[發明專利]一種基于輕量化圖卷積網絡的移動應用推薦方法

有效

• 申請號: 202110853793.1
• 申請日: 2021-07-28
• 公開（公告）號: CN113688974B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 曹步清;鐘為是
• 申請（專利權）人: 湖南科技大學
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06F18/214;G06F17/16;G06F16/9535
• 代理公司: 深圳紫晴專利代理事務所(普通合伙) 44646
• 代理人: 付欽偉

本發明公開了一種基于輕量化圖卷積網絡的移動應用推薦方法，首先利用二部圖建模APP與用戶的交互關系，利用高階連通性(樹形圖)進行初始的嵌入；然后，在輕量化圖卷積層中，使用嵌入傳播沿著圖結構捕獲協同過濾信號以進一步細化移動應用與用戶的嵌入；最后，通過內積預測出用戶對于不同移動應用的偏好，完成推薦任務。本發明屬于移動應用技術領域，具體是指一種基于輕量化圖卷積網絡的移動應用推薦方法。

技術領域

本發明屬于移動應用技術領域，具體是指一種基于輕量化圖卷積網絡的移動應用推薦方法。

背景技術

隨著移動應用數量和類型的快速增長，如何準確地向用戶推薦移動應用成為一個新的挑戰。圖卷積神經網絡是一種典型的移動應用推薦技術。然而，現有的基于圖卷積神經網絡的移動應用推薦中存在著非線性激活、特征變換等操作，這些操作用于對用戶與移動應用之間的高階交互關系進行建模和表征會增加模型訓練的難度，導致過平滑效應，降低了推薦性能。

其中，輕量化圖卷積網絡：LGC；

發明內容

為了解決上述難題，本發明提供了一種基于輕量化圖卷積網絡的移動應用推薦方法。

本發明采取的技術方案如下：一種基于輕量化圖卷積網絡的移動應用推薦方法，包括如下步驟：

1)初始嵌入層：嵌入向量e_i∈R^d代表用戶u的嵌入矩陣，e_i∈R^d代表移動應用i嵌入矩陣，其中d為移動應用或用戶的嵌入維度大小；因兩者的嵌入維度一致，將參數矩陣構建整合為一個嵌入的大矩陣，具體如公式(1)、(2)所示：

2)輕量化圖卷積層：在LGC層，對下一層進行歸一化鄰域嵌入求和，在LGC層的組合過程中，對每一層的嵌入進行求和，得到最終的向量表示；通過將移動應用節點和用戶節點的特征聚合在圖上，學習新節點的向量表示，將模型迭代地進行圖卷積，即將鄰域的特征聚合為目標節點的新向量表示，這種鄰域聚合可以抽象為：

其中，AGG表示線性聚合函數，LGC僅從鄰居傳播信息，通過傳播來自其連接用戶的信息來獲得移動應用i的表征

LGC中的傳播規則為：

根據公式(4)和(5)，以二階傳播嵌入為例，得知：

在LGC中，eu(0)：表示所有用戶、ei(0)：表示所有移動應用，當給定第0層嵌入時，通過公式(4)和(5)中定義的LGC傳播規則計算更高層的嵌入，通過堆疊κ個嵌入傳播層，用戶或移動應用接收從其K跳鄰居傳播的消息，以形成用戶和移動應用節點的最終向量表征：

其中，αk為可學習的權重系數；

另外，矩陣形式的傳播規則：用戶-移動應用交互矩陣為其中，M和N分別表示用戶數量和移動應用數量，如果u與i交互，則R_ui為1，否則為0；用戶-移動應用交互的鄰接矩陣為：

其中T是嵌入大小，給定第0層的嵌入矩陣，得到LGC矩陣的等價形式：

其中，D是一個(M+N)×(M+N)的對角正定矩陣，也稱為鄰接矩陣A的度矩陣；為對稱歸一化矩陣。