一种基于图模型的深度学习推荐系统及其方法技术方案

本发明专利技术公开了一种基于图模型的深度学习推荐系统及其方法，系统包括：用户行为数据融合模块，用于将用户与项目的若干非评分交互数据依次进行向量转换、数据融合、信息转换得到“用户‑项目”等价评分；二部图信息传播模块，用于根据“用户‑项目”等价评分进行第一次二部图模型建模，并依次进行数据转换、信息传播、信息提取得到新的“用户‑项目”等价评分作为推荐种子集；图卷积深度推荐模块，用于根据推荐种子集进行第二次二部图模型建模，并依次进行图卷积编码、转换融合、解码得到推荐结果。本发明专利技术系统，通过对用户行为数据进行融合，并经过二部图扩散得到推荐种子集，最终基于推荐种子集的二部图模型的深度学习为用户提供更加准确的推荐功能。

【技术实现步骤摘要】
一种基于图模型的深度学习推荐系统及其方法
本专利技术属于信息检索
，具体涉及一种基于图模型的深度学习推荐系统及其方法。
技术介绍
随着互联网技术的飞速发展，基于互联网的信息提供平台已十分丰富。为提高用户对平台的粘度，如何在海量信息基础上为用户提供准确的信息推荐，已成为现在急需解决的问题。目前的推荐系统存在以下两个问题：对用户行为数据的利用率不足；面对数据稀疏性问题时性能发挥受限。中山大学所申请的专利“一种基于用户评论的推荐算法”(申请号201910746922.X)，公开一种基于用户评论的推荐算法，通过获取用户对目标商品的评论集，及对某一商品的所有评论集，根据这两个评论集及用户的购买历史记录构造用户和商品的特征向量，并构造特征矩阵，通过卷积神经网络提取商品的交互特征，最终进行推荐；哈尔滨工程大学所申请的专利“一种基于循环神经网络的推荐算法”(申请号201710606791.6，申请公布号CN107507054A)，公开了一种基于循环神经网络的推荐算法，通过使用商品的评分数据和商品的类别信息构造Rating-RNN神经网络和Category-RNN神经网络，通过两个模型的混合使用得到融合神经网络模型Mixing-RNN，最终进行推荐。但是，中山大学提出的推荐方法，只是通过对用户与商品的间接评论文本数据进行处理与挖掘，没有充分挖掘商品和用户之间发生的直接用户交互行为数据，使得到的间接特征信息不能直接体现商品真实的特征信息，这导致该算法在推荐准确度比较低；哈尔滨工程大学提出的推荐方法，使用模型需要大量的序列化的数据作为模型训练基础，但是在数据稀疏的场景下，通过分析这些少量的数据，无法计算出或者较为准确的计算出用户的兴趣点，将无法提供准确的推荐结果。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于图模型的深度学习推荐系统及其方法。本专利技术的一个实施例提供了一种基于图模型的深度学习推荐系统，该基于图模型的深度学习推荐系统包括：用户行为数据融合模块、二部图信息传播模块和图卷积深度推荐模块，其中：所述用户行为数据融合模块，用于将用户与项目的若干非评分交互数据依次对所述“用户-项目”等价评分进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分；所述二部图信息传播模块，连接所述用户行为数据融合模块，用于根据所述“用户-项目”等价评分进行第一次二部图模型建模，并依次进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集；所述图卷积深度推荐模块，连接所述二部图信息传播模块，用于根据所述推荐种子集进行第二次二部图模型建模，并依次对所述推荐种子集进行图卷积编码、转换融合、解码得到推荐结果。在本专利技术的一个实施例中，所述用户行为数据融合模块包括数据输入层、第一深度融合层和评分输出层，其中：所述数据输入层，用于将所述若干非评分交互数据进行离散化、向量化处理得到向量数据；所述第一深度融合层，用于对所述向量数据进行融合映射处理得到深度隐空间中的“用户-项目”行为信息；所述评分输出层，用于对所述深度隐空间中的“用户-项目”行为信息进行信息转换得到所述“用户-项目”等价评分。在本专利技术的一个实施例中，所述二部图信息传播模块包括转换输入层、传播计算层和种子输出层，其中：所述转换输入层，用于对所述“用户-项目”等价评分进行第一次二部图模型建模，并进行二元化数据转换，构建用户与项目之间的交互链接得到“用户-链接-项目”二部图结构；所述传播计算层，用于在所述“用户-链接-项目”二部图结构上根据二部图信息传播算法进行信息传播得到扩大的“用户-链接-项目”二部图结构；所述种子输出层，用于从所述扩大的“用户-链接-项目”二部图结构中提取新的“用户-项目”等价评分作为所述推荐种子集。在本专利技术的一个实施例中，所述图卷积深度推荐模块包括图卷积编码层、第二深度融合层、解码输出层，其中：所述图卷积编码层，用于对所述推荐种子集进行第二次二部图模型建模，对新的二部图模型进行图卷积编码得到用户与项目的隐式表达向量；所述第二深度融合层，用于对所述用户与项目的隐式表达向量进行转换融合计算得到用户与项目转换融合的隐式表达向量；所述解码输出层，用于对所述用户与项目转换融合的用户与项目的隐式表达向量进行解码得到用户对项目的预测评分，并将所述用户对项目的预测评分作为所述推荐结果。在本专利技术的一个实施例中，所述图卷积编码层中用户与项目的隐式表达向量分别为：ui＝σ(Wuhi)；vi＝σ(Wvhi)；其中，ui表示用户的隐式表达向量，Wu表示用户权重参数，vi表示项目的隐式表达向量，Wv表示项目权重参数，σ表示非线性激活函数，hi表示图卷积编码操作，图卷积编码操作hi表示为：其中，merge()表示累加融合操作，mj→i,r、mj→i,R均表示新的二部图模型中结点转换的低维空间表达向量，r表示具体评分值，R表示评分值变量，Ni表示当前图卷积编码操作中待处理结点总数，其中，结点转换的低维空间表达向量mj→ir表示为：其中，ci,j表示结点的规范化常数，Wr表示新的二部图模型中各结点的权重参数，xj表示新的二部图模型中结点j的表示向量。在本专利技术的一个实施例中，所述第二深度融合层中用户与项目转换融合的隐式表达向量分别为：u'i＝σ(Wuhi+Wifi)；v'i＝σ(Wvhi+Wifi)；其中，u'i表示用户转换融合的隐式表达向量，v'i表示项目转换融合的隐式表达向量，Wi表示特征信息转换的权值参数，fi表示特征信息转换的低维空间表达向量，特征信息转换的低维空间表达向量fi表示为：fi＝σ(Wfxi+b)；其中，xi表示特征信息中的第i个表示向量，Wf表示特征信息处理的权重参数，b表示特征信息处理的偏置参数。在本专利技术的一个实施例中，所述解码输出层中推荐结果表示为：其中，g(u′i,v'j)表示用户对项目的预测评分，E[]表示求期望值，表示预测评分值变量，表示预测评分在不同评分等级上的概率分布，概率分布表示为：其中，Qr表示训练参数矩阵，Qs表示线性转换矩阵，[]T表示求转置。本专利技术的另一个实施例提供了一种基于图模型的深度学习推荐方法，包括上述任一所述的基于图模型的深度学习推荐系统，执行以下步骤：步骤1、用户行为数据融合模块将用户与项目的若干非评分交互数据依次进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分，并将得到的所述“用户-项目”等价评分输入至二部图信息传播模块；步骤2、所述二部图信息传播模块根据所述“用户-项目”等价评分进行第一次二部图模型建模，并依次对所述“用户-项目”等价评分进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集，并将所述推荐种子集输入至图卷积深度推荐模块；步骤3、所述图卷积深度推本文档来自技高网...

