[發明專利]基于組合多感受野圖神經網絡的物品評分方法

有效

• 申請號: 202011458878.1
• 申請日: 2020-12-11
• 公開（公告）號: CN112529415B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 慕彩紅;劉逸;黃天歡;陳璞花;劉若辰;李陽陽;田小林
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/042;G06N3/045;G06N3/048;G06N3/0464;G06N3/047;G06N3/082;G06N3/084;G06F18/21
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;李勇軍

1.一種基于組合多感受野圖神經網絡的物品評分方法，其特征在于，生成一個由屬性特征提取模塊、結構特征提取模塊和圖解碼器模塊組成的組合多感受野圖神經網絡，由用戶屬性特征矩陣、物品屬性特征矩陣和用戶-物品二部有權圖組成訓練集訓練網絡，該方法的步驟包括如下：

(1)構建屬性特征提取模塊：

分別搭建兩個結構相同的分支，將兩個分支結構并聯組成屬性特征提取模塊，每個分支的結構包括輸入層和全連接層；將兩個輸入層的神經元個數均設置為4，激活函數為RELU；將兩個全連接層的神經元個數均設置為64，激活函數為RELU；

(2)構建結構特征提取模塊：

(2a)分別搭建三個結構相同的分支，每個分支的結構均包括輸入層和圖卷積層；將三個輸入層的神經元個數均設置為用戶-物品評分矩陣的行數和列數之和，激活函數為RELU；將三個圖卷積層的神經元個數均設置為40，激活函數為RELU；

(2b)將三個分支與一個拼接層連接，再與一個全連接層相連，組成結構特征提取模塊，將全連接層的神經元個數設置為240，激活函數為RELU；

(3)構建圖解碼器模塊：

(3a)分別搭建兩個分支，每個分支的結構均為一個全連接層；將兩個全連接層的神經元個數分別設置為64、240，激活函數均為RELU；

(3b)將兩個分支與一個拼接層連接，再與一個softmax層相連，組成圖編碼器模塊；

(4)生成組合多感受野圖神經網絡：

將屬性特征模塊和結構特征模塊并聯后再與圖解碼器模塊進行相連，生成組合多感受野圖神經網絡；

(5)構建屬性特征矩陣和用戶-物品評分矩陣：

(5a)從待推薦用戶數據集中提取至少500個用戶的屬性信息生成一個用戶屬性特征矩陣，其中矩陣的列依次為年齡、性別、籍貫和職業，矩陣的行為用戶編號；

(5b)從待推薦物品數據集中提取至少1000個物品的屬性信息生成一個物品屬性特征矩陣，其中矩陣的列依次為品牌、類別、產地和生產日期，矩陣的行為物品編號；

(5c)從用戶歷史行為數據集中提取至少10萬條待推薦用戶對待推薦物品的評分信息生成一個用戶-物品評分矩陣，其中矩陣的行為用戶編號，矩陣的列為物品編號；

(6)生成用戶-物品二部有權圖：

將用戶-物品評分矩陣中的行序號和列序號作為頂點，用戶對物品的評分作為邊，評分數值為邊上的權重，得到用戶-物品二部有權圖；

(7)生成訓練集：

將用戶屬性特征矩陣、物品屬性特征矩陣和用戶-物品二部有權圖組成訓練集；

(8)訓練組合多感受野圖神經網絡：

(8a)設置組合多感受野圖神經網絡的損失函數為交叉熵損失函數，學習率為0.01，dropout保留概率為0.7，滑動平均衰減速率為0.995，優化器為Adam；

(8b)將訓練集輸入到組合多感受野圖神經網絡中對網絡迭代訓練，在每次迭代的過程中，結構特征提取模塊的三個分支，對經由屬性特征提取模塊提取的屬性特征分別進行三個分支設定的不同次數的消息傳遞后輸出一個結構特征，再將屬性特征和結構特征輸入到圖解碼器模塊中輸出評分；使用組合多感受野圖神經網絡的損失函數計算當前迭代時該網絡的損失，用該損失更新當前迭代時網絡中每個神經元的權重值，直至組合多感受野圖神經網絡的損失收斂，得到訓練好的組合多感受野圖神經網絡；

(9)評分：

(9a)從待評分用戶屬性數據中提取用戶的年齡、性別、籍貫與職業組成待評分用戶特征；從待評分物品屬性數據中提取商品的品牌、類別、產地和生產日期組成待評分物品特征；

(9b)將待評分用戶特征與待評分物品特征同時輸入到訓練好的組合多感受野圖神經網絡中，輸出用戶對物品的評分。

2.根據權利要求1中所述的基于組合多感受野圖神經網絡的物品評分方法，其特征在于，步驟(8b)中所述的三個分支設定的不同次數分別為1、2、3。

3.根據權利要求1中所述的基于組合多感受野圖神經網絡的物品評分方法，其特征在于，步驟(8b)中所述消息傳遞的具體步驟如下：

第一步：對每個頂點進行獨熱編碼，得到該頂點的嵌入向量；

第二步：按照下式，計算每兩個頂點間傳輸的消息值：

其中u_ij表示從第j個頂點傳向第i個頂點的消息值，R表示對用戶-物品評分矩陣中所有元素去重后組成的集合，|N_r(i)|表示由第i個頂點評分為r的頂點組成的集合N_r(i)中元素的總數，W表示消息傳遞所在分支的圖卷積層的權重，x_j表示第j個頂點的嵌入向量；

第三步：按照下式，更新每個頂點的嵌入向量：

其中，h_i表示第i個頂點更新后的嵌入向量，concat(·)表示拼接操作，g_i表示第i個頂點更新前的嵌入向量，σ(·)表示激活函數RELU,表示對集合N_r(i)中的所有元素值求和。