[發明專利]一種基于異構圖神經網絡的推薦方法

有效

• 申請號: 202110296182.1
• 申請日: 2021-03-19
• 公開（公告）號: CN112990972B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 許勇;邵逸臻
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F16/9536;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 楊望仙

本發明屬于推薦系統技術領域，涉及一種基于異構圖神經網絡的推薦方法，包括：收集帶有用戶間社交關系、用戶?商品交互歷史數據及商品類別信息的數據集，并過濾無效數據以及進行負采樣；隨機選取用戶集合及相關商品集合，并進行多階圖采樣與建圖；結點特征提?。簩嫿ǖ膱D輸入到異構圖神經網絡中進行處理，得到結點的融合結點嵌入向量；對于不需要經過重校準步驟的商品結點而言，商品結點的融合結點嵌入向量即為商品融合嵌入向量；重校準：對用戶融合結點嵌入向量進行重校準，得到用戶最終表示嵌入向量；使用用戶最終表示嵌入向量和商品融合嵌入向量進行偏好預測，并得到推薦順序。本發明解決了數據稀疏和數據缺失的問題，具有推薦精準等優點。

技術領域

本發明屬于推薦系統技術領域，涉及一種基于異構圖神經網絡的推薦方法。

背景技術

在如今信息爆炸的時代，用戶每天接受到的信息已經超過了個人所能處理的范圍，海量無關的冗余信息嚴重干擾了用戶對所需要的相關有用信息的選擇。推薦系統是一種根據用戶歷史行為以及個人偏好為目標用戶推薦商品的應用，可以為用戶提供個性化的更有用相關信息，從而有效緩解信息過載問題。

近年來，信息數據隨著互聯網和智能移動設備的發展爆炸式增長，推薦系統已經廣泛應用在電子商務網站、在線討論區、廣告平臺以及視頻網站等各類網絡服務當中。推薦方法的好壞直接決定了推薦系統的個性化推薦準確與否。然而，傳統基于協同過濾模型的推薦方法存在著數據稀疏等問題，使得一些長尾商品難以推薦給需要的用戶，極大地限制了用戶快速精準地獲取所需商品的需求。因此，為了緩解數據稀疏所帶來的問題，引入用戶與商品交互以外的其它信息，研究異構關系下的推薦方法顯得愈發關鍵。

目前的推薦方法可以簡單地分為三類：協同過濾方法、基于內容的方法和混合方法。協同過濾方法不僅利用目標用戶的歷史行為對用戶進行建模，還使用其它用戶和商品對目標用戶-商品交互進行預測。用戶-商品的交互歷史數據通?？梢蕴峁┹^好的預測結果且易于獲取，因此通常被視為推薦方法的核心信息。雖然協同過濾方法具有較好的預測表現，但由于用戶-商品的交互歷史數據不可避免地存在著數據稀疏問題，使得協同過濾方法從根本上無法應對長尾商品的推薦以及冷啟動問題?；趦热莸姆椒ㄊ褂妹枋鲇脩艋蛏唐返臄祿M行建模，例如用戶的年齡、性別或者商品的類別、文本描述等，此類數據主要描述用戶或商品自身的特征，而非關注于用戶與商品的交互，因此被稱為內容數據。此類數據通常不會因新用戶或用戶使用頻率等原因而導致稀缺，能有效避免數據稀疏問題?；旌戏椒磳f同過濾方法和基于內容的方法進行融合，既使用更貼合推薦場景的用戶-商品交互歷史數據，也利用了豐富的用戶、商品自身特征，通常能獲得更準確的推薦效果。

隨著深度學習技術飛速發展，深度學習方法已經被廣泛應用到各種新型推薦方法中來。隨著王等人提出的圖神經網絡協同過濾模型NGCF(詳見文獻：Wang,Xiang,et al.Neural graph collaborative filtering.Proceedings of the 42nd internationalACM SIGIR conference on Research and development in InformationRetrieval.2019.)被廣泛應用以及何等人提出的LightGCN(詳見文獻：He,Xiangnan,etal.Lightgcn:Simplifying and powering graph convolution network forrecommendation.Proceedings of the 43rd International ACM SIGIR Conference onResearch and Development in Information Retrieval.2020.)已經被應用到主流視頻網絡服務的推薦方法上，圖神經網絡展現出的高性能越來越受到推薦方法研究人員的關注。盡管圖神經網絡在協同過濾方法上可以取得卓越的成就，但是其仍然受協同過濾方法的數據稀疏問題困擾。因此，為了減少數據稀疏所帶來的問題，將更多的內容信息以及用戶相關的社交信息融合到圖模型當中顯得十分必要。

發明內容