[發明專利]一種基于動態圖注意力網絡的多關系協同過濾推薦

在審

• 申請號: 202011147309.5
• 申請日: 2020-10-23
• 公開（公告）號: CN112256980A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 關昕;朱金金;張全貴
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06K9/62;G06N3/04
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 韓登營

1.一種基于動態圖注意力網絡的多關系協同過濾推薦方法，其特征在于，包括以下步驟：

S1、數據采集及處理；

S2、劃分數據集：將處理好的數據集隨機選取80％作為訓練集，用于訓練模型；其余20％作為測試集，用于評估模型的泛化能力；從訓練集中隨機選取數據交互作為驗證集，用于調整超參數；

S3、構建融合模型：通過循環神經網絡捕捉用戶動態社交行為關系；運用Attention機制學習項目間關系；

S4、模型的訓練及項目推薦：將步驟S2中得到的訓練集和測試集分別用于訓練和評估步驟S3中構建的融合模型，根據最終的預測概率判斷是否將項目推薦給用戶。

2.如權利要求1所述的基于動態圖注意力網絡的多關系協同過濾推薦方法，其特征在于，所述步驟S1的數據采集及處理的具體步驟如下：

S101、將下載的MovieLens 1M數據集進行數據預處理；

S102、獲得用戶瀏覽的每一個視頻以及相關的時間戳及用戶的社交網絡；

S103、將原始的用戶評分進行二值化，將數據集轉換為隱式反饋。

3.如權利要求1所述的基于動態圖注意力網絡的多關系協同過濾推薦方法，其特征在于，所述步驟S3中構建融合模型的具體步驟如下：

S301、構建輸入層：輸入層包括四個輸入內容，用戶ID、朋友的興趣信息、項目ID和項目關系類型；

S302、構建基于動態圖注意力網絡的多關系協同過濾：構建基于RNN的用戶動態興趣社交網絡以及項目關系耦合的學習框架，細化朋友興趣信息和項目關系類型的嵌入；

S303、構建輸出層：預測用戶對項目的評分，判斷是否將該項目推薦給用戶。

4.如權利要求3所述的基于動態圖注意力網絡的多關系協同過濾推薦方法，其特征在于，所述步驟S302中構建基于RNN的用戶動態興趣社交網絡以及項目關系耦合的學習框架的具體步驟如下：

S302-1、構建基于RNN的用戶動態興趣社交網絡：將用戶ID和朋友興趣信息通過嵌入層映射為稠密向量，得到初始的朋友興趣信息和用戶嵌入hn和hn'，表示朋友興趣和用戶的潛在特征；

S302-2、構建項目關系協同過濾網絡：使用神經注意力機制來對歷史上相互作用的項目進行建模，注意機制輸出每個交互項的權重，該權重用于聚合所有項目的嵌入；

S302-3、RNN對目標用戶當前會話中所消費的項目序列進行建模，朋友興趣短期偏好或最近會話中的項目也使用RNN進行編碼，朋友的長期偏好被編碼成個體嵌入；

S302-4、使用一個圖注意力網絡來獲得對目標用戶影響最大的朋友，模型將當前用戶的表示和她朋友興趣的表示結合起來，通過全連接層表示用戶的最終嵌入向量，通過注意力機制學習的項目關系表示項目的最終嵌入表示向量；

S302-5、將上一步得到的用戶和項目的最終嵌入表示向量拼接后作為下一層的輸入，使用Softmax函數獲得下一個項目推薦的概率。

5.如權利要求1所述的基于動態圖注意力網絡的多關系協同過濾推薦方法，其特征在于，所述步驟S4中模型的訓練及項目推薦的具體步驟如下：

S401、構建損失函數：使用推薦系統中的BPR Loss損失函數，對正樣本和負樣本加上不同的權重，使正樣本能體現用戶的喜好，負樣本能少量體現用戶的喜好；

S402、構建優化函數：采用Adam來優化模型并更新模型參數；

S403、項目推薦：將最終用戶信息和項目信息送入融合模型，輸出項目的推薦概率，判斷是否將項目推薦給用戶。