[發(fā)明專(zhuān)利]一種基于FastGCN推薦的樣本特征聚合方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110358604.3
• 申請(qǐng)日: 2021-04-02
• 公開(kāi)（公告）號(hào): CN112948452A
• 公開(kāi)（公告）日: 2021-06-11
• 發(fā)明（設(shè)計(jì)）人: 董立巖;王浩;馬心陶;劉元寧;朱曉冬
• 申請(qǐng)（專(zhuān)利權(quán)）人: 吉林大學(xué)
• 主分類(lèi)號(hào): G06F16/2457
• 分類(lèi)號(hào): G06F16/2457;G06K9/62;G06N3/04
• 代理公司: 長(zhǎng)春市恒譽(yù)專(zhuān)利代理事務(wù)所(普通合伙) 22212
• 代理人: 鞠傳龍

本發(fā)明公開(kāi)了一種基于FastGCN推薦的樣本特征聚合方法，其方法為：步驟一、首先確定當(dāng)前網(wǎng)絡(luò)中的所有結(jié)點(diǎn)對(duì)象；步驟二、獲得特征矩陣的高階度矩陣；步驟三、將得到的高階度矩陣聚合為一個(gè)最終形式的度矩陣；步驟四、使用處理后的特征樣本進(jìn)行FastGCN網(wǎng)絡(luò)推薦，并獲得質(zhì)量更高的推薦內(nèi)容，提升公司的數(shù)據(jù)服務(wù)業(yè)務(wù)的高效率運(yùn)作。本發(fā)明的有益效果：使用了一種局部特征融合的技術(shù)手段完成了對(duì)FastGCN模型樣本屬性特征的融合。經(jīng)過(guò)融合后的樣本對(duì)象將會(huì)有更豐富的屬性特征，神經(jīng)網(wǎng)絡(luò)對(duì)這些對(duì)象進(jìn)行特征映射時(shí)將會(huì)更容易地區(qū)分出它們所屬的類(lèi)別，從而實(shí)現(xiàn)提高模型的推薦精度。增加應(yīng)用體驗(yàn)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種樣本特征聚合方法，特別涉及一種基于FastGCN推薦的樣本特征聚合方法。

背景技術(shù)

目前，基于FastGCN的推薦系統(tǒng)模型的應(yīng)用范圍在逐漸的擴(kuò)大，該模型在GCN的基礎(chǔ)上加快了它的推薦速度。但是它在對(duì)原始數(shù)據(jù)的特征量化時(shí)，只采集了圖譜(下文中稱(chēng)為圖或者網(wǎng)絡(luò))中的顯式信息部分，而忽略了這些數(shù)據(jù)中的隱式信息。比如，在一個(gè)百科索引網(wǎng)絡(luò)中，有一項(xiàng)詞條為詞典，該詞條將會(huì)把與詞典某些特征相關(guān)或者相似的工具書(shū)列為它的擴(kuò)展閱讀。但是在FastGCN模型的樣本數(shù)據(jù)中，像詞典這樣的對(duì)象卻缺少與之相關(guān)的其它對(duì)象的特征。然而實(shí)際上它們?cè)谀承┨卣魃虾芸赡苁窍嗨频?，只不過(guò)當(dāng)前對(duì)象在該特征中的表現(xiàn)較弱。這說(shuō)明了該模型存在數(shù)據(jù)處理方面的技術(shù)缺陷，該缺陷使得該模型在實(shí)際的使用中將會(huì)降低用戶的應(yīng)用體驗(yàn)。并且也不利于公司的大數(shù)據(jù)業(yè)務(wù)的良性運(yùn)作。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決FastGCN模型在數(shù)據(jù)處理方面所存在的技術(shù)缺陷，而提供的一種基于FastGCN推薦的樣本特征聚合方法。

本發(fā)明提供的基于FastGCN推薦的樣本特征聚合方法，其方法包括如下步驟：

步驟一、首先確定當(dāng)前網(wǎng)絡(luò)中的所有結(jié)點(diǎn)對(duì)象，然后確定網(wǎng)絡(luò)中的所有對(duì)象屬性的個(gè)數(shù)，將這些數(shù)據(jù)整理為列表形式，也就是哪些對(duì)象具有哪種屬性，并測(cè)量出每個(gè)對(duì)象與屬性的關(guān)系強(qiáng)度，通常取值0到1之間，將該列表轉(zhuǎn)化為特征矩陣的數(shù)據(jù)形式；

步驟二、獲得特征矩陣的高階度矩陣，特征矩陣中的每行進(jìn)行度數(shù)加權(quán)時(shí)，需要增加上其鄰接對(duì)象的特征；

步驟三、將得到的高階度矩陣以C＝C₁+α*C₂的形式將它們聚合為一個(gè)最終形式的度矩陣，然后用該矩陣求出度數(shù)加權(quán)特征矩陣，它的計(jì)算表示為：F＝C^-1F，最后將得到的F矩陣進(jìn)行歸一化處理既可作為FastGCN的輸入；

在上述的計(jì)算中，首先要通過(guò)統(tǒng)計(jì)的方法得到合適的參數(shù)α，并且它會(huì)存在一個(gè)能夠優(yōu)化模型表現(xiàn)的取值區(qū)間，除此之外，具有某些特點(diǎn)的應(yīng)用領(lǐng)域它們的參數(shù)的取值比較近似，因此特征聚合方案如果長(zhǎng)期應(yīng)用在同一個(gè)領(lǐng)域中可以將它的值進(jìn)行固定；

統(tǒng)計(jì)開(kāi)始前，設(shè)置它的起始值為0，然后在以一定的間隔增大它的值，在這個(gè)過(guò)程如果發(fā)現(xiàn)，模型的變現(xiàn)沒(méi)有相應(yīng)的變化，可考慮加大跳躍間隔；而模型的推薦精度如果出現(xiàn)較大幅度的上升或者下降，那么考慮減少跳躍間隔或者是在一個(gè)更小的區(qū)間中進(jìn)行統(tǒng)計(jì)，直到統(tǒng)計(jì)結(jié)果出現(xiàn)一個(gè)上升的幅度，繼續(xù)增大協(xié)調(diào)參數(shù)的值，當(dāng)模型的表現(xiàn)趨于平穩(wěn)的時(shí)候可以結(jié)束統(tǒng)計(jì)，并且將對(duì)模型優(yōu)化最好的參數(shù)設(shè)為固定值；

當(dāng)該模型所處的領(lǐng)域隨著時(shí)間的流逝，網(wǎng)絡(luò)結(jié)構(gòu)以及屬性特征發(fā)生變化的時(shí)候，應(yīng)當(dāng)考慮重新統(tǒng)計(jì)最優(yōu)參數(shù)；

步驟四、使用處理后的特征樣本進(jìn)行FastGCN網(wǎng)絡(luò)推薦，并獲得質(zhì)量更高的推薦內(nèi)容，提升公司的數(shù)據(jù)服務(wù)業(yè)務(wù)的高效率運(yùn)作。

本發(fā)明的有益效果：

本發(fā)明提供的基于FastGCN推薦的樣本特征聚合方法使用了一種局部特征融合的技術(shù)手段完成了對(duì)FastGCN模型樣本屬性特征的融合。經(jīng)過(guò)融合后的樣本對(duì)象將會(huì)有更豐富的屬性特征，神經(jīng)網(wǎng)絡(luò)對(duì)這些對(duì)象進(jìn)行特征映射時(shí)將會(huì)更容易地區(qū)分出它們所屬的類(lèi)別，從而實(shí)現(xiàn)提高模型的推薦精度。增加應(yīng)用體驗(yàn)。