(xié)同過濾推薦方法DGCF。