【技术实现步骤摘要】
融合多特征信息的加权图卷积神经网络评分预测模型
[0001]本专利技术涉及一种融合多特征信息的加权图卷积神经网络评分预测模型,属于深度学习领域。
技术介绍
[0002]近年来,随着云计算、大数据等IT技术高速发展,如今的互联网上的数据规模呈爆炸式增长。巨大的信息量中往往蕴含着丰富的使用价值和商业潜力,但同时也带来了互联网时代的“信息过载”问题。因此高效而准确的个性化推荐系统(Recommendation System,RS)也就应运而生,成为学术界和工业界上的关注热点。近年来,图神经网络(GNN,Graph Neural Network)的研究逐渐兴起,这是一种对图数据进行研究的神经网络。研究发现在推荐系统中,实体之间的关系如用户与用户、用户与项目和项目与项目都可以在图中表示出来。受图嵌入思想和卷积神经网络的启发,利用图卷积神经网络(GCN,Graph Convolutional Networks)在图领域对数据进行特征提取和表示已经成为GNN中的主要研究方法之一。目前,国内外对GCN在推荐领域中的研究已经取得了一定的进展,比如GC
‑
MC和NGCF,这两种方法挖掘出了用户—项目二部图中蕴涵的连接关系,使用GCN直接在二部图中提取特征,但是都忽略了同质顶点相似性信息,丢弃了部分节点属性特征,即也忽视了用户与用户,项目与项目之间的实体关系。
[0003]有鉴于此,确有必要提出一种新的融合多特征信息的加权图卷积神经网络评分预测模型,以解决上述问题。
技术实现思路
[0004]本专 ...
【技术保护点】
【技术特征摘要】
1.一种融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于,包括以下步骤:步骤1:建立用于提取用户特征的加权图卷积神经网络用户模型,所述加权图卷积神经网络用户模型输出用户潜在特征向量矩阵U;步骤2:建立用于提取项目特征的加权图卷积神经网络项目模型,所述加权图卷积神经网络项目模型输出项目潜在特征向量矩阵V;步骤3:将所述步骤1中的用户潜在特征向量矩阵U和所述步骤2中的项目潜在特征向量矩阵V进行连接,得到连接矩阵,将所述连接矩阵输入到评分预测模型中的多层感知机中,得到用户对项目的预测评分;步骤4:将步骤3得到的预测评分与实际评分进行对比,通过优化函数对步骤3中的所述多层感知机的参数进行优化,以更新所述评分预测模型。2.根据权利要求1所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:所述步骤1具体包括:步骤11:获取用户对项目的历史评分数据,设m个用户对n个项目的评分矩阵为R,R∈R
m
×
n
,评分取值为{1,2,
…
,I},I为最大评分数,所述评分矩阵R中行向量为每个用户对全部项目的评分,对用户未评分的项目以0填充;步骤12:建立用于提取用户特征的加权图卷积神经网络用户模型;步骤13:建立所述加权图卷积神经网络用户模型的用户特征矩阵X
u
,并输入所述加权图卷积神经网络用户模型;步骤14:建立用户相似度矩阵并作为用户邻接矩阵A
u
,并输入所述加权图卷积神经网络用户模型,所述用户邻接矩阵A
u
∈R
m
×
m
;步骤15:通过图卷积函数得到用户潜在特征向量矩阵U。3.根据权利要求2所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:步骤13中所述用户特征矩阵X
u
的构建具体步骤为:步骤131:引入基于用户兴趣变化的时间加权函数:其中,函数自变量t为用户对项目的当前评分时间和参考时间的时间间隔,参数T
max
为用户对项目最新评分时间和参考时间的时间间隔,参数T
min
为用户对项目最早评分时间和参考时间的时间间隔;步骤132:利用用户对项目评分时间通过时间加权函数f(t)对所述评分矩阵R进行修正,实现评分按时间衰减以此反应用户的兴趣变化,修正公式:r
′
ij
=f(t)
·
r
ij
其中,f(t)表示用户i在t时刻对项目j的评分时间权重,r
ij
表示用户i对项目j的初始评分,得到用户—项目修正评分矩阵R1;步骤133:将步骤132中的用户—项目修正评分矩阵R1作为用户特征进行编码,生成的低维嵌入向量作为用户图卷积层的输入,采用的编码函数为:
其中,是待学习的用户编码矩阵,得到用户特征矩阵X
u
。4.根据权利要求2所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:步骤14中作为输入邻接矩阵的用户相似度矩阵A
u
的构建具体步骤为:在用户同质图中,用户节点n
i
和n
j
之间的连接边的权值由他们的相似度来确定且不考虑连边的有向性,已知节点n
i
和n
j
之间的相似度α
...
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。