结合社交和兴趣信息的异源图卷积网络的社交推荐方法技术

本发明专利技术公开了一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法，包括：1.构造用户社交关系矩阵S，用户物品评分矩阵R；2.利用用户社交关系矩阵S和用户物品评分矩阵R，构造异源图G；3.构造用户和物品的嵌入表示矩阵；4.构造两个均为K个传播层的图卷积层，将所述的异源图G输入其中，并通过构造注意力机制，将两个图卷积网络传播过程联系起来；5.计算用户对物品的物品偏好值，从而对用户进行推荐。本发明专利技术能有效地结合社交信息和兴趣信息，将两者同时整合到一个模型，捕捉用户与用户之间和用户与物品之间的高阶关联信息，并采用分层的注意力机制训练，最大化利用用户数据，实现对用户进行更精准的商品推荐。

【技术实现步骤摘要】
结合社交和兴趣信息的异源图卷积网络的社交推荐方法
本专利技术涉及社交推荐领域，具体地说是一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法。
技术介绍
基于协同过滤的推荐系统，由于能很好地对用户和商品建模从而大大提高推荐性能，近年来引起了工业界和学术界的广泛关注。但是普遍存在的用户行为数据稀疏性问题，仍极大地限制了协同过滤的效果。而如何结合更多的有效信息，从而学习到更精准的推荐，成为了很迫切的研究需要。随着社交网络技术的发展，人们在各种平台逐渐建立自己的社交关系，并彼此分享和影响自己对各种物品的偏好，社交网络成为了用户很重要的数据信息。因此，为了在推荐算法中有效的融入社交信息以达到更精准的推荐效果，2006年Friedkin等人注意到了社交网络对用户偏好的影响性，2010年Jamali等人开始尝试利用社交网络中用户的邻居信息解决用户数据稀疏问题，提升推荐算法的效果。因此通过利用图结构对用户-用户的社交信息，或者用户-物品之间的兴趣信息进行建模，达到了不错的效果。而图卷积网络技术的出现和流行，更进一步推动了这些模型的性能。比如2019年Xu等人提出利用图中的邻居节点信息，捕捉用户之间的高阶相关信息，实现对用户更好的建模。但目前大多数基于图卷积的模型，只能将社交网络和兴趣网络独立区分对待，无法实现在同一个模型中，同时利用到两种类型的网络信息。然而，用户在两种图之间起到了重要的关联作用，之前将两者独立对待的图卷积网络模型，无法捕捉到兴趣网络和社交网络之间重要的相关信息，因此推荐效果也受到限制。因此，如何有效地将社交信息和兴趣信息融合进一个模型对用户进行建模，使得用户的行为数据能最大化的利用和充分挖掘以提高推荐效果，成为了一个值得关注的问题。
技术实现思路
本专利技术为解决现有技术的不足之处，提出一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法，以期通过有效融合两者信息，对用户进行更精准的推荐，尤其是对行为数据稀疏的用户群体，从而实现更好的推荐效果。本专利技术为解决技术问题采用如下技术方案：本专利技术一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法的特点是按如下步骤进行：步骤1、构造用户社交关系矩阵S，用户物品评分矩阵R：令U表示用户集，且U＝{u1,...,ua,...,ub,...,uM}，其中，ua表示第a个用户，ub表示第b个用户，M表示用户总数，1≤a,b≤M；令V表示物品集，且V＝{v1,...,vi,...,vj,...,vN}，其中，vi表示第i个物品，vj表示第j个物品，N表示物品总数，1≤i,j≤N；令sab表示第a个用户ua对第b个用户ub的社交关系，若sab＝1，则表示第a个用户ua对第b个用户ub存在社交依赖关系，若sab＝0，则表示第a个用户ua对第b个用户ub不存在社交依赖关系，从而构造所有用户之间的社交关系矩阵S＝{sab}M×M；令Sa表示对第a个用户ua