[發明專利]一種基于GCN和集成學習的推薦算法

在審

• 申請號: 202011635471.1
• 申請日: 2020-12-31
• 公開（公告）號: CN112734006A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 張忠良;夏鵬飛;陳愉予;陳瓊;雒興剛;蔡靈莎
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N20/20
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

本發明屬于推薦系統技術領域，具體涉及一種基于GCN和集成學習的推薦算法，包括以下步驟：S1、數據獲取：通過程序獲取圖信號數據；S2、模型訓練：通過將圖信號數據轉換為圖的拉普拉斯矩陣，以訓練GCN模型；S3、模型預測：通過設置的Dropout率，將訓練的GCN模型表示為多個基模型，并將所有基模型預測的Softmax值作為最終預測值；本發明有效提高推薦算法的準確率，通過大量的圖信號數據，利用GCN能夠在圖信號數據上獲取特征的能力，結合集成學習的技術，最大限度的提高模型的準確率。

技術領域

本發明屬于推薦系統技術領域，具體涉及一種基于GCN和集成學習的推薦算法。

背景技術

自進入21世紀以來，科學技術的迅猛發展為社會帶來了翻天覆地的變化，其中一個明顯特征即是互聯網帶來的便利，加上智能手機和通信技術的快速發展，更是讓人人能夠做到足不出戶便能享受到各種服務。同時，隨著技術的普及，越來越多的企業推出了線上的服務，為了能夠留住顧客，并且希望能讓顧客選擇更多的服務，企業會在自己的線上平臺上為不同的顧客推薦不同的服務/商品，而做到這種精準投放推薦服務的系統稱之為推薦系統，其中，推薦系統的核心部分即推薦算法。也正因為如此，為了能夠最大限度的留住顧客，挖掘顧客的興趣，現代企業必須采用一套精準的推薦系統算法以實現收益最大化。

卷積神經網絡(convolutional neural network，CNN)具有強大的特征表征能力，因而在諸如計算機視覺、自然語言處理等領域得到了極大關注。文本、圖像和視頻等都是屬于標準的歐幾里得數據，它們能對應地視為分布在一維、二維和三維網格支撐集上。CNN能夠方便地運算可歸因于這些網格的規則性。然而，現實中還存在著一種非歐幾里得數據，即圖信號數據，如知識圖譜、社交網絡、用戶商品之間的購買關系等，這一類數據是分布或定義在不規則網格支撐集上。同時，在推薦系統領域中廣泛存在著該類數據。傳統的CNN是無法應用到這一類數據上的。由上可知，如何將傳統CNN推廣到能夠處理更復雜的圖信號的卷積網絡,即圖卷積網絡(graph convolutional network，GCN)，利用其強大的特征表征能力提升學習效果，正得到越來越多的關注。

目前已有許多工作圍繞GCN在推薦系統中的應用展開了研究，并在理論和應用上取得了豐富成果。但大多研究都只關注于單一模型在所有特征上單次預測的效果，這難免會損失一定的準確率。因此，針對現有技術的不足，有必要提出一種技術方案以解決推薦系統中的準確挖掘顧客興趣的問題。

發明內容

基于現有技術中存在的上述缺點和不足，本發明的目的之一是至少解決現有技術中存在的上述問題之一或多個，換言之，本發明的目的之一是提供滿足前述需求之一或多個的一種基于GCN和集成學習的推薦算法。

為了達到上述發明目的，本發明采用以下技術方案：

一種基于GCN和集成學習的推薦算法，包括以下步驟：

S1、數據獲取：通過程序獲取圖信號數據；

S2、模型訓練：通過將圖信號數據轉換為圖的拉普拉斯矩陣，以訓練GCN模型；

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

作為優選方案，所述S2具體包括：

S21、將獲取的圖信號數據轉換為圖的拉普拉斯矩陣；

S22、通過圖的拉普拉斯矩陣訓練GCN模型。

作為優選方案，所述S21具體包括：