【技术保护点】
1.一种基于图模型的深度学习推荐系统，其特征在于，包括用户行为数据融合模块、二部图信息传播模块和图卷积深度推荐模块，其中：/n所述用户行为数据融合模块，用于将用户与项目的若干非评分交互数据依次对所述“用户-项目”等价评分进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分；/n所述二部图信息传播模块，连接所述用户行为数据融合模块，用于根据所述“用户-项目”等价评分进行第一次二部图模型建模，并依次进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集；/n所述图卷积深度推荐模块，连接所述二部图信息传播模块，用于根据所述推荐种子集进行第二次二部图模型建模，并依次对所述推荐种子集进行图卷积编码、转换融合、解码得到推荐结果。/n

【技术特征摘要】
1.一种基于图模型的深度学习推荐系统，其特征在于，包括用户行为数据融合模块、二部图信息传播模块和图卷积深度推荐模块，其中：
所述用户行为数据融合模块，用于将用户与项目的若干非评分交互数据依次对所述“用户-项目”等价评分进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分；
所述二部图信息传播模块，连接所述用户行为数据融合模块，用于根据所述“用户-项目”等价评分进行第一次二部图模型建模，并依次进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集；
所述图卷积深度推荐模块，连接所述二部图信息传播模块，用于根据所述推荐种子集进行第二次二部图模型建模，并依次对所述推荐种子集进行图卷积编码、转换融合、解码得到推荐结果。


2.根据权利要求1所述的基于图模型的深度学习推荐系统，其特征在于，所述用户行为数据融合模块包括数据输入层、第一深度融合层和评分输出层，其中：
所述数据输入层，用于将所述若干非评分交互数据进行离散化、向量化处理得到向量数据；
所述第一深度融合层，用于对所述向量数据进行融合映射处理得到深度隐空间中的“用户-项目”行为信息；
所述评分输出层，用于对所述深度隐空间中的“用户-项目”行为信息进行信息转换得到所述“用户-项目”等价评分。


3.根据权利要求1所述的基于图模型的深度学习推荐系统，其特征在于，所述二部图信息传播模块包括转换输入层、传播计算层和种子输出层，其中：
所述转换输入层，用于对所述“用户-项目”等价评分进行第一次二部图模型建模，并进行二元化数据转换，构建用户与项目之间的交互链接得到“用户-链接-项目”二部图结构；
所述传播计算层，用于在所述“用户-链接-项目”二部图结构上根据二部图信息传播算法进行信息传播得到扩大的“用户-链接-项目”二部图结构；
所述种子输出层，用于从所述扩大的“用户-链接-项目”二部图结构中提取新的“用户-项目”等价评分作为所述推荐种子集。


4.根据权利要求1所述的基于图模型的深度学习推荐系统，其特征在于，所述图卷积深度推荐模块包括图卷积编码层、第二深度融合层、解码输出层，其中：
所述图卷积编码层，用于对所述推荐种子集进行第二次二部图模型建模，对新的二部图模型进行图卷积编码得到用户与项目的隐式表达向量；
所述第二深度融合层，用于对所述用户与项目的隐式表达向量进行转换融合计算得到用户与项目转换融合的隐式表达向量；
所述解码输出层，用于对所述用户与项目转换融合的隐式表达向量进行解码得到用户对项目的预测评分，并将所述用户对项目的预测评分作为所述推荐结果。


5.根据权利要求4所述的基于图模型的深度学习推荐系统，其特征在于，所述图卷积编码层中用户与项目的隐式表达向量分别...

【专利技术属性】
技术研发人员：李青山，褚华，歹杰，周洋涛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61