[發明專利]一種系統推薦方法

有效

• 申請號: 202110027315.5
• 申請日: 2021-01-09
• 公開（公告）號: CN112686736B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 陳卓;李涵;杜軍威;魏銳;姜偉豪;葛艷
• 申請（專利權）人: 青島科技大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q50/00;G06N3/04;G06N3/08
• 代理公司: 杭州天昊專利代理事務所(特殊普通合伙) 33283
• 代理人: 趙志鵬

1.一種系統推薦方法，其特征在于，具體處理步驟如下：

101)數據關系關聯步驟：由U＝{u₁,u₂,...,u_n}表示用戶數據集合、V＝{v₁,v₂,...,v_m}表示商品數據集，表示數據之間的元路徑，A代表用戶或商品，R代表社會關系或買與賣關系；元路徑的生成如下公式：

其中，n_t為當前結點，n_t+1為下一個節點，表示v的鄰居中有屬于A_t+1的，ρ表示元路徑規則，設定元路徑的長度為L；φ(x)表示路徑的下一個節點的類型，屬于網絡中節點類型；v和x分別表示當前結點和下一個節點，屬于網絡中的所有節點；

用戶、商品交互關系的元路徑生成的用戶、商品的向量表示為和用戶社交關系的元路徑生成的用戶向量表示為評分向量表示e_r；

102)用戶關系數據融合步驟：用戶數據集合中包括用戶項目交互網絡的u_v和用戶社交網絡的u_u；用戶項目交互網絡的u_v結合attention網絡生成對應的權重，得到用戶交互網絡中該用戶的隱含向量表示，具體如下公式：

其中，表示用戶i在交互網絡中的隱含向量，σ為激活函數，w和b為神經網絡參數，C表示用戶對商品打出的所有評分，N_i表示用戶i的鄰居，softmax表示softmax函數，x_jr表示商品j和對應評分r的向量融合，g_τ為一個多層全連接神經網絡，表示向量的拼接，w₁、w₂、b₁、b₂表示attention網絡兩層全連接層的參數；

用戶社交網絡的u_u結合attention網絡生成對應的權重，得到用戶在社交網絡中該用戶的隱含向量表示，具體如下公式：

其中，表示用戶i在社交網絡中的隱含向量，i′表示鄰居用戶；

最終包括用戶項目交互網絡和用戶社交網絡的用戶向量公式如下：

h_i表示最終用戶向量，l_n-1表示網絡層數，w_n、b_n表示w和b多層神經網絡的參數；

103)商品數據融合步驟：通過元路徑的方式采集了商品的在網絡中深層次的關系，再通過GNN融合其鄰居用戶的特征來表示商品的特征向量具體公式如下：

其中，表示商品j在交互網絡中的隱含向量；

104)推薦評分預測步驟：通過步驟101)至103)得到的用戶向量和商品向量來預測用戶對商品的評分，通過全連接層網絡把用戶向量和商品向量的拼接作為網絡的輸入，預測評分作為網絡的輸出，即使用多層全連接神經網絡來求得最后的預測評分，具體公式如下：

其中，為預測評分。

2.根據權利要求1所述的一種系統推薦方法，其特征在于：步驟102)中的用戶交互網絡中該用戶的隱含向量表示的具體過程如下：

其中，Aggregation表示融合函數，x_jr表示商品j和對應評分r的向量融合，C表示用戶對商品打出的所有評分；x_jr的公式如下：

g_τ為一個多層全連接神經網絡，表示向量的拼接；

Aggregation融合函數采用全連接神經網絡，則具體公式如下：

σ為激活函數，w和b為神經網絡參數，α_ji為商品j對用戶i的權重，每個商品對用戶的重要程度不同，通過Attention網絡訓練權重，具體公式如下：

3.根據權利要求1所述的一種系統推薦方法，其特征在于：還包括105)參數調整步驟：將步驟101)至104)建立的推薦模型進行參數調整，具體通過定義一個目標函數進行優化，從而反向更新推薦模型中的參數；其中選擇Adam方法進行調整優化，其中調整的損失公式如下：

其中，為用戶i對商品j的預測評分，y_ij為真實評分，n+m是用戶和商品的總個數。