一种基于图卷积的神经协同过滤的信息推荐方法技术

本发明专利技术提供一种基于图卷积的神经协同过滤的信息推荐方法，包括以下步骤：S1：采集用户行为数据和用户，物品的属性内容；S2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户‑用户图，计算用户与用户、物品与物品之间的相似度构造用户‑用户图，物品‑物品图；若采集的行为信息只有浏览、点击等隐式交互信息，构造用户‑物品图：S3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；S4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；S5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。

【技术实现步骤摘要】
一种基于图卷积的神经协同过滤的信息推荐方法
本专利技术涉及信息推荐
，特别是涉及一种基于图卷积的神经协同过滤的信息推荐方法。
技术介绍
根据第45次《中国互联网络发展状况统计报告》显示，截止到2020年3月，我国网民规模已达9.04亿，互联网普及率达到64.5％，各类互联网应用的用户规模及使用率都呈持续性增长模式。随着互联网逐渐融入人们的日常生活，传统的搜索引擎已经无法满足人们的需求，为了快速并准确地预测用户的喜好，推荐系统扮演了一个很重要的角色，帮助用户能够在海量的数据中寻找自己喜欢的物品。然而推荐系统目前仍然面临一些问题。(1)现阶段推荐系统的推荐主要以采集用户的评分数据为主，但是由于有些用户出于不愿意泄露自己的隐私的担忧或者不愿意浪费自己的时间因此不愿意留下评分，从而导致数据的稀疏性。(2)传统的基于矩阵分解协同过滤算法是使用简单内积方法在低维空间上计算复杂的用户和物品的特征，并不能深入学习到用户和物品的特征之间的关系。(3)传统的推荐方法没有过多的考虑用户的属性以及物品的属性，以及用户用户之间的交互关系，物品物品之间的交互关系。
技术实现思路
为了克服现有技术存在的上述问题，本专利技术的目的在于提供一种基于图卷积的神经协同过滤的信息推荐方法，利用卷积网络模型处理，利用用户和物品的交互日志，对用户之间的交互行为进行强度建模作为关系表示中的边，进一步得到交互关系图，图上叠加谱图卷积生成用户、物品节点特征向量，为了提高模型的泛化能力，结合用户和物品自身属性特征得到用户、物品的特征向量，并使用神经协同过滤算法(NCF)将用户的特征向量和物品的特征向量映射到维数很高的高维空间，从特征中获取更多信息得出更精准的预测。本专利技术的目的在于提供一种基于图卷积的神经协同过滤的信息推荐方法，包括以下步骤：S1：采集用户行为数据和用户，物品的属性内容；S2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户-用户图，计算用户与用户、物品与物品之间的相似度构造用户-用户图，物品-物品图；若采集的行为信息只有浏览、点击等隐式交互信息，构造用户-物品图；S3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；S4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；S5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。优选的，所述S1所述用户行为数据包括浏览、购买以及评分信息；所述浏览、购买以及评分信息包括用户的年龄，性别，职业；物品的类别；用户对物品1-5范围内的评分；以及用户浏览行为中的购买、浏览次数、点击次数。优选的，实施所述S2之前，还包括步骤：对数据预处理，其中预处理包括：将性别字段将‘F’和‘M’转换成0和1；将年龄进行段落划分，包括有以下几种：1：“小于18岁”；18：“18-24”；25：“25-34”；35：“35-44”；45：“45-49”；50：“50-55”；56：“56+；将Age字段转成7个连续数字0-6；以及将物品类别字段赋予多值属性并使用Multi-Hot编码。优选的，所述步骤S3包括：S31，构建用户-用户图；S32，构建物品-物品图；S33，构建用户-物品图。S34，构造度矩阵。优选的，所述步骤S31包括：S311，计算用户-用户相似度：利用Person相关系数衡量用户ui和用户ui之间的相似关系sim(ui，uj)，其中是用户ui和uj之间共同做出评分的物品集合；S312，构造用户的邻接矩阵Au；所述步骤S311包括：S3111，利用每位用户u的评分计算每位用户的平均分uu：S3112，计算用户ui和uj之间的Pearson相关系数如下：所述步骤S312中所述邻接矩阵Au是一个对角元素为0的对称矩阵，矩阵中的元素e(ui，uj)代表每对用户是用户ui和uj之间的边权值，即sim(ui，uj)所述步骤S312利用调整的余弦函数来定义物品i与物品j之间的相似度，包括：S3121，均值中心化：用户u对物品j的评分：suj＝ruj-μu(4)：S3122，计算物品i与物品j之间的相似度优选的，所述步骤S32包括：S321，定义物品-物品相似度；S322，构造物品的邻接矩阵Av；物品的邻接矩阵Av是一个对角元素为0的对称矩阵，矩阵中的e(vi，vj)代表物品i和物品j之间的边上的权值，即sim(i，j)，其中优选的，所述步骤S33包括：S331，当用户有显式评分信息时，用户物品评分矩阵R∈RM×N(M代表用户个数，N代表物品个数)，R∈{1，2，3，4，5}；为每一级评分构建用户-商品交互图即(0，1)矩阵，即当r＝1时，若用户i对物品j有评分时，则为rij＝1，否则rij＝0；S332，当用户只有隐式行为的时候，仅有用户对商品浏览、购买行为信息，没有显式评分，其中，R∈{0，1}M×N，R代表用户与商品是否存在交互，因此仅包含一个用户物品交互图，即若用户i对物品j进行过交互信息，则rij＝1，否则rij＝0，邻接矩阵Aimplicit如下所示：优选的，所述步骤S34包括：通过邻接矩阵可A以计算出度矩阵D，为一个对角矩阵，矩阵元素为邻接矩A中对应行列的和即Dii＝ΣjAij通过公式(9)利用用户邻接矩阵Au计算度矩阵Du，利用物品邻接矩阵Av计算出度矩阵Dv；显式情况下利用用户物品评分的邻接矩阵Ar计算出r个度矩阵Dr；利用隐式行为的邻接矩阵Aimplict计算出度矩阵Dimplicit。优选的，所述步骤S3包括：S31，正则化：图卷积操作中，将拉普拉斯矩阵与特征向量相乘，对拉普拉斯矩阵做正则化操作，得到对称且归一化的拉普拉斯矩阵即：上式(10)中只包含了邻居节点的信息，为了使得节点本身的信息也被包含，需对该式加上一个单位矩阵IN，即：S32：进行卷积操作：使用X代表关系图上用户/物品节点的特征向量矩阵，Θ为卷积参数，那么关系图G上的单层卷积操作可以表示为：多层卷积层叠加时的隐层的更新为：其中后一层的输入X为上层的输出Ht，对应的逐层卷积层参数为Wt。优选的，所述步骤S4包括：S41，使用全连接层将图卷积得到的用户、物品节点特征向量分别于用户、物品的属性特征向量相结合；S42，使用一个全连接层联这两种不同的信息：Z＝σ(W[Znode，Zattribute]+b)(14)优选的，使用一个基于神经网络的矩阵分解框架NCF，结合GMF和MLP实施所述S5，其中GMF为传统的矩阵分解层，输出计算如下式(15)所示：其中pi代表用户i的特征向量，本文档来自技高网...

