【技术实现步骤摘要】
基于图卷积协同过滤的推荐预测系统以及推荐预测方法
本专利技术涉及信息推荐
，特别涉及一种基于图卷积协同过滤的推荐预测系统以及推荐预测方法。
技术介绍
近年来，随着云计算、海量数据存储等技术的快速发展，从大数据中提取有价值的信息对提高人类生活品质有很大的意义。协同过滤算法不断与最前沿的研究理论(基于社交、会话、图卷积网络)结合，从而在推荐系统领域被广泛研究，如何学习更有意义的用户与项目的低维嵌入向量表达，并充分提取嵌入向量每个维度特征的潜在交互联系，是提高个性化推荐效率的关键。由于推荐任务在某些平台收集用户或者项目边缘信息的难度很大，在很多场景下，只有ID作为唯一的标识特征，以及获取它们之间的显性反馈(评分)或者隐式反馈(点击)。因此，引入图卷积网络的节点特征表示学习，让用户或项目节点学习图拓扑结构的局部特征引起了很大关注。基于图卷积模型的协同过滤将用户和项目交互表示为由用户节点与项目节点组成的二部图，节点间的显性关系用边连接。谱图卷积借助图的拉普拉斯矩阵去提取节点的局部关系，例如，NGCF模型提出了捕获具有协同...
【技术保护点】
1.一种基于图卷积协同过滤的推荐预测系统，其特征在于，所述系统包括：/n输入层，用于提供用户输入向量集合和项目输入向量集合；/n图卷积模型层，构建有图卷积模型，所述图卷积模型以所述用户输入向量集合和所述项目输入向量集合作为输入数据，输出经过L层传播后的用户多重嵌入向量组和项目多重嵌入向量组；/n特征交互层，使用外积对所述用户多重嵌入向量组和所述项目多重嵌入向量组进行交叉建模，构建交互体，通过CNN网络模型对所述交互体进行学习，依据所述CNN网络模型的学习结果，得到用户节点对项目节点的第一预测结果；/n其中，令所述用户多重嵌入向量组为：
【技术特征摘要】
1.一种基于图卷积协同过滤的推荐预测系统，其特征在于，所述系统包括：
输入层，用于提供用户输入向量集合和项目输入向量集合；
图卷积模型层，构建有图卷积模型，所述图卷积模型以所述用户输入向量集合和所述项目输入向量集合作为输入数据，输出经过L层传播后的用户多重嵌入向量组和项目多重嵌入向量组；
特征交互层，使用外积对所述用户多重嵌入向量组和所述项目多重嵌入向量组进行交叉建模，构建交互体，通过CNN网络模型对所述交互体进行学习，依据所述CNN网络模型的学习结果，得到用户节点对项目节点的第一预测结果；
其中，令所述用户多重嵌入向量组为：所述项目多重嵌入向量组为：所述交叉建模的表达式为：表示所述图卷积模型输出的第j层用户嵌入向量的转置，表示所述图卷积模型输出的第i层项目嵌入向量，表示和的外积，J，k∈{0，1,…，L}；所述交互体的表达式为：stack(·)表示堆砌函数。
2.根据权利要求1所述的基于图卷积协同过滤的推荐预测系统，其特征在于，所述特征交互层还用于：使用内积提取所述用户多重嵌入向量组与所述项目多重嵌入向量组之间的交互，得到所述用户节点对所述项目节点的第二预测结果，结合所述第一预测结果和所述第二预测结果，得到所述用户节点对所述项目节点的第三预测结果；所述第二预测结果表示为：其中，表示第二预测结果，<·,·>表示内积函数，||表示拼接。
3.根据权利要求2所述的基于图卷积协同过滤的推荐预测系统，其特征在于，所述图卷积模型将每层传播生成的中间用户嵌入向量均与初始用户嵌入向量进行MLP特征提取得到所述图卷积模型输出的用户嵌入向量；所述图卷积模型将每层传播生成的中间项目嵌入向量均与初始项目嵌入向量进行MLP特征提取得到所述图卷积模型输出的项目嵌入向量。
4.根据权利要求3所述的基于图卷积协同过滤的推荐预测系统，其特征在于，所述图卷积模型输出的第l层的用户嵌入向量表示为：所述图卷积模型输出的第l层的项目嵌入向量表示为：其中，表示所述图卷积模型经过第l层传播后的中间用户嵌入向量，表示初始用户嵌入向量，为同一隐藏层共享的参数矩阵，表示所述图卷积模型经过第l层传播后的中间项目嵌入向量，表示初始项目嵌入向量，σ(·)表示ReLU激活函数。
5.根据权利要求4所述的基于图卷积协同过滤的推荐预测...
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。