一种基于GCN和集成学习的推荐算法制造技术

本发明专利技术属于推荐系统技术领域，具体涉及一种基于GCN和集成学习的推荐算法，包括以下步骤：S1、数据获取：通过程序获取图信号数据；S2、模型训练：通过将图信号数据转换为图的拉普拉斯矩阵，以训练GCN模型；S3、模型预测：通过设置的Dropout率，将训练的GCN模型表示为多个基模型，并将所有基模型预测的Softmax值作为最终预测值；本发明专利技术有效提高推荐算法的准确率，通过大量的图信号数据，利用GCN能够在图信号数据上获取特征的能力，结合集成学习的技术，最大限度的提高模型的准确率。

【技术实现步骤摘要】
一种基于GCN和集成学习的推荐算法
本专利技术属于推荐系统
，具体涉及一种基于GCN和集成学习的推荐算法。
技术介绍
自进入21世纪以来，科学技术的迅猛发展为社会带来了翻天覆地的变化，其中一个明显特征即是互联网带来的便利，加上智能手机和通信技术的快速发展，更是让人人能够做到足不出户便能享受到各种服务。同时，随着技术的普及，越来越多的企业推出了线上的服务，为了能够留住顾客，并且希望能让顾客选择更多的服务，企业会在自己的线上平台上为不同的顾客推荐不同的服务/商品，而做到这种精准投放推荐服务的系统称之为推荐系统，其中，推荐系统的核心部分即推荐算法。也正因为如此，为了能够最大限度的留住顾客，挖掘顾客的兴趣，现代企业必须采用一套精准的推荐系统算法以实现收益最大化。卷积神经网络(convolutionalneuralnetwork，CNN)具有强大的特征表征能力，因而在诸如计算机视觉、自然语言处理等领域得到了极大关注。文本、图像和视频等都是属于标准的欧几里得数据，它们能对应地视为分布在一维、二维和三维网格支撑集上。CNN能够方便地运算可归因于本文档来自技高网...

【技术保护点】
1.一种基于GCN和集成学习的推荐算法，其特征在于，包括以下步骤：/nS1、数据获取：通过程序获取图信号数据；/nS2、模型训练：通过将图信号数据转换为图的拉普拉斯矩阵，以训练GCN模型；/nS3、模型预测：通过设置的Dropout率，将训练的GCN模型表示为多个基模型，并将所有基模型预测的Softmax值的均值作为最终预测值。/n

【技术特征摘要】
1.一种基于GCN和集成学习的推荐算法，其特征在于，包括以下步骤：
S1、数据获取：通过程序获取图信号数据；
S2、模型训练：通过将图信号数据转换为图的拉普拉斯矩阵，以训练GCN模型；
S3、模型预测：通过设置的Dropout率，将训练的GCN模型表示为多个基模型，并将所有基模型预测的Softmax值的均值作为最终预测值。


2.根据权利要求1所述的一种基于GCN和集成学习的推荐算法，其特征在于，所述S2具体包括：
S21、将获取的图信号数据转换为图的拉普拉斯矩阵；
S22、通过图的拉普拉斯矩阵训练GCN模型。


3.根据权利要求2所述的一种基于GCN和集成学习的推荐算法，其特征在于，所述S21具体包括：
S211、G＝(V,E)表示图G，其中，V＝{v1,v2,...,vn}表示图的节点集合，vi表示第i个节点，i＝1,2,...,n；E表示图上边的集合；令图G的邻接矩阵为A，若(vi,vj)∈E(G),Aij＝1，否则Aij＝0；
S212、令图G的度矩阵为D，D是一个n×n的对角矩阵，其定义为：



其中度数deg(vi)为vi上的边的条数；
S213、令L为图G的拉普拉斯矩阵，L＝D-A。


4.根据权利要求1所述的一种基于GCN和集成学习的推荐算法，其特征在于，所述S3中，将已训...

【专利技术属性】
技术研发人员：张忠良，夏鹏飞，陈愉予，陈琼，雒兴刚，蔡灵莎，
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