【技术保护点】
1.一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于包括以下步骤：/nS1：采集用户行为数据和用户，物品的属性内容；/nS2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户-用户图，计算用户与用户、物品与物品之间的相似度构造用户-用户图，物品-物品图；若采集的行为信息只有浏览、点击等隐式交互信息，构造用户-物品图；/nS3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；/nS4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；/nS5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。/n

【技术特征摘要】
1.一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于包括以下步骤：
S1：采集用户行为数据和用户，物品的属性内容；
S2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户-用户图，计算用户与用户、物品与物品之间的相似度构造用户-用户图，物品-物品图；若采集的行为信息只有浏览、点击等隐式交互信息，构造用户-物品图；
S3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；
S4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；
S5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。


2.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于：所述S1所述用户行为数据包括浏览、购买以及评分信息；所述浏览、购买以及评分信息包括用户的年龄，性别，职业；物品的类别；用户对物品1-5范围内的评分；以及用户浏览行为中的购买、浏览次数、点击次数。


3.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于：实施所述S2之前，还包括步骤：对数据预处理，其中预处理包括：将性别字段将‘F’和‘M’转换成0和1；将年龄进行段落划分，包括有以下几种：1：“小于18岁”；18：“18-24”；25：“25-34”；35：“35-44”；45：“45-49”；50：“50-55”；56：“56+；将Age字段转成7个连续数字0-6；以及将物品类别字段赋予多值属性并使用Multi-Hot编码。


4.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S3包括：
S31，构建用户-用户图；
S32，构建物品-物品图；
S33，构建用户-物品图。
S34，构造度矩阵。


5.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S31包括：
S311，计算用户-用户相似度：利用Person相关系数衡量用户ui和用户uj之间的相似关系sim(ui，uj)，其中是用户ui和uj之间共同做出评分的物品集合；
S312，构造用户的邻接矩阵Au；
所述步骤S311包括：
S3111，利用每位用户u的评分计算每位用户的平均分uu：



S3112，计算用户ui和uj之间的Pearson相关系数如下：



所述步骤S312中所述邻接矩阵Au是一个对角元素为0的对称矩阵，矩阵中的元素e(ui，uj)代表每对用户是用户ui和uj之间的边权值，即sim(ui，uj)



所述步骤S312利用调整的余弦函数来定义物品i与物品j之间的相似度，包括：
S3121，均值中心化：用户u对物品j的评分：
suj＝ruj-μu(4)；
S3122，计算物品i与物品j之间的相似度





6.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S32包括：
S321，定义物品-物品相似度；
S322，构造物品的邻接矩阵Av；物品的邻...

【专利技术属性】
技术研发人员：洪惠君，王巍，梁雅静，刘阳，刘华真，
申请(专利权)人：河北工程大学，
类型：发明
国别省市：河北;13