[發(fā)明專利]一種基于圖卷積網(wǎng)絡(luò)的社交推薦方法與系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111287138.0
• 申請日: 2021-11-02
• 公開（公告）號: CN114036405A
• 公開（公告）日: 2022-02-11
• 發(fā)明（設(shè)計）人: 張垣垣;朱俊武;章永龍;孫茂圣
• 申請（專利權(quán)）人: 揚(yáng)州大學(xué)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N3/04;G06N3/08;G06Q50/00
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 孟紅梅

本發(fā)明公開了一種基于圖卷積網(wǎng)絡(luò)的社交推薦方法與系統(tǒng)，屬于機(jī)器學(xué)習(xí)、社交推薦領(lǐng)域，主要包括數(shù)據(jù)集構(gòu)建、鄰域聚合、生成實體表示、模型訓(xùn)練與預(yù)測等。本發(fā)明在用戶端同時考慮與之交互的物品和社交好友兩類信息，在物品端同時考慮與之交互的用戶以及協(xié)同相似物品兩類信息，從而將用戶?物品交互網(wǎng)絡(luò)、用戶社交網(wǎng)絡(luò)和物品協(xié)同相似網(wǎng)絡(luò)三者建模在統(tǒng)一的網(wǎng)絡(luò)之中，顯式建模用戶?物品、用戶社交網(wǎng)絡(luò)以及物品協(xié)同相似網(wǎng)絡(luò)之間的高階連接性來提升嵌入，這樣可以捕獲用戶對物品深層的潛在興趣偏好，最終生成語義豐富的用戶/物品表示，達(dá)到提高推薦準(zhǔn)確性的目的。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)器學(xué)習(xí)、社交推薦領(lǐng)域，具體涉及一種基于圖卷積網(wǎng)絡(luò)的社交推薦方法與系統(tǒng)。

背景技術(shù)

隨著網(wǎng)絡(luò)技術(shù)的進(jìn)步，人們可以輕易的訪問到大量的在線信息，例如商品，電影。但于此同時，“信息過載”問題愈發(fā)嚴(yán)重，導(dǎo)致用戶往往需要花費大量時間才能獲得他們想要的信息。因此推薦系統(tǒng)應(yīng)運(yùn)而生，它旨在通過分析用戶的興趣與需求，判斷與之相關(guān)的商品集，從而過濾掉大量無關(guān)信息。目前最流行的推薦技術(shù)之一是協(xié)同過濾(Collaborativefiltering，CF)，它利用用戶的歷史交互并基于他們的共同偏好進(jìn)行推薦。一般而言，可學(xué)習(xí)CF模型有兩個關(guān)鍵組成部分：1)嵌入將用戶和物品轉(zhuǎn)換為矢量化表示；2)交互建模，基于嵌入重構(gòu)歷史交互。例如，通過神經(jīng)協(xié)同過濾模型用非線性神經(jīng)網(wǎng)絡(luò)代替MF內(nèi)積的交互函數(shù)。

近年來，圖神經(jīng)網(wǎng)絡(luò)GNN技術(shù)在圖形數(shù)據(jù)方面取得了很大的發(fā)展，它們被提出用來學(xué)習(xí)圖形數(shù)據(jù)的表示。他們的主要思想是如何使用神經(jīng)網(wǎng)絡(luò)迭代地聚集來自局部圖鄰域的特征信息。因此，GNN可以自然地集成節(jié)點信息和拓?fù)浣Y(jié)構(gòu)，在表示學(xué)習(xí)方面具有強(qiáng)大的能力，并被廣泛用于基于CF的推薦場景中。但是在利用GNN對嵌入函數(shù)中的連通信息進(jìn)行建模時，往往缺乏對用戶-用戶之間的社交關(guān)系以及物品-物品之間協(xié)同相似關(guān)系聯(lián)合的顯式編碼，而這些協(xié)同信號在用戶-物品交互中是潛在的，它揭示用戶之間的行為相似性。更具體地說，大多數(shù)現(xiàn)有方法僅使用描述性特征(例如，ID和屬性)來構(gòu)建嵌入函數(shù)，對社交網(wǎng)絡(luò)以及物品協(xié)同相似網(wǎng)絡(luò)的信息利用方式往往是通過不同通道獲得相應(yīng)的嵌入表示，最后通過串聯(lián)等方式融合語義信息，沒有考慮把用戶-物品交互網(wǎng)絡(luò)、用戶社交網(wǎng)絡(luò)和物品協(xié)同相似網(wǎng)絡(luò)的關(guān)系聯(lián)合編碼進(jìn)嵌入學(xué)習(xí)過程中。

發(fā)明內(nèi)容

發(fā)明目的：針對上述現(xiàn)有技術(shù)存在的問題，本發(fā)明目的在于提供一種能夠有效利用社交關(guān)系與物品協(xié)同相似關(guān)系的社交推薦方法與系統(tǒng)，具有模型參數(shù)少、訓(xùn)練開銷小、推薦結(jié)果準(zhǔn)確性高等特點。

技術(shù)方案：為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于圖卷積網(wǎng)絡(luò)的社交推薦方法，包括以下步驟：

步驟1，抽取用戶-物品關(guān)系以及用戶好友關(guān)系，處理后得到用戶-物品交互關(guān)系以及用戶-用戶好友關(guān)系；

步驟2，基于用戶和物品的交互建立物品-物品協(xié)同相似關(guān)系，并將所得到的用戶和物品的關(guān)系建模在統(tǒng)一的網(wǎng)絡(luò)之中，在用戶端使用圖神經(jīng)網(wǎng)絡(luò)分別對用戶的兩類鄰域進(jìn)行聚合操作，生成用戶的兩類節(jié)點特征，用戶節(jié)點的鄰域包括與之交互的物品以及用戶的社交好友，然后通過門控機(jī)制對用戶端的兩類節(jié)點進(jìn)行特征融合獲得最終用戶表示；在物品端使用圖神經(jīng)網(wǎng)絡(luò)分別對物品的兩類鄰域進(jìn)行聚合操作，生成物品的兩類節(jié)點特征，物品節(jié)點的鄰域包括與之交互的用戶以及協(xié)同相似物品，然后通過門控機(jī)制對物品端的兩類節(jié)點進(jìn)行特征融合獲得最終物品表示；

步驟3，通過圖卷積網(wǎng)絡(luò)的消息傳遞機(jī)制和串聯(lián)操作，生成全局感知的用戶表示和物品表示；

步驟4，通過損失函數(shù)對模型進(jìn)行訓(xùn)練，以預(yù)測用戶點擊某一物品的概率。

進(jìn)一步地，步驟2中物品-物品相似關(guān)系根據(jù)如下方法計算：

定義物品i和物品j之間的協(xié)同相似度sim_i,j的強(qiáng)度：