[發明專利]一種基于圖神經網絡的用戶學習興趣標簽預測方法

在審

• 申請號: 202211340978.3
• 申請日: 2022-10-30
• 公開（公告）號: CN115687760A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 李美子;張馨藝;張波
• 申請（專利權）人: 上海師范大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F18/24;G06F18/22;G06F18/23;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 夏健君

1.一種基于圖神經網絡的用戶學習興趣標簽預測方法，其特征在于，包括以下步驟：

獲取在設定時間范圍內用戶平臺上的用戶歷史學習行為數據；

將所述用戶平臺映射為圖結構，預先構建并訓練基于親密度和學習行為相似的學習行為興趣特征提取模型，所述學習行為興趣特征提取模型為雙層圖神經網絡，該雙層圖神經網絡的第一層基于用戶間親密關系提取用戶學習行為興趣特征，第二層基于用戶的歷史學習行為相似提取用戶學習行為興趣特征；

將所述用戶平臺的結構和獲取的用戶歷史學習行為數據作為訓練好的學習行為興趣特征提取模型的輸入，提取用戶長短期學習行為興趣特征；

將提取的用戶長短期學習行為興趣特征輸入到預先構建并訓練好的預測模型中，獲得用戶準確學習興趣標簽。

2.根據權利要求1所述的一種基于圖神經網絡的用戶學習興趣標簽預測方法，其特征在于，所述用戶歷史學習行為數據的獲取過程具體為：

獲取用戶歷史學習行為數據，并進行分類采樣和編碼，得到用戶的回答收藏序列、用戶的回答瀏覽序列和用戶的搜索序列的分類結果。

3.根據權利要求1所述的一種基于圖神經網絡的用戶學習興趣標簽預測方法，其特征在于，將用戶平臺映射為圖結構具體為：

將所述用戶平臺中的每個用戶視為圖中的節點，將用戶間的關注關系視為節點間的連邊。

4.根據權利要求1所述的一種基于圖神經網絡的用戶學習興趣標簽預測方法，其特征在于，所述雙層圖神經網絡的第一層基于親密關系構造概率轉移矩陣并通過概率游走獲得用戶鄰域結構，所述雙層圖神經網絡的第一層的計算表達式為：

式中，A_uv表示網絡圖結構鄰接矩陣，p(v|u)為在下一時間步長上從節點u游走至節點v的概率，N_(u)、N_(v)分別表示節點的u、v的直接鄰居節點數量，α為一個可訓練參數，是通過第一層網絡時獲得的基于親密關系的轉移概率矩陣，根據轉移矩陣從節點u開始遍歷網絡，當再次遍歷至節點u或遍歷至J跳鄰居時獲得遍歷收斂結果N_DFS，N_DFS篩選節點u的鄰居并聚合鄰居信息。

5.根據權利要求1所述的一種基于圖神經網絡的用戶學習興趣標簽預測方法，其特征在于，所述雙層圖神經網絡的第二層基于用戶歷史學習行為相似性構造概率轉移矩陣并通過概率游走獲得用戶鄰域結構，所述雙層圖神經網絡的第二層的計算表達式為：

d_uv＝ω_lD+ω₂I

式中，對齊用戶u、v的歷史學習行為特征得到u，v用戶歷史學習行為距離用d_u,v表示，其中D和I分別表示對齊學習行為序列時的刪除、插入操作數，ω_i表示對應操作的代價，|u^k-1|表示節點u經過上一層GCN后獲得的嵌入向量，|v^k-1|同理，β為一個可學習參數；獲得基于行為相似的轉移概率矩陣：

遍歷序列中的高頻通過節點構成節點u的虛擬鄰域中的一階鄰居，并聚合鄰居信息。

6.根據權利要求1所述的一種基于圖神經網絡的用戶學習興趣標簽預測方法，其特征在于，所述雙層圖神經網絡的每一層基于節點的鄰居結構用戶不同的歷史學習行為序列特征分別經過訓練模型進行特征提取，該特征提取過程的計算表達式為：

式中，表示用戶u第k層聚合鄰域內節點特征后挖掘的隱藏長期學習行為興趣特征，通過特征拼接和線性變換得到第k層的節點u的長期學習行為興趣特征表示為同理表示挖掘的短期學習行為興趣特征，拼接提取到的長期和短期學習行為興趣特征獲得用戶的長短期學習行為興趣特征表示用戶u經過訓練后的k層學習行為興趣特征提取模型后提取到的最終的用戶長短期學習行為興趣特征，W^k為第k層的模型權重。