存在社交依赖关系的所有用户集合；令rai表示第a个用户ua对第i个物品vi的评分值，从而构造所有用户对所有物品的评分矩阵R＝{rai}M×N；令Ra表示第a个用户ua产生过消费行为的所有物品集合，令Ri表示对第i个物品vi产生过消费行为的所有用户集合；步骤2、利用用户社交关系矩阵S和用户物品评分矩阵R，构造异源图G：步骤2.1、利用用户社交关系矩阵S，构造用户-用户的社交关系图Gs＝{U,S∈RM×M}，其中，用户集U作为结点集，社交关系矩阵S作为边集；步骤2.2、利用用户物品评分矩阵R，构造用户-物品的兴趣关系图Gc＝{U∪V,R∈RM×N}，其中，用户集U和物品集V作为结点集，评分矩阵R作为边集；步骤2.3、利用用户作为中间媒介，将社交关系图Gs和兴趣关系图Gc结合起来作为整体异源图G＝{U∪V,E∈RM×(M+N)}，其中，用户集U和物品集V作为结点集，E＝R∪S作为边集；步骤3、构造用户和物品的嵌入表示矩阵：由用户集U和物品集V构建用户的自由嵌入矩阵C∈RN×D和物品的自由嵌入矩阵Y∈RM×D，其中D表示隐因子的维度，令所述自由嵌入矩阵C中第a列向量ca表示第a个用户ua对应的自由嵌入向量，Y中第i列向量yi表示第i个物品vi对应的自由嵌入向量；步骤4、构造两个均为K个传播层的图卷积网络，并输入所述异源图G，再通过构造注意力机制，将两个图卷积网络传播过程联系起来：步骤4.1、新建两个K个传播层的图卷积网络，并分别输入社交关系图Gs和兴趣关系图Gc，从而得到社交图卷积网络和兴趣图卷积网络；步骤4.2、定义两个图卷积网络的当前传播层数为k，并初始化k＝0；步骤4.3、在社交图卷积网络中，将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca；在兴趣图卷积网络中，将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca，将第k个传播层中第i个物品vi对应的节点表示向量初始化为yi；步骤4.4、将所述社交网络图Gs输入到在社交图卷积网络中，并利用式(7)更新社交网络图Gs中每个用户的嵌入表示，得到第k+1层的第a个用户ua的嵌入表示式(1)中，表示在第k+1个传播层的社交图卷积网络中，第b个用户ub的社交影响在第a个用户ua所有关联用户社交影响中所占的比重；步骤4.5、将所述兴趣网络图Gc输入到兴趣图卷积网络中，并分别利用式(8)和式(9)更新兴趣网络图Gc中用户和物品的嵌入表示，得到第k+1层的第a个用户ua的嵌入表示和第i个物品vi的嵌入表示与当前第k层的表示拼接，然后利用式(10)进行线性变换得到第k+1层第i个物品vi的最终嵌入表示式(2)中，表示在第k+1个传播层的社交图卷积网络中，第i个物品vi的影响在第a个用户ua所有关联商品的影响中所占的比重；式(3)中，表示在第k+1个传播层的社交图卷积网络中，第a个用户ca的影响在第i个物品vi所有关联用户的影响中所占的比重；式(4)中，fk+1是一个非线性变换函数，Wf是对应的转换矩阵；步骤4.6、利用式(5)得到更新后的第k+1层的第a个用户ua的嵌入表示向量式(5)中，分别代表在第k+1个传播层中第l种输出的重要性权重因子；l∈{1,2,3}；步骤5、计算用户对物品的物品偏好值，从而对用户进行推荐：步骤5.1、根据每层图卷积网络的输出，利用式(6)计算第a个用户ua对第i个物品vi的偏好：式(6)中，[·||·]表示对两个向量的拼接操作；步骤5.2、选取贝叶斯个性化排序的框架，建立如式(7)所示的损失函数L(θ)：式(7)中，σ(·)表示sigmoid函数，λ是正则化参数，||·||2表示二范数，Θ为网络模型在优化过程中的所有可学习参数的集合，第a个用户ua对第j个物品vj的预测偏好值；R-表示用户评分为0的评分集合，R+表示用户评分为1的评分集合；步骤5.3、通过随机梯度下降法对所本文档来自技高网...

