[發明專利]一種在圖神經網絡中引入物品類別信息的推薦方法

在審

• 申請號: 202210964936.0
• 申請日: 2022-08-12
• 公開（公告）號: CN115293851A
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 鮑軍鵬;許宏才;侯力方
• 申請（專利權）人: 西安交通大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9536;G06F16/906;G06F16/36;G06N3/04
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 段俊濤

一種在圖神經網絡中引入物品類別信息的推薦方法，確定輸入數據并構建潛在因子模塊、類別信息模塊、類別加權聚合模塊和評分預測模塊，輸入數據為表現用戶、物品以及輔助信息之間交互關系的用戶?物品交互圖，潛在因子模塊對用戶選擇商品的意圖進行建模；類別信息模塊獲得物品的類別信息；類別加權聚合模塊將知識圖譜和物品先驗知識向量進行加權聚合；評分預測模塊將潛在因子模塊和類別加權聚合模塊得到用戶和物品的向量表示進行整合計算，在給定交互行為集合以及知識圖譜上學習一個函數，該函數能夠預測一個用戶有多大可能性購買或選擇一個物品。本發明在推薦場景中引入物品的類別信息，既符合實際推薦場景的需要，又能夠提升模型的可解釋性。

技術領域

本發明屬于計算機技術領域，特別涉及一種在圖神經網絡中引入物品類別信息的推薦方法。

背景技術

隨著互聯網相關產業飛速發展，人們的生活進入了信息化、智能化時代，各種各樣的網絡平臺為人們生活提供了極大的便利。用戶在使用網上平臺時，一般只對少數特定物品信息感興趣，面對大量的無關信息會導致用戶使用體驗下降。為了解決信息爆炸給用戶帶來的選擇困難，在較短時間內為用戶提供其感興趣的數據信息，推薦方法在各個領域平臺逐漸流行起來。

傳統推薦方法通常包括兩種思路，一種是根據內容進行推薦，另一種則是基于協同過濾進行推薦。兩者的根本區別在于是否使用了用戶或者物品的輔助信息，例如用戶的個人資料、物品的類別、品牌、價格等信息。隨著計算機相關技術進步，基于深度學習的推薦方法已逐漸成為主流。

圖神經網絡作為一種專門處理圖數據結構的新型神經網絡模型，可以靈活地對更加貼近人類社會生活的場景數據進行建模。知識圖譜是以圖的結構形式表示世界中實體以及其之間關系的大型數據網絡。實體表示各種應用場景下的事物或概念，關系則表示實體之間的某種聯系。因而知識圖譜可以結構化地表示客觀世界的一切場景信息，通過嵌入表示和關系推理，為深度學習中的其他任務提供先驗知識，從而提升整個任務的精度和效果。

然而，在現有圖神經網絡和知識圖譜推薦方法中，知識圖譜輔助用戶與商品交互推薦系統中無法挖掘用戶意圖與商品類別間交互信息，缺乏從物品類別信息的角度建立物品與用戶意圖之間的聯系，導致在推薦中不能有效反映用戶意圖對不同類物品的偏好。

發明內容

為了克服上述現有技術的缺點，本發明的目的在于提供一種在圖神經網絡中引入物品類別信息的推薦方法，在推薦場景中引入物品的類別信息，既符合實際推薦場景的需要，又能夠提升模型的可解釋性。

為了實現上述目的，本發明采用的技術方案是：

一種在圖神經網絡中引入物品類別信息的推薦方法，包括如下步驟：

步驟1，確定輸入數據

所述輸入數據為表現用戶、物品以及輔助信息之間交互關系的用戶-物品交互圖，所述用戶-物品交互圖包括關系數據和知識圖譜；所述關系數據表示用戶和物品之間的交互行為；所述知識圖譜表示物品與其輔助信息之間的關系；所述交互行為指用戶對物品的隱式反饋；所述輔助信息是指與物品相關的一系列特征描述；

步驟2，構建潛在因子模塊

所述潛在因子模塊用于對用戶選擇商品的意圖進行建模，用戶選擇物品總會出于某種意圖，得到該模塊中用戶和物品的向量表示；

步驟3，構建類別信息模塊

所述類別信息模塊用于獲得物品的類別信息，所述類別信息模塊采用物品先驗知識向量作為物品的特征信息；

步驟4，構建類別加權聚合模塊

所述類別加權聚合模塊用于將知識圖譜和物品先驗知識向量進行加權聚合，得到該模塊中用戶和物品的向量表示；

步驟5，構建評分預測模塊