【技术实现步骤摘要】
融合社交关系的图卷积协同过滤推荐方法
[0001]本专利技术涉及一种推荐方法,尤其涉及一种融合社交关系的图卷积协同过滤推荐方法。
技术介绍
[0002]在信息爆炸的时代,推荐系统已经成为帮助用户发现自己感兴趣的海量数据的最有效方式之 一,它的核心是根据用户的购买和点击等历史互动情况来估计用户接受道具的可能性。一般来说, 推荐系统通常遵循两个步骤:学习用户和物品的向量化表示(嵌入),然后模拟它们之间的交互(例 如,用户是否购买该物品)。协同过滤(Collaborative filtering,CF)基于用户—物品二部图上的历史交 互学习节点嵌入,并基于参数预测用户偏好从而进行物品推荐。
[0003]一般来说,在可学习CF模型中有两个关键组成部分:1)嵌入,它将用户和物品转换为向量化 的表示;2)交互建模,它基于嵌入重建历史交互。例如,矩阵分解(MF)直接嵌入用户和物品ID作 为向量,并使用内积建模用户—物品交互;协同深度学习通过整合物品丰富边信息的深度表示, 扩展了MF嵌入函数;神经协同过滤模型用非线性神经网络代替内积的MF交互函数;基于平移 的CF模型则使用欧几里得距离度量作为交互函数等。
[0004]尽管这些方法是有效的,但这些方法只使用描述性特征(如ID和属性)而不是考虑用户—物品 交互信息来构建嵌入函数,而用户—物品交互仅用于定义模型训练的目标函数,其嵌入函数缺乏 对隐藏在在用户—物品交互数据总的关键协同信号的显式编码从而产生不足以为CF生成令人满 意的嵌入。
[0005]受到图神经网络 ...
【技术保护点】
【技术特征摘要】
1.一种融合社交关系的图卷积协同过滤推荐方法,其特征在于,包括以下步骤:S1,随机初始化节点的嵌入矩阵并查询分别得到用户u和物品i的初始化嵌入;S2,在获得节点的初始化嵌入之后,用语义聚合层来聚合并更新节点嵌入;首先在语义聚合层引入一阶语义聚合而后将一阶语义聚合扩展到各层,实现高阶语义聚合;S3,在分别得到社交嵌入传播层的语义聚合嵌入向量和交互嵌入传播层的语义聚合嵌入向量之后,先将社交嵌入传播层和交互嵌入传播层的用户嵌入向量进行融合;而后将各嵌入传播层得到的各阶嵌入进行加权求和融合得到最终的用户嵌入和物品嵌入;所述融合采用先逐元素相加,再行正则化的聚合方式;S4,根据物品的嵌入为用户推荐产品。2.根据权利要求1所述的一种融合社交关系的图卷积协同过滤推荐方法,其特征在于,所述S2中的一阶语义聚合包括:交互嵌入传播层通过聚合交互物品的嵌入来细化用户的嵌入,以及通过聚合交互用户的嵌入来细化物品的嵌入;一阶语义聚合分别如式(1)和式(2)所示:一阶语义聚合分别如式(1)和式(2)所示:其中,e
u
表示通过交互嵌入传播层的语义聚合得到的用户u的嵌入;AGG(
·
)是聚合函数;H
u
代表用户u的一阶邻居集合,即和用户u发生过交互的物品集合;e
i
表示物品i的嵌入;H
i
代表物品i的一阶邻居集合,即和物品i发生过交互的用户集合;社交嵌入传播层通过聚合朋友来细化用户的嵌入,将在社交嵌入传播层进行语义聚合的用户嵌入记为c,则社交嵌入传播层的一阶语义聚合过程如式(3)所示:其中,c
u
表示通过社交嵌入传播层的语义聚合得到的用户u的嵌入;c
v
表示通过社交嵌入传播层的语义聚合得到的用户v的嵌入;用户v是用户u的一阶好友,v≠u;AGG(
·
)是聚合函数;F
u
代表用户u的朋友集合。3.根据权利要求1所述的一种融合社交关系的图卷积协同过滤推荐方法,其特征在于,所述S2中的高阶语义聚合通过叠加多个一阶语义聚合层,实现高阶语义的聚合;所述高阶语义聚合包括:社交嵌入传播层的语义聚合和交互嵌入传播层的语义聚合:所述社交嵌入传播层的语义聚合包括:社交嵌入传播层的语义聚合通过叠加多个社交嵌入传播层来捕获更高阶的朋友信号以达到加强用户嵌入的目的,该过程的数学表达如式(4)和式(5)所示:
其中,表示通过社交嵌入传播层的语义聚合得到的第k+1层的用户u的嵌入向量;F
u
代表用户u的朋友集合;F
v
代表用户v的朋友集合;是指通过社交嵌入传播层的语义聚合得到的第k层的用户v的嵌入向量;是指通过社交嵌入传播层的语义聚合得到的第k+1层的用户v的嵌入向量;表示通过社交嵌入传播层的语义聚合得到的第k层的用户u的嵌入向量;|
·
|表示求集合中元素的个数;所述交互嵌入传播层的语义聚合包括:交互嵌入传播层的语义聚合通过叠加多个交互嵌入传播层来捕获交互高阶连通性性的协同信号从而加强用户和物品嵌入,该过程的数学表达如式(6)和式(7)所示:该过程的数学表达如式(6)和式(7)所示:其中,表示第k+1层的物品i的嵌入;H
i
代表物品i的一阶邻居集合;H
u
代表用户u的一阶邻居集合;表示第k层的用户u的嵌入;表示第k+1层的用户u的嵌入;表示第k层的物品i的嵌入;|
·
|表示求集合中元素的个数。4.根据权利要求1所述的一种融合社交关系的图卷积协同过滤推荐方法,其特征在于,所述S3中融合的过程包括:其中,表示对社交嵌入传播层和交互嵌入传播层的第k层用户嵌入向量进行融合;表示通过交互嵌入传播层的语义聚合得到的第k层的用户u的嵌入;表示通过社交嵌入传播层的语义聚合得到的第k层的用户u的嵌入向量;g(
·
)为聚合方式。5.根据权利要求1所述的一种融合社交关系的图卷积协同过滤推荐方法,其特征在于,所述S3中的用户嵌入和物品嵌入包括:
其中,是对社交嵌入传播层和交互嵌入传播层进行融合的用户u的嵌入;K表示总层数;α
k
是在第k层对用户的嵌入进行聚合时的权重;表示对社交嵌入传播层