[發明專利]針對上下文感知型的圖卷積推薦系統

在審

• 申請號: 202011249269.5
• 申請日: 2020-11-10
• 公開（公告）號: CN112364242A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 何向南;吳劍燦;王翔;陳偉健
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;韓珂

本發明公開了一種針對上下文感知型的圖卷積推薦系統，包括：編碼器、圖卷積層以及解碼器；編碼器為輸入的用戶信息、物品信息和上下文信息的每個非零特征關聯一個隱空間矢量，并從用戶信息、物品信息和上下文信息三個域將這些隱空間矢量進行組合；圖卷積層中，基于預先構造的帶屬性的用戶?物品二分圖，并結合編碼器的輸出進行圖卷積操作，通過若干次圖卷積操作獲得用戶與物品的最終特征表征；所述解碼器，基于用戶與物品的最終特征表征以及上下文信息的關聯嵌入集合，預測用戶在上下文信息下對物品的喜好程度。該系統是一種通用的、適合線上服務的推薦系統框架，既能結合各種輔助信息，又能捕捉協同過濾效應，提升模型性能。

技術領域

本發明涉及推薦系統和圖數據挖掘領域，尤其涉及一種針對上下文感知型的圖卷積推薦系統。

背景技術

個性化推薦系統作為緩解信息過載和改善用戶體驗的重要工具，已成為當下互聯網中一項不可或缺的服務。協同過濾模型是最具代表性的推薦模型之一，它利用用戶和物品的歷史交互記錄，比如點擊、購買等，將每個用戶和物品映射到高維向量空間，通過計算向量間的相似性來進行個性化推薦。近期，由于圖神經網絡(GNN)在圖像處理、自然語言處理等領域取得了巨大的成功，越來越多的研究人員將GNN引入推薦系統，將協同過濾信號建模成用戶-物品二分圖的高階連通性，從而改善模型的性能。協同過濾模型雖然提供了一種通用的解決方案，但它也有一些固有的缺點，比如無法利用交互相關的上下文信息，即用戶-物品二分圖并未包含上下文信息，而這些信息往往能對用戶的選擇產生重大影響。例如在餐飲推薦場景中，時間和地點這兩個因素能有效地過濾掉不合適的候選集，在電商推薦場景中，用戶的購買傾向往往與近期的消費行為高度相近。因此開發一套能綜合考慮各種輔助信息的上下文感知型推薦系統(Context-Aware Recommender System,CARS)是至關重要的。

現有的CARS模型一般都沿用分解機模型(FactorizationMachine,FM)的范式，將問題轉化成標準的有監督學習任務。具體來講，它通過多熱編碼(Multi-hot Encoding)的方式將與一次交互記錄相關的所有信息編碼成一條特征矢量，之后采用不同特征交互模塊來建模特征間的交互，進而預測此次記錄中用戶對物品的喜好。隨著近幾年神經網絡的興起，特征交互模塊被各種結構的神經網絡替換來增強其表達能力。綜合分析近期的CARS進展，我們發現它們存在如下的不足：1)它們采用標準的有監督學習策略，忽略了數據樣本之間的聯動，這將導致學習的模型無法很好地捕捉協同過濾效應，因為識別協同過濾效應需要同時考慮多條交互記錄；2)它們往往具有很高的復雜度，因為它們為了能建模復雜的特征交互而采用精心設計的網絡結構，而在線上服務時，需要對每一個用戶-候選物品對都經過一次網絡前向傳播，這種低效、耗時的推斷(inference)策略不適合用在線上服務。

發明內容

本發明的目的是提供一種針對上下文感知型的圖卷積推薦系統，它是一種通用的、適合線上服務的推薦系統框架，既能結合各種輔助信息，又能捕捉協同過濾效應，提升模型性能。

本發明的目的是通過以下技術方案實現的：

一種針對上下文感知型的圖卷積推薦系統，包括：編碼器、圖卷積層以及解碼器；

所述編碼器為輸入的用戶信息、物品信息和上下文信息的每個非零特征關聯一個隱空間矢量，并從用戶信息、物品信息和上下文信息三個域將這些隱空間矢量進行組合，輸出用戶與物品的初始表征以及上下文信息的關聯嵌入集合；

所述圖卷積層中，基于預先構造的帶屬性的用戶-物品二分圖，并結合編碼器的輸出進行圖卷積操作，通過若干次圖卷積操作獲得用戶與物品的最終特征表征；

所述解碼器，基于用戶與物品的最終特征表征以及上下文信息的關聯嵌入集合，來預測用戶在上下文信息下對物品的喜好程度。