基于图卷积神经网络的混合推荐方法技术

本发明专利技术公开了一种基于图卷积神经网络的混合推荐方法，包括以下步骤：收集用户对物品的行为数据以及物品的属性信息；将收集的数据建模为异构信息图，并利用图卷积神经网络学习每个节点的特征向量表示；基于用户和物品特征向量的混合推荐。本发明专利技术主要是利用多种数据，包括用户对物品的行为数据和物品属性信息，获得用户和物品的特征向量表示并实施基于特征向量的混合推荐，缓解数据稀疏问题和繁重的特征工程问题的影响，进而改进推荐效果，提升用户满意度。

Hybrid recommendation method based on graph convolution neural network

【技术实现步骤摘要】
基于图卷积神经网络的混合推荐方法
本专利技术属于数据挖掘、信息检索及推荐
，具体涉及一种基于图卷积神经网络的混合推荐方法。
技术介绍
随着信息技术的快速发展，人们能够便捷的享受网络服务和内容，但同时也面临海量数据所带来的信息过载问题，难以找到自己感兴趣的内容。推荐系统能够帮助用户从海量在线信息中找到相关数据来满足用户需求，而准确获得物品的特征并高效计算其相似度是实现个性化推荐系统的核心之一。然而，传统方法通常遭受诸如数据稀疏、繁重的特征工程等问题，无法满足用户的需求。因此，如何以自动化、智能化的方式充分包括用户的行为数据和物品的属性在内的多源异构信息，准确获取物品的特征向量并实现高效的混合推荐，是解决数据稀疏和繁重的特征工程、改进推荐系统的准确性以及用户满意度的关键之一。
技术实现思路
针对现有技术所存在的上述技术问题，本专利技术提供了一种基于图卷积神经网络的混合推荐方法，能够改善推荐的效果和性能。本专利技术包括如下内容：1、一种基于图卷积神经网络的混合推荐方法，包括如下步骤：10.收集本文档来自技高网...

【技术保护点】
1.基于图卷积神经网络的混合推荐方法，其特征在于包括如下步骤：/n10.收集用户的行为数据以及物品的属性；/n20.对收集的数据进行建模并利用图卷积神经网络学习用户和物品的特征向量表示；/n30.基于用户行为和物品特征向量进行混合推荐。/n

【技术特征摘要】
1.基于图卷积神经网络的混合推荐方法，其特征在于包括如下步骤：
10.收集用户的行为数据以及物品的属性；
20.对收集的数据进行建模并利用图卷积神经网络学习用户和物品的特征向量表示；
30.基于用户行为和物品特征向量进行混合推荐。


2.根据权利要求1所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤10包括：
101.收集所有用户的行为数据U＝{u1,u2,...,u|U|}为所有用户的集合，其中用户u∈U的行为数据表示为序列Bu＝{(i1,t1),(i2,t2),…,(im,tm)}，(ij,tj)表示用户交互过的物品和交互时间，I＝{i1,i2,...,i|M|}为所有物品的集合；
102.收集I中所有物品的属性数据A，包括但不限于类别、标签、元数据。


3.根据权利要求1所述的基于图卷积神经网络的混合推荐方法，其特征在于，步骤20包括：
201.根据所有用户的行为数据和所有物品的属性数据构建异构信息图G＝(N,E)，所述的异构信息图G中的节点集合N＝U∪I∪A包括用户节点、物品节点和属性节点，所述的异构信息图中的边集合Eu,i是表示行为数据中用户和物品的交互关系的边集合，是表示行为序列中物品和物品转移关系的边集合，Ei,a是表示音乐-属性从属关系的边集合；
202.根据上述异构信息图G，建立以下目标函数...

【专利技术属性】
技术研发人员：王东京，张新，俞东进，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33