【技术实现步骤摘要】
一种基于改进的图卷积神经网络的物品评分预测方法
本专利技术属于信息推荐
，涉及一种基于改进的图卷积神经网络的物品评分预测方法。
技术介绍
随着电商以及社交媒体平台的兴起，推荐系统成为现代人工智能中不可缺少的一部分。在信息过载的时代，为用户提供个性化和高准确度的推荐服务是提升商业收益的重要基石。通过分析用户与互联网在交互过程中留下的数据，捕获用户的兴趣偏好从而为用户推荐商品是推荐的主要目标，如何在多样化的数据中有效提取用户的偏好特征是一个关键环节。深度学习由于其强大的表征能力在推荐系统中扮演着重要的角色，其中，处理图形结构数据的新型深度学习模型有了显著的进步，并在推荐系统中得到应用。最得到关注的是图卷积网络，它的核心思想是利用神经网络迭代地将图中节点的邻节点信息聚合，通过卷积操作模拟信息传播过程，来聚合节点特征。许多工作利用图卷积网络提取图中节点的结构和内容特征，并融入辅助信息来缓解数据稀疏从而提升推荐性能。但是目前许多方法只考虑用户和物品单一的关系，简单的利用数据之间的结构信息来模拟消息传播，导致得到的...
【技术保护点】
1.一种基于改进的图卷积神经网络的物品评分预测方法，其特征在于，该方法具体包括以下步骤：/nS1：获取用户对物品的历史评分、用户的个人信息，以及物品的属性信息；/nS2：构造用户-物品，用户-用户，物品-物品关系图；/nS3：利用改进的图卷积神经网络提取多种关系图中节点的结构和内容特征；/nS4：选择神经网络模型融合节点的多种特征信息；/nS5：根据用户和物品的特征表示，预测用户对物品感兴趣的概率；/nS6：利用训练集和验证集训练模型；/nS7：利用训练好的模型预测用户对物品的评分。/n
【技术特征摘要】
1.一种基于改进的图卷积神经网络的物品评分预测方法，其特征在于，该方法具体包括以下步骤：
S1：获取用户对物品的历史评分、用户的个人信息，以及物品的属性信息；
S2：构造用户-物品，用户-用户，物品-物品关系图；
S3：利用改进的图卷积神经网络提取多种关系图中节点的结构和内容特征；
S4：选择神经网络模型融合节点的多种特征信息；
S5：根据用户和物品的特征表示，预测用户对物品感兴趣的概率；
S6：利用训练集和验证集训练模型；
S7：利用训练好的模型预测用户对物品的评分。
2.根据权利要求1所述的物品评分预测方法，其特征在于，所述步骤S1具体包括以下步骤：
S11：获取用户对物品的评分数据，用户的年龄、性别、职业、邮编，物品的属性、类别，并根据用户ID和物品ID组成评分矩阵、用户特征矩阵和物品特征矩阵；
S12：划分数据集：随机选取80％作为训练集，20％作为测试集，再选取训练集的10％作为验证集。
3.根据权利要求2所述的物品评分预测方法，其特征在于，所述步骤S2具体包括以下步骤：
S21：根据用户的年龄、性别、职业和邮编计算用户之间兴趣的相似关系图G1＝{(ui,tij,uj)|u∈U,0≤tij≤1}，其中，u表示用户，t表示用户之间兴趣的相似程度；根据物品的属性和类别计算物品之间的相似关系图G2＝{(vi,tij,vj)|v∈V,0≤tij≤1}，其中，v表示物品，t表示物品之间的相似度，表达式为：
其中，f表示用户个人信息/物品属性的初始特征向量，sum表示向量的各个元素相加；
S22：根据用户对物品的评分数据构建用户-物品交互二分图G3＝{(u,yuv,v)|u∈U,v∈V,yuv∈(1,2,…,r)}，其中，y表示用户对物品的评分值，U、V分别为用户和物品的集合，r为用户对物品的评分值。
4.根据权利要求3所述的物品评分预测方法，其特征在于，所述步骤S3具体包括以下步骤：
S31：构造改进的图卷积神经网络；
将图上的节点作为模型的输入向量x∈RN，并将其视为一种图上的信号；表示正则化的图拉普拉斯矩阵，其中，I表示单位矩阵，A∈RN×N表示邻接矩阵，Dii＝∑jAij表示图中节点的度矩阵；将L分解为L＝UΛUT，U＝[u0,…,un-1]∈RN×N表示正交特征向量，Λ＝diag([λ0,…,λn-1])∈RN×N表示非负特征值向量；根据频域上的卷积定理，一个信号与滤波器gθ＝diag(θ)在图上的卷积为：
gθ*x＝UgθUTx(2)
利用K阶多项式来近似计算gθ来简化计算，
其中，Θ∈RK是多...
【专利技术属性】
技术研发人员：苏畅，陈敏，谢显中，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。