[發(fā)明專利]一種基于GCN和集成學(xué)習(xí)的推薦算法

在審

• 申請?zhí)枺?/td>: 202011635471.1
• 申請日: 2020-12-31
• 公開（公告）號: CN112734006A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計）人: 張忠良;夏鵬飛;陳愉予;陳瓊;雒興剛;蔡靈莎
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N20/20
• 代理公司: 浙江千克知識產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良

1.一種基于GCN和集成學(xué)習(xí)的推薦算法，其特征在于，包括以下步驟：

S1、數(shù)據(jù)獲取：通過程序獲取圖信號數(shù)據(jù)；

S2、模型訓(xùn)練：通過將圖信號數(shù)據(jù)轉(zhuǎn)換為圖的拉普拉斯矩陣，以訓(xùn)練GCN模型；

S3、模型預(yù)測：通過設(shè)置的Dropout率，將訓(xùn)練的GCN模型表示為多個基模型，并將所有基模型預(yù)測的Softmax值的均值作為最終預(yù)測值。

2.根據(jù)權(quán)利要求1所述的一種基于GCN和集成學(xué)習(xí)的推薦算法，其特征在于，所述S2具體包括：

S21、將獲取的圖信號數(shù)據(jù)轉(zhuǎn)換為圖的拉普拉斯矩陣；

S22、通過圖的拉普拉斯矩陣訓(xùn)練GCN模型。

3.根據(jù)權(quán)利要求2所述的一種基于GCN和集成學(xué)習(xí)的推薦算法，其特征在于，所述S21具體包括：

S211、G＝(V,E)表示圖G，其中，V＝{v₁,v₂,...,v_n}表示圖的節(jié)點集合，v_i表示第i個節(jié)點，i＝1,2,...,n；E表示圖上邊的集合；令圖G的鄰接矩陣為A，若(v_i,v_j)∈E(G),A_ij＝1，否則A_ij＝0；

S212、令圖G的度矩陣為D，D是一個n×n的對角矩陣，其定義為：

其中度數(shù)deg(v_i)為v_i上的邊的條數(shù)；

S213、令L為圖G的拉普拉斯矩陣，L＝D-A。

4.根據(jù)權(quán)利要求1所述的一種基于GCN和集成學(xué)習(xí)的推薦算法，其特征在于，所述S3中，將已訓(xùn)練的GCN模型通過Dropout率在預(yù)測時隨機關(guān)閉模型中的神經(jīng)元，一次隨機生成一個基模型，以此循環(huán)生成多個基模型，對于同一個待預(yù)測對象，將所有基模型預(yù)測的Softmax值的均值作為最終的預(yù)測值。

5.根據(jù)權(quán)利要求4所述的一種基于GCN和集成學(xué)習(xí)的推薦算法，其特征在于，所述S3具體包括：

S31、設(shè)置Dropout率；

S32、根據(jù)Dropout率對已訓(xùn)練的GCN模型分類為不同的基模型，記錄所有基模型的Softmax值；

S33、根據(jù)當(dāng)前待預(yù)測對象的輸入，對所有基模型輸出的Softmax值求均值，以獲得最終預(yù)測值。

6.根據(jù)權(quán)利要求5所述的一種基于GCN和集成學(xué)習(xí)的推薦算法，其特征在于，所述S31具體包括：

設(shè)置Dropout率，令r表示Dropout率，以得到不同的r值上的計算結(jié)果。

7.根據(jù)權(quán)利要求5所述的一種基于GCN和集成學(xué)習(xí)的推薦算法，其特征在于，所述S32具體包括：

根據(jù)訓(xùn)練好的GCN模型，通過一次Dropout隨機將r比例的神經(jīng)元關(guān)閉，得到一個基模型；以此循環(huán)共得到k個基模型；記錄在Dropout率為r下的k個基模型預(yù)測的Softmax值。

8.根據(jù)權(quán)利要求5所述的一種基于GCN和集成學(xué)習(xí)的推薦算法，其特征在于，所述S33具體包括：對每個r值下所有的預(yù)測Softmax值取均值，得到最終預(yù)測值。