一种基于图神经网络推理的可解释推荐方法技术

本发明专利技术公开了一种基于图神经网络推理的可解释推荐方法。该方法包括：针对用户行为的交互矩阵，构建多关系用户行为图；对于用户行为图，利用用户行为偏好理解模型学习高阶的关联关系并传播用户行为偏好，得到用户、物品、用户‑物品间关联的向量表示；将用户行为偏好理解模型输出的用户状态表示、物品状态表示、用户‑物品关联表示输入至用户行为偏好理解模型，获得给定用户的物品推荐；将用户行为偏好理解模型输出的用户偏好状态表示、物品状态表示、用户‑物品关联表示的融合作为解释生成模型的输入，并结合文本评论集合，获得为给定用户所推荐物品的相关解释。本发明专利技术能够在提供高性能的推荐结果的同时生成高质量、易于理解的推荐解释。

【技术实现步骤摘要】
一种基于图神经网络推理的可解释推荐方法
本专利技术涉及计算机
，更具体地，涉及一种基于图神经网络推理的可解释推荐方法。
技术介绍
推荐系统作为缓解信息过载问题的重要工具，在电子商务、新闻推荐、视频推荐等领域得到了广泛的应用，逐渐改变着人们的生活方式。例如，网上书店根据用户的历史行为信息推荐用户喜欢的书籍。如果能用通俗易懂的解释让用户了解到为什么会推荐这本书，可以极大地提高推荐的有效性(帮助用户快速做出决策)和推荐的说服力(提高用户购买这本书的可能性)，这就是推荐系统的可解释性。可解释推荐系统在向用户推荐物品的同时呈现推荐的原因及解释，不仅能够提升推荐系统的透明度，提高用户对推荐系统的信任度和接受度，还能提升用户对推荐产品和服务的满意度。可解释推荐系统在电子商务、金融、医疗、法律等可解释性和透明度至关重要的领域具有重要的研究意义和应用价值。在现有技术中，可解释推荐方法主要包括两类：基于解释生成的可解释推荐方法和基于知识图谱的可解释推荐方法。近年来，随着自然语言处理技术发展，提出了很多基于解释生成的可解释推荐方法，可生成类似人类真实评论形式的文本推荐解释。例如，一项研究成果提出结合双注意力机制的卷积神经网络模型，从用户/物品评论中学习用户偏好表示和物品特征表示，采用本地和全局注意力机制选取有信息量的词辅助评分预测，增强模型的解释性。又如，一项研究成果提出了神经评分回归模型预测用户-物品评分，同时基于编码器-解码器(encoder-decoder)框架利用循环神经网络如长短期记忆网络(LongShort-TermMemory，LSTM)、门循环单元(GateRecurrentUnit，GRU)生成文本解释。另外一项研究成果利用矩阵分解进行评分预测，同时提出基于生成对抗网络的序列到序列的解释生成模型。对于基于知识图谱的可解释推荐方法，将知识图谱作为辅助信息引入到推荐系统受到了越来越多的关注，知识图谱能够引入多种类型的关联信息。研究者们利用知识图谱的推理路径增强模型的透明度和解释性，提出了一些基于知识图谱的可解释推荐方法。一项研究中提出端到端的知识图谱感知推荐方法RippleNet，从知识图谱的关联路径中自动发现传播路径，并利用信息传播机制发现用户层次化的潜在兴趣。另一项研究成果提出知识感知路径的循环神经网络，结合知识图谱实体和关系的表示生成路径表示，利用路径的序列化依赖关系推理用户偏好，应用推理路径提供推荐解释。然而，尽管现有的可解释推荐方案利用文本信息提取生成推荐解释，或利用知识图谱推理路径增强模型的可解释性，取得了一定的效果，但是在用户行为分析建模和解释质量方面还存在一定的不足。此外，基于解释生成的可解释推荐方法直接采用生成模型产生推荐解释，虽然在解释形式上能够生成易于人类理解的文本解释，但是由于数据稀疏性问题，导致生成的解释质量低、可读性差。此外，基于知识图谱的可解释推荐方法利用常识知识库如DBPedia、FreeBase等引入常识库的事实及关联构建知识图，基于图模型的信息传播和推理虽然能够提升推荐性能，但是引入了冗余噪声数据，难以处理无关联的实体，影响了推荐效率和结果。并且，基于知识图谱的方法需人工预先设定路径、规则等，缺少领域知识，导致推荐解释结果同质化。
技术实现思路
本专利技术的目的是克服上述现有技术的缺陷，提供一种基于图神经网络推理的可解释推荐方法。本专利技术的技术方案是提供一种基于图神经网络推理的可解释推荐方法。该方法包括以下步骤：针对用户行为的交互矩阵，构建多关系用户行为图，其中图的节点集合为所有用户和所有物品，边为用户-物品交互关系；对于所述用户行为图，利用用户行为偏好理解模型学习高阶的关联关系并传播用户行为偏好，得到用户、物品、用户-物品间关联的向量表示；将所述用户行为偏好理解模型输出的用户状态表示、物品状态表示、用户-物品关联表示输入至用户行为偏好理解模型，获得给定用户的物品推荐；将所述用户行为偏好理解模型输出的用户偏好状态表示、物品状态表示、用户-物品关联表示的融合作为解释生成模型的输入，并结合文本评论集合，获得为给定用户所推荐物品的相关解释。与现有技术相比，本专利技术的优点在于，针对可解释性推荐问题，提出了基于图神经网络推理的可解释推荐方法，利用知识推理深入理解用户行为模式，挖掘用户行为潜在意图，从而实现对用户行为全面地、细粒度地分析和建模。并且，本专利技术兼顾推荐准确性和可解释性，向用户提供个性化推荐的同时生成高质量、易于用户理解的推荐解释，在提供推荐结果的同时生成推荐解释(推荐理由)，提升了推荐系统的透明度以及用户对推荐系统的信任度和接受度，并提升了用户对推荐产品和服务的满意度。通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。附图说明被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。图1是根据本专利技术一个实施例的基于图神经网络推理的可解释推荐方法的流程图；图2是根据本专利技术一个实施例的基于图神经网络推理的可解释推荐方法的框架图。具体实施方式现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。在以下描述的实施例中，设数据集中具有m个用户，记为u；n个物品，记为v。用户与物品的交互行为表示为<ui，vj，rij，dij>，其中rij表示用户ui对物品vj的评分，dij表示用户ui对物品vj的文本评论，用户-物品交互矩阵表示为R，文本评论集合表示为D，所有文本评论构成的词典表示为Vg。本专利技术的问题可定义为：给定用户集合U，物品集合V，用户-物品交互矩阵R和文本评论集合D，对于给定的用户u，推荐top-N个物品(该用户未交互过的物品)，同时生成推荐物品的解释Y。简言之，本专利技术提供的基于图神经网络推理的可解释推荐方法，通过构建用户行为图，利用图神经网络推理进行多跳信息传播，实现全面地用户行为建模。总体上，该方法包括四部分内容，分别是用户行为图构建、基于图神经网络推理的用户行为偏好理解、用户行为交互预测、解释生成模型。具体地，结合图1和图2所示，所提供的基于图神经网络推理的可解释推荐方法包括以下步骤。步骤S110，对于用户行为的交互本文档来自技高网...

