[發明專利]基于異構信息網絡的書籍推薦方法、系統及設備

在審

• 申請號: 202210148285.8
• 申請日: 2022-02-17
• 公開（公告）號: CN114510642A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 周明強;代開浪;張程;劉慧君
• 申請（專利權）人: 重慶大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q30/06
• 代理公司: 杭州知學知識產權代理事務所(普通合伙) 33356
• 代理人: 張雯

1.一種基于異構信息網絡的書籍推薦方法，其特征在于，包括步驟：

S1、基于各用戶對書籍的評分信息和輔助信息構建異構信息網絡，并根據所述異構信息網絡設計帶評分約束的元路徑；所述輔助信息包括用戶所屬組、用戶名、書籍名稱、書籍作者、書籍類型，所述評分約束指元路徑連接序列中連接用戶和書籍的邊的權重相同；

S2、基于所述異構信息網絡和所述帶評分約束的元路徑構建多層網絡，具體包括：通過矩陣乘法，利用帶評分約束的元路徑將所述異構信息網絡轉換為多層網絡，具體構建方法為：

S21、用Φ^U表示以用戶節點開始和結束的元路徑集合，用Φ^I表示以書籍節點開始和結束的元路徑集合，其中m和n分別表示兩個集合中的元素數量；

S22、假設一條元路徑為其中表示元路徑中的一種節點類型；與之間的鄰接矩陣可表示為由該元路徑轉換而成的同構網絡表示為G_Φ,其鄰接矩陣表示為M_Φ；用戶書籍評分矩陣被視為用戶和書籍之間的鄰接矩陣，表示為M_UI，下標中的U表示用戶，I表示書籍；

1)對于沒有評分的元路徑，對應的同構網絡的鄰接矩陣計算方法為：

2)對于有評分的元路徑，即元路徑中包含用戶和書籍之間的連接，我們首先將M_UI按評分等級分解為若干個子矩陣，每個子矩陣中的元素計算方法為：

其中，M_UI(i,j)表示M_UI中的第i行，j列元素，k∈{1,2,..,r}表示具體的評分等級，M_UI,k表示評分等級k對應的子鄰接矩陣；

3)對于帶約束的元路徑，對應的同構網絡的鄰接矩陣計算方法為：

其中，r表示總的評分等級數；

S23、通過上述方法，通過所述帶評分約束的元路徑，從異構信息網絡中構造出多個語義不同的同構網絡，按頂點類型將這些同構網絡分為兩個集合G^U和G^I，其中所述G^U和G^I為構建所得的多層網絡；

S3、利用并行的圖卷積網絡來生成用戶和書籍的子嵌入表示，生成用戶和書籍的子嵌入表示具體包括：

S31、對于所述多層網絡G^U和G^I中的每一層，通過聚合每個節點在該層網絡中鄰居的子嵌入表示來表示其本身，具體的方式為：

其中，表示用戶類型節點u在第l_u(l_u∈{1,2,...,m}，m為G^U中總的網絡層數)層網絡中經過k層卷積層得到的子嵌入，表示項目類型節點i在第l_i(l_i∈{1,2,...,n}，n為G^I中總的網絡層數)層網絡中經過k層卷積層得到的子嵌入，k∈{1,2,...,K}表示當前卷積層數，K表示總卷積層數，l_u和l_i分別表示多層網絡G^U和G^I中的第l_u和第l_i層同構網絡，g表示聚合函數，u，i為節點編號，N_i,l表示項目節點i在第l_i層同構網絡中的鄰居節點集合，表示用戶節點u在第l_u層同構網絡中的鄰居節點集合；和為初始的輸入，通過一個查找層得到；

對于聚合函數g，本方法采用：

其中mean表示取平均值，f為激活函數ReLU，表示屬于用戶的在第l_u層同構網絡的第k層聚合過程中的可訓練的權重矩陣，表示屬于項目的在第l_i層同構網絡的第k層聚合過程中的可訓練的權重矩陣；和分別表示用戶和項目圖卷積網絡的最后一層輸出，即節點的最終子嵌入，為了簡便采用和表示；

S32、對于用戶多層網絡G^U，得到一組用戶子嵌入表示對于用戶多層網絡G^I，得到一組用戶子嵌入表示不同的子嵌入表示包含不同類型的語義信息；

S4、基于注意機制的非線性融合函數來融合所述子嵌入表示以生成最終的用戶嵌入表示和書籍嵌入表示，生成最終的用戶嵌入表示和書籍嵌入表示的具體步驟包括：

S41、采用注意力機制將各層同構網絡的子表示融合為一個表示：

其中，和分別為用戶節點u和書籍節點i融合各個子嵌入表示后的嵌入表示，和分別表示用戶節點u和書籍節點i在G^U和G^I的第l層網絡子嵌入的融合注意力系數；

所述注意力系數的計算方式為：

其中，上標U和I表示參數屬于用戶或項目，T表示轉置運算，a為可訓練的注意力向量，W_a為注意力層可訓練的參數矩陣，b_a為可訓練的偏置向量；

S42、每個節點的最終嵌入表示為：

其中，e表示最終嵌入表示，q為基礎嵌入表示，由查找層獲得，W_c為可訓練的權重矩陣，b_c為可訓練的偏置矩陣，ReLU為激活函數，λ為決定輔助信息重要性的系數，CONCAT為拼接操作；

S43、基于每個節點的最終嵌入表示，得到用戶嵌入表示集合e^U和書籍嵌入表示集合e^I；

S5、基于損失函數，采用小批量采樣結合Adam優化算法進行網絡訓練，學習得到優化的參數；優化的參數包括多層網絡的子嵌入表示和所有權重矩陣和偏置向量、基礎嵌入和所述損失函數為：

其中，L表示損失，S_b表示批量采樣集合，r_u,i表示真實評分，表示用戶u對項目i的預測評分；

所述用戶對書籍的預測評分的具體計算方式為：，

其中表示用戶u對書籍i的預測評分，表示用戶u的嵌入表示，表示書籍i的嵌入表示，表示用戶u的評分偏置項，表示書籍i的評分偏置項；S6、基于訓練得到的參數，對于任一用戶，根據上述預測評分的具體計算方式計算獲得用戶對書籍的預測評分，根據所述預測評分，將預測評分值較高的書籍推薦給用戶。