【技术实现步骤摘要】
基于解耦式双通道超图神经网络的协同过滤推荐方法和系统
[0001]本申请涉及推荐系统
，尤其涉及一种基于解耦式双通道超图神经网络的协同过滤推荐方法和系统。
技术介绍
[0002]作为解决信息过载问题的有效方式，推荐系统已经被广泛地应用于电子商务等领域。在推荐系统中，基于用户历史行为信息的协同过滤方法是其中一种广泛使用的方法。对于协同过滤而言，如何准确地建模用户和物品的关系并挖掘协同信息则是其中的关键问题。近年来，由于超图神经网络在建模复杂数据关联时体现出了更强的表达能力和灵活性，一些研究人员提出基于超图神经网络的协同过滤算法。然而，现有方法在建模用户和物品的关系时未能充分地考虑其交互时存在的不同意图，难以准确地描述用户和物品间的关系。
技术实现思路
[0003]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0004]为此，本申请的第一个目的在于提出一种基于解耦式双通道超图神经网络的协同过滤推荐方法，解决了现有方法在建模用户和物品的关系时未能充分地考虑其交互时存在的不同意图，难以准确...
【技术保护点】
【技术特征摘要】
1.一种基于解耦式双通道超图神经网络的协同过滤推荐方法，其特征在于，包括以下步骤：获取用户
‑
物品交互图，并随机初始化得到用户特征、物品特征；根据所述用户
‑
物品交互图，采用双通道超图构建方法构建用户超图结构和物品超图结构；根据所述用户特征和物品特征，采用意图感知的特征提取模块获得用户特征表示和物品特征表示；根据所述用户超图结构、所述物品超图结构、所述用户特征表示、所述物品特征表示，采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；对所述新的用户特征和所述新的物品特征进行特征融合，得到用户最终特征表示和物品最终特征表示；使用所述用户最终特征表示和所述物品最终特征表示的点乘结果来表示用户对该物品的偏好，其中，所述点乘结果越大，代表所述用户对所述物品偏好越大。2.如权利要求1所述的方法，其特征在于，采用双通道超图构建方法构建所述用户超图结构，包括以下步骤：定义物品的k阶可达矩阵为：其中，邻接矩阵H为所述用户
‑
物品交互图，M为物品数量；基于所述物品的k阶可达矩阵，对应的用户的超边组邻接矩阵表示为：其中，N为用户数量，M为物品数量；使用所述用户的超边组邻接矩阵中的一阶矩阵和二阶矩阵进行超边组拼接得到最终的用户超图，所述用户超图表示为：其中，为所述用户的超边组邻接矩阵中的一阶矩阵，为所述用户的超边组邻接矩阵中的二阶矩阵；根据所述用户超图得到用户超图结构，所述用户超图结构表示为：其中，H
u
为所述用户超图，采用双通道超图构建方法构建所述物品超图结构，包括以下步骤：定义用户的k阶可达矩阵为：其中，邻接矩阵H为所述用户
‑
物品交互图，M为物品数量，N为用户数量；
基于所述用户的k阶可达矩阵，对应的物品的超边组邻接矩阵表示为：其中，使用所述物品的超边组邻接矩阵中的一阶矩阵和二阶矩阵进行超边组拼接得到最终的物品超图，所述物品超图表示为：其中，为所述用户的超边组邻接矩阵中的一阶矩阵，为所述用户的超边组邻接矩阵中的二阶矩阵；根据所述物品超图得到物品超图结构，所述物品超图结构表示为：其中，H
i
为所述物品超图。3.如权利要求1所述的方法，其特征在于，采用意图感知的特征提取模块获得用户特征表示和物品特征表示，具体表示为：表示和物品特征表示，具体表示为：表示和物品特征表示，具体表示为：表示和物品特征表示，具体表示为：其中，表示对于用户u
j
及其特征该用户在第k个意图的潜在特征，和为可训练参数，表示对于物品i
t
及其特征该物品在第k个意图的潜在特征，和为可训练参数，R为实数域，D为特征维度，K为意图数量，σ为激活函数。4.如权利要求1所述的方法，其特征在于，采用所述多个叠加的超图解耦模块获取新的用户特征和物品特征，包括以下步骤：根据所述用户特征表示、所述物品特征表示对相应的用户超图结构、物品超图结构中的非零元素进行更新，对更新后的用户超图结构、物品超图结构归一化，得到新的用户超图结构和新的物品超图结构；根据所述更新后的用户超图结构、所述更新后的物品超图结构对所述用户特征表示、所述物品特征表示进行超图卷积操作，得到更新后的用户特征、物品特征；使用基于距离关联的损失函数来计算所述更新后的用户特征、物品特征中不同意图特征之间的关联性损失。5.如权利要求4所述的方法，其特征在于，根据所述用户特征表示、所述物品特征表示
对相应的用户超图结构、物品超图结构中的非零元素进行更新，更新后的用户超图结构、物品超图结构表示为：品超图结构表示为：其中，j，m分别为用户和超边的编号，c
i,k
(m)为构建用户超边H
u,k
(:,m)时所使用的物品的...
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。