【技术保护点】
1.一种基于图神经网络推理的可解释推荐方法，包括以下步骤：/n步骤S1：针对用户行为的交互矩阵，构建多关系用户行为图，其中图的节点集合为所有用户和所有物品，边为用户-物品交互关系；/n步骤S2：对于所述用户行为图，利用用户行为偏好理解模型学习高阶的关联关系并传播用户行为偏好，得到用户、物品、用户-物品间关联的向量表示；/n步骤S3：将所述用户行为偏好理解模型输出的用户状态表示、物品状态表示、用户-物品关联表示输入至用户行为偏好理解模型，获得给定用户的物品推荐；/n步骤S4：将所述用户行为偏好理解模型输出的用户偏好状态表示、物品状态表示、用户-物品关联表示的融合作为解释生成模型的输入，并结合文本评论集合，获得为给定用户所推荐物品的相关解释。/n

【技术特征摘要】
1.一种基于图神经网络推理的可解释推荐方法，包括以下步骤：
步骤S1：针对用户行为的交互矩阵，构建多关系用户行为图，其中图的节点集合为所有用户和所有物品，边为用户-物品交互关系；
步骤S2：对于所述用户行为图，利用用户行为偏好理解模型学习高阶的关联关系并传播用户行为偏好，得到用户、物品、用户-物品间关联的向量表示；
步骤S3：将所述用户行为偏好理解模型输出的用户状态表示、物品状态表示、用户-物品关联表示输入至用户行为偏好理解模型，获得给定用户的物品推荐；
步骤S4：将所述用户行为偏好理解模型输出的用户偏好状态表示、物品状态表示、用户-物品关联表示的融合作为解释生成模型的输入，并结合文本评论集合，获得为给定用户所推荐物品的相关解释。


2.根据权利要求1所述的方法，其特征在于，步骤S2包括：
对于用户行为图G，根据图结构的一阶关联性，从一阶邻居节点传播到节点ei的信息定义为：









其中，是一对关系节点ej和ei间的影响程度，δ是非线性激活函数，Wt，Wr，We，Wn是相关项权重，b是偏置，rij表示节点间关联关系的影响，γ为正则化后的影响度量值，邻居节点向当前节点ei传播的信息是权重化地邻居节点表示组合节点ei的一阶邻居节点集合为
在得到一阶邻接节点的信息传播后，融合节点自身的嵌入表示ei和来自邻接节点的传播信息表示为其中为所使用的融合函数；
采用递归方式利用多跳推理对图结构的高阶连接信息进行建模，最终输出节点和边的表示，标记为用户状态eu、物品状态ev、用户-物品关联表示ruv。


3.根据权利要求1所述的方法，其特征在于，步骤S3包括：
所述用户行为偏好理解模型采用塔状结构的神经协同过滤模型，其第一层的神经网络协同层的输入为用户状态表示、物品状态表示、用户-物品关联表示的拼接，对于每一神经网络协同层，生成隐藏的向量所示为：



其中，Wl和bl为第l层的权重矩阵和偏置矩阵，是激活函数，hl-1是第l-1层输出的向量；
在神经协同过滤模型的最后一层，隐藏向量hl被映射为推荐物品...

【专利技术属性】
技术研发人员：吕子钰，乔宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44