[發明專利]通過社交網絡關系的圖卷積協同過濾實現的產品推薦方法

有效

• 申請號: 202111235556.5
• 申請日: 2021-10-22
• 公開（公告）號: CN113918833B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 劉小洋;趙正陽;馬敏;王浩田
• 申請（專利權）人: 重慶理工大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F40/30;G06N3/04;G06N3/08;G06Q30/06;G06Q50/00
• 代理公司: 重慶天成卓越專利代理事務所(普通合伙) 50240
• 代理人: 王宏松

本發明提出了一種通過社交網絡關系的圖卷積協同過濾實現的產品推薦方法，包括：S1，隨機初始化節點的嵌入矩陣并查詢分別得到用戶u和物品i的初始化嵌入；S2，在獲得節點的初始化嵌入之后，用語義聚合層來聚合并更新節點嵌入；首先在語義聚合層引入一階語義聚合而后將一階語義聚合擴展到各層，實現高階語義聚合；S3，在分別得到社交嵌入傳播層的語義聚合嵌入向量和交互嵌入傳播層的語義聚合嵌入向量之后，先將社交嵌入傳播層和交互嵌入傳播層的用戶嵌入向量進行融合；而后將各嵌入傳播層得到的各階嵌入進行加權求和融合得到最終的用戶嵌入和物品嵌入；S4，根據物品的嵌入為用戶推薦產品。本發明能提取用戶的社交信息，可擴展性高，挖掘到的語義信息豐富，推薦效果好。

技術領域

本發明涉及一種推薦方法，尤其涉及一種通過社交網絡關系的圖卷積協同過濾實現的產品推薦方法。

背景技術

在信息爆炸的時代，推薦系統已經成為幫助用戶發現自己感興趣的海量數據的最有效方式之一，它的核心是根據用戶的購買和點擊等歷史互動情況來估計用戶接受道具的可能性。一般來說，推薦系統通常遵循兩個步驟：學習用戶和物品的向量化表示(嵌入)，然后模擬它們之間的交互(例如，用戶是否購買該物品)。協同過濾(Collaborativefiltering,CF)基于用戶—物品二部圖上的歷史交互學習節點嵌入，并基于參數預測用戶偏好從而進行物品推薦。

一般來說，在可學習CF模型中有兩個關鍵組成部分：1)嵌入，它將用戶和物品轉換為向量化的表示；2)交互建模，它基于嵌入重建歷史交互。例如，矩陣分解(MF)直接嵌入用戶和物品ID作為向量，并使用內積建模用戶—物品交互；協同深度學習通過整合物品豐富邊信息的深度表示，擴展了MF嵌入函數；神經協同過濾模型用非線性神經網絡代替內積的MF交互函數；基于平移的CF模型則使用歐幾里得距離度量作為交互函數等。

盡管這些方法是有效的，但這些方法只使用描述性特征(如ID和屬性)而不是考慮用戶—物品交互信息來構建嵌入函數，而用戶—物品交互僅用于定義模型訓練的目標函數，其嵌入函數缺乏對隱藏在在用戶—物品交互數據總的關鍵協同信號的顯式編碼從而產生不足以為CF生成令人滿意的嵌入。

受到圖神經網絡的最新發展，LightGCN的提出使得CF模型由傳統方法實現轉移到由圖卷積神經網絡實現。它是一種輕量級的GCN網絡構建模型，它舍棄了傳統GCN的特征變換和非線性激活，并通過實驗驗證了這兩種操作對協同過濾是無效的。LightGCN通過在用戶-物品交互矩陣上進行線性傳播來學習用戶和物品的嵌入，最后將所有層學習到的嵌入的加權和作為最終嵌入。LightGCN的提出雖然解決了上述方法存在的問題，但是它只限于處理用戶-物品的歷史交互數據，無法建模用戶的社交從而提取到用戶的社交特征信息，這導致它的可擴展性不高，挖掘到的語義信息較為單一，從而影響到推薦的效果。

發明內容

本發明旨在至少解決現有技術中存在的技術問題，特別創新地提出了一種通過社交網絡關系的圖卷積協同過濾實現的產品推薦方法。

為了實現本發明的上述目的，本發明提供了一種通過社交網絡關系的圖卷積協同過濾實現的產品推薦方法，包括以下步驟：

S1，隨機初始化節點的嵌入矩陣并查詢分別得到用戶u和物品i的初始化嵌入；

S2，在獲得節點的初始化嵌入之后，用語義聚合層來聚合并更新節點嵌入；首先在語義聚合層引入一階語義聚合而后將一階語義聚合擴展到各層，實現高階語義聚合；

S3，在分別得到社交嵌入傳播層的語義聚合嵌入向量和交互嵌入傳播層的語義聚合嵌入向量之后，先將社交嵌入傳播層和交互嵌入傳播層的用戶嵌入向量進行融合；而后將各嵌入傳播層得到的各階嵌入進行加權求和融合得到最終的用戶嵌入和物品嵌入；

所述融合采用先求哈達瑪積然后行正則化的聚合方式或者采用先拼接，然后通過全連接層將維度降為和原來的一樣維度的聚合方式；

S4，根據物品的嵌入為用戶推薦產品；