[發明專利]基于輕量級圖卷積注意力網絡的用戶偏好建模的方法

在審

• 申請號: 202211044168.3
• 申請日: 2022-08-30
• 公開（公告）號: CN115438258A
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 王瑞琴;蔣云良;樓俊鋼
• 申請（專利權）人: 湖州師范學院
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 杭州中利知識產權代理事務所(普通合伙) 33301
• 代理人: 韓洪

1.基于輕量級圖卷積注意力網絡的用戶偏好建模的方法，其特征在于：包括以下步驟：

S1.使用僅具有鄰域聚合的輕量級GCN來建模靜態用戶偏好；

S2.使用基于最近交互項的時間感知GAT來建模動態用戶偏好；

S3.將靜態用戶偏好和動態用戶偏好相結合，輸入雙通道深度神經網絡模型，進行特征交互學習和匹配分數預測。

2.如權利要求1所述的基于輕量級圖卷積注意力網絡的用戶偏好建模的方法，其特征在于：該方法的實現基于時間感知的輕量級圖卷積注意力網絡LightGCAN，包括：輸入層、嵌入層、表示層、交互層和輸出層；

所述輸入層包括兩個矩陣：用戶-項目交互矩陣和交互時間矩陣其中m和n分別表示用戶和項目的數量，R是一個隱式反饋矩陣，如果用戶u和項目i之間存在交互，則r_ui＝1，否則r_ui＝0，T通過時間戳記錄了用戶和項目之間的交互時間，其維數與R相同，所述輸入層提供了用戶和項目的初始特征表示和x_u、x_i均為多熱向量，分別對應于R的第u行和第i列；

所述嵌入層為全連接層，用于將稀疏的用戶和項目表示轉換為稠密的潛在嵌入表示，進而被用作用戶偏好建模表示層的輸入；

所述表示層包括兩個GNN模型：LightGCN和TGAT，分別用于靜態和動態的用戶偏好建模，將得到的靜態和動態用戶偏好進行組合并送入交互層，進行高階特征交互學習；

所述交互層包括兩個DNN模型：DMF和MLP，用于根據不同的深度學習策略學習不同的特征交互，最后將獲得的特征交互向量串聯起來送到輸出層，進行用戶-項目匹配分數的預測。

3.如權利要求2所述的基于輕量級圖卷積注意力網絡的用戶偏好建模的方法，其特征在于：所述基于時間感知的輕量級圖卷積注意力網絡LightGCAN的注意力元素包括當前用戶、目標項、最近k個交互項和交互時間。

4.如權利要求2所述的基于輕量級圖卷積注意力網絡的用戶偏好建模的方法，其特征在于：所述基于時間感知的輕量級圖卷積注意力網絡LightGCAN的超參數包括潛在因子的數量、最近交互項的數量以及DL模型中隱藏層的數量。

5.如權利要求2所述的基于輕量級圖卷積注意力網絡的用戶偏好建模的方法，其特征在于：所述DMF和MLP模型的隱藏層數均設置為3層。

6.如權利要求1所述的基于輕量級圖卷積注意力網絡的用戶偏好建模的方法，其特征在于：步驟S1中，使用輕量級的GCN模型LightGCN進行靜態用戶偏好建模，LightGCN只保留GCN中的鄰居聚合操作，無特征變換和非線性激活兩項操作。

7.如權利要求6所述的基于輕量級圖卷積注意力網絡的用戶偏好建模的方法，其特征在于：步驟S1中，靜態用戶偏好的建模過程包括以下步驟：

S1.1輕量級圖卷積：第k+1層的用戶嵌入被定義基于加權求和的聚合操作：

其中，和分別表示用戶u和項目i在第k層的嵌入表示，N_u和N_i分別表示用戶u和項目i的鄰居節點；用作歸一化項；需要學習的超參數是第一層的用戶和項目嵌入，高層的用戶和項目嵌入通過以上迭代過程逐層自動學習得到；

第一層的用戶和項目嵌入表示為：

其中，W_u和W_v分別表示將用戶和項目的初始特征向量轉換為潛在嵌入表示的權重矩陣；

S1.2層聚合：經過K層輕量級圖卷積運算后，生成K個不同的用戶/項目嵌入，每層的嵌入表示不同的潛在語義信息；將每一層的嵌入結合起來，生成目標用戶/項目的嵌入：

其中，和分別表示靜態用戶偏好和項目特征；α_k≥0表示第k層嵌入的重要性權重。

8.如權利要求7所述的基于輕量級圖卷積注意力網絡的用戶偏好建模的方法，其特征在于：所述步驟S1.2中，將α_k設置為1/(K+1)。