【技术保护点】
1.一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法，其特征是按如下步骤进行：/n步骤1、构造用户社交关系矩阵S，用户物品评分矩阵R：/n令U表示用户集，且U＝{u

【技术特征摘要】
1.一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法，其特征是按如下步骤进行：
步骤1、构造用户社交关系矩阵S，用户物品评分矩阵R：
令U表示用户集，且U＝{u1,...,ua,...,ub,...,uM}，其中，ua表示第a个用户，ub表示第b个用户，M表示用户总数，1≤a,b≤M；令V表示物品集，且V＝{v1,…,vi,…,vj,…,vN}，其中，vi表示第i个物品，vj表示第j个物品，N表示物品总数，1≤i,j≤N；令sab表示第a个用户ua对第b个用户ub的社交关系，若sab＝1，则表示第a个用户ua对第b个用户ub存在社交依赖关系，若sab＝0，则表示第a个用户ua对第b个用户ub不存在社交依赖关系，从而构造所有用户之间的社交关系矩阵S＝{sab}M×M；令Sa表示对第a个用户ua存在社交依赖关系的所有用户集合；令rai表示第a个用户ua对第i个物品vi的评分值，从而构造所有用户对所有物品的评分矩阵R＝{rai}M×N；令Ra表示第a个用户ua产生过消费行为的所有物品集合，令Ri表示对第i个物品vi产生过消费行为的所有用户集合；
步骤2、利用用户社交关系矩阵S和用户物品评分矩阵R，构造异源图G：
步骤2.1、利用用户社交关系矩阵S，构造用户-用户的社交关系图Gs＝{U,S∈RM×M}，其中，用户集U作为结点集，社交关系矩阵S作为边集；
步骤2.2、利用用户物品评分矩阵R，构造用户-物品的兴趣关系图Gc＝{U∪V,R∈RM×N}，其中，用户集U和物品集V作为结点集，评分矩阵R作为边集；
步骤2.3、利用用户作为中间媒介，将社交关系图Gs和兴趣关系图Gc结合起来作为整体异源图G＝{U∪V,E∈RM×(M+N)}，其中，用户集U和物品集V作为结点集，E＝R∪S作为边集；
步骤3、构造用户和物品的嵌入表示矩阵：
由用户集U和物品集V构建用户的自由嵌入矩阵C∈RN×D和物品的自由嵌入矩阵Y∈RM×D，其中D表示隐因子的维度，令所述自由嵌入矩阵C中第a列向量ca表示第a个用户ua对应的自由嵌入向量，Y中第i列向量yi表示第i个物品vi对应的自由嵌入向量；
步骤4、构造两个均为K个传播层的图卷积网络，并输入所述异源图G，再通过构造注意力机制，将两个图卷积网络传播过程联系起来：
步骤4.1、新建两个K个传播层的图卷积网络，并分别输入社交关系图Gs和兴趣关系图Gc，从而得到社交图卷积网络和兴趣图卷积网络；
步骤4.2、定义两个图卷积网络的当前传播层数为k，并初始化k＝0；
步骤4.3、在社交图卷积网络中，将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca；在兴趣图卷积网络中，将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca，将第k个传播层中第i个物品vi对应的节点表示向量初始化为yi；
步骤4.4、将所述社交网络图Gs输入到在社交图卷积网络中，并利用式(7)更新社交网络图Gs中每个用户的嵌入表示，得到第k+1层的第a个用户ua的嵌入表示



式(1)中，表示在第k+1个传播层的社交图卷积网络中，第b个用户ub的社交影响在第a个用户ua所有关联用户社交影响中所占的比重；
步骤4.5、将所述兴趣网络图Gc输入到兴趣图卷积网络中，并分别利用式(8)和式(9)更新兴趣网络图Gc中用户和物品的嵌入表示，得到第k+1层的第a个用户ua的嵌入表示和第i个物品vi的嵌入表示与当前第k层的表示拼接，然后利用式(10)进行线性变换得到第k+1层第i个物品vi的最终嵌入表示









式(2)中，表示在第k+1个传播层的社交图卷积网络中，第i个物品vi的影响在第a个用户ua所有关联商品的影响中所占的比重；
式(3)中，表示在第k+1个传播层的社交图卷积网络中，第a个用户ca的影响在第i个物品vi所有关联用户...

【专利技术属性】
技术研发人员：吴乐，黎俊伟，孙培杰，付瑞吉，汪萌，洪日昌，
申请(专利权)人：合肥工业大学，科大讯飞股份有限公司，
类型：发明
国别省市：安徽;34