[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

本發明公開了一種基于組合多感受野圖神經網絡的物品評分方法，其實現步驟為：(1)構建屬性特征提取模塊；(2)構建結構特征提取模塊；(3)構建圖解碼器模塊；(4)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；(6)生成用戶?物品二部有權圖；(7)生成訓練集；(8)訓練組合多感受野圖神經網絡；(9)評分。本發明提出的方法能夠提取用戶和物品的屬性特征和結構特征，充分挖掘用戶和物品信息，具有評分準確度高的優點。

技術領域

本發明屬于信息技術領域，更進一步涉及物品評分技術領域中的一種基于組合多感受野圖神經網絡的物品評分方法。本發明可根據用戶屬性信息、物品屬性信息和用戶的歷史行為數據，對構建的組合多感受野圖神經網絡模型進行訓練，得到用戶對物品的評分。

背景技術

隨著互聯網的快速發展，用戶規模爆炸增長，物品種類越來越多，帶來了嚴重的信息過載問題，推薦系統是緩解信息過載問題的有效技術手段，物品評分技術是推薦系統中的一個重要任務，評分的準確性對提高推薦系統的性能有著重要意義。物品評分技術首先通過對客觀數據和主觀數據進行分析和建模，其中用戶的性別、年齡、籍貫和物品的生產廠商、類別等客觀數據主要用于提取其內容特征和屬性特征。用戶歷史行為數據等主觀數據主要用于提取其偏好特征和結構特征，最后使用提取到的特征來得到用戶對沒有評分過的物品的評分。目前已存在的物品評分方法有很多，其中應用最廣泛的是基于矩陣分解的方法。近幾年，隨著圖神經網絡的快速發展和廣泛應用，也為解決物品評分問題提供了新的思路。

陜西科技大學在其申請的專利文獻“基于矩陣分解協同過濾算法的圖書推薦方法及系統”(申請號：201810260195.1，申請公開號：CN?108509573?A)中公開了一種基于矩陣分解協同過濾算法的物品評分方法。該方法的實施步驟是：步驟1，預處理用戶歷史評分行為數據的訓練集為用戶-物品評分矩陣；步驟2，對評分矩陣進行均值歸一化處理；步驟3，對歸一化處理后的用戶-物品評分矩陣進行矩陣分解，分解成兩個低維矩陣的乘積，分別表示用戶的特征矩陣以及物品的特征矩陣乘積。步驟4，構造改進的代價函數；步驟5，初始化特征矩陣；步驟6，通過改進的梯度下降法求解目標函數；步驟7，確定目標函數最優解之后，計算用戶對候選物品的評分；步驟8，取評分較高的前k個物品推薦給用戶。該方法存在的不足之處是，該方法只能夠對用戶行為數據進行挖掘，導致客觀信息挖掘不充分，用戶和物品屬性特征提取不充分，評分準確性差的問題。

重慶郵電大學在其申請的專利文獻“一種基于改進的圖卷積神經網絡的物品評分預測方法”(申請號：202010738044.X，申請公開號：CN?111859166?A)中公開了一種基于改進的圖卷積神經網絡的物品評分方法。該方法的實施步驟是：步驟1，獲取用戶對物品的歷史評分、用戶的個人信息，以及物品的屬性信息；步驟2，構造用戶-物品，用戶-用戶，物品-物品關系圖；步驟3，利用改進的圖卷積神經網絡提取多種關系圖中節點的結構和屬性特征；步驟4，選擇神經網絡模型融合節點的多種特征信息；步驟5，根據用戶和物品的特征表示，預測用戶對物品感興趣的概率；步驟6，利用訓練集和驗證集訓練模型；步驟7，利用訓練好的模型得到用戶對物品的評分。該方法存在的不足之處是，該方法的圖卷積網絡中僅使用單一的圖卷積層，導致用戶和物品的結構特征提取不充分，評分準確性差的問題。

發明內容

本發明的目的在于針對上述現有技術存在的不足，提出一種基于組合多感受野圖神經網絡的物品評分方法，用于解決現有物品評分方法中由于對用戶和物品屬性特征和結構特征提取不充分，導致評分準確性差的問題。

實現本發明目的的思路是：針對現有技術中用戶和物品屬性特征提取不充分的問題，通過構建屬性特征提取模塊提取用戶和物品的屬性特征，針對現有技術中用戶和物品結構特征提取不充分的問題，通過構建結構特征提取模塊提取用戶和物品的結構特征；生成組合多感受野圖神經網絡用于對物品評分；構建屬性特征矩陣、用戶-物品評分矩陣和用戶-物品二部有權圖，組成訓練集對組合多感受野圖神經網絡進行訓練；最后使用訓練好的組合多感受野圖神經網絡得到用戶對待評分物品的評分。

為實現上述目的，本發明的具體實現步驟如下：