[發(fā)明專利]基于增強圖卷積的屬性融合交互推薦模型構(gòu)建方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210106409.6
• 申請日: 2022-01-28
• 公開（公告）號: CN114676315A
• 公開（公告）日: 2022-06-28
• 發(fā)明（設(shè)計）人: 楊振宇;王鈺;崔來平;李怡雯
• 申請（專利權(quán)）人: 齊魯工業(yè)大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06F40/169;G06Q30/06;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 李圣梅

本發(fā)明提出了基于增強圖卷積的屬性融合交互推薦模型構(gòu)建方法及系統(tǒng)，包括：構(gòu)建基于增強圖卷積的關(guān)系編碼器，從用戶物品交互行為中提取用戶物品間的高階特征，獲得用戶和物品在各個時刻包含了高階協(xié)同信號的動態(tài)特征表示；構(gòu)建融合屬性信息的評論編碼器，對評論文本及其對應(yīng)的屬性進行相應(yīng)的處理并融合，得到評論的準(zhǔn)確特征表示。本發(fā)明通過分析研究表明，PGIR提出的屬性激活方法可以很好的解決消極用戶推薦不準(zhǔn)確的情況，這不僅提高了模型性能，同時提高了推薦的魯棒性和可解釋性。

技術(shù)領(lǐng)域

本發(fā)明屬于信息處理技術(shù)領(lǐng)域，尤其涉及基于增強圖卷積的屬性融合交互推薦模型構(gòu)建方法及系統(tǒng)。

背景技術(shù)

本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

推薦系統(tǒng)的目的是向用戶推薦相關(guān)物品。到目前為止，推薦系統(tǒng)已經(jīng)在許多應(yīng)用程序中取得了巨大的成功。這些應(yīng)用收集大量的用戶物品交互記錄，為推薦系統(tǒng)實現(xiàn)準(zhǔn)確推薦提供了前所未有的機會，進而極大的減輕了用戶決策的復(fù)雜性。評論是最為常見的顯示反饋，其代表了用戶對物品的最真實交互體驗。一些研究專注于利用用戶發(fā)布的評論文本，從中提取特征信息，為用戶和物品預(yù)測評分并作出推薦。

近年來，在評分預(yù)測領(lǐng)域，評論文本已經(jīng)成為用戶和物品建模的有效輔助信息。人們使用各種深度學(xué)習(xí)技術(shù)從文本中學(xué)習(xí)潛在的特征信息。例如，ConvMF和DeepCoNN采用卷積神經(jīng)網(wǎng)絡(luò)從評論文本中提取特征信息來建模用戶和商品；MPRS將用戶物品的評論拼接并形成交互矩陣，使用卷積神經(jīng)網(wǎng)絡(luò)來捕捉用戶和物品評論之間的交互特征；TARMF使用循環(huán)神經(jīng)網(wǎng)絡(luò)得到每條評論文本的特征表示；MPCN利用一個類似循環(huán)神經(jīng)網(wǎng)絡(luò)的門控機制，預(yù)期能夠先捕捉文本的重要信息再進行評論特征的建模。 NARRE認(rèn)為不同的評論具有不同的重要性,因此提出了評論級的注意力機制來刻畫每一條評論的權(quán)重。Acapnet和CARP利用膠囊網(wǎng)絡(luò)多層次的從評論文本中提取不同方面的重要信息。這些方法在整體上的性能是令人滿意的。

圖神經(jīng)網(wǎng)絡(luò)這一研究課題近年來受到越來越多的關(guān)注。近年來，研究人員借鑒卷積網(wǎng)絡(luò)，循環(huán)網(wǎng)絡(luò)和深度自動編碼器的思想，設(shè)計了用于處理圖數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即圖神經(jīng)網(wǎng)絡(luò)。進而，研究者們結(jié)合圖卷積網(wǎng)絡(luò)和傳統(tǒng)的協(xié)同過濾技術(shù)，利用豐富的結(jié)構(gòu)信息，提出了一系列的推薦模型。例如，Wang等人設(shè)計了一個神經(jīng)圖協(xié)同過濾(NGCF)模型，通過圖神經(jīng)網(wǎng)絡(luò)抽取用戶-項交互圖中豐富的側(cè)面信息，來更好的學(xué)習(xí)用戶和項目的嵌入表示。Wang等人使用了圖卷積網(wǎng)絡(luò)自動挖掘知識圖譜中對應(yīng)項目的高階結(jié)構(gòu)信息和語義信息，并捕獲用戶潛在的遠程興趣，從而給用戶推薦其更感興趣的物品。He等人發(fā)現(xiàn)，GCN(圖卷積神經(jīng)網(wǎng)絡(luò))的特征變化和非線性激活無益于推薦性能的提升。然后他們簡化了GCN組件的設(shè)計，并提出了一個名為LightGCN的新模型，該模型僅包含GCN中的鄰域聚合組件，用于協(xié)同過濾。Chen等人發(fā)現(xiàn)去除GCN中的非線性結(jié)構(gòu)可以提高推薦性能。因此，上述現(xiàn)有技術(shù)提出了一種殘差網(wǎng)絡(luò)結(jié)構(gòu)，可以緩解多層圖卷積聚合過程中的過平滑問題。

上文提到的評分預(yù)測模型都嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)精確的捕捉評論文本的重要特征信息，取得了不錯的效果。大部分模型忽略了一點，即不是每一條評論都能反應(yīng)用戶(物品)的特征。一些模型意識到了這一點，但也僅僅通過對評論文本做注意力來為無用評論分配較小的權(quán)重。然而，上述這種方法存在局限性，僅通過文本特征來判斷評論文本的重要性不具有說服力，且注意力只能評估歷史數(shù)據(jù)中評論的有用性，而無法與未參與訓(xùn)練的評論產(chǎn)生關(guān)聯(lián)。上述圖卷積神經(jīng)網(wǎng)絡(luò)雖能捕獲用戶物品間的高階連通信號，但在生成用戶項目二部圖時是靜態(tài)的。換句話說，他們沒有考慮節(jié)點鄰居間的時序關(guān)系。因此無法直接用于推薦模型中。

發(fā)明內(nèi)容

為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于增強圖卷積的屬性融合交互推薦模型構(gòu)建方法及系統(tǒng)，用于解決評分預(yù)測任務(wù)。

為實現(xiàn)上述目的，本發(fā)明的一個或多個實施例提供了如下技術(shù)方案：

第一方面，公開了基于增強圖卷積的屬性融合交互推薦模型構(gòu)建方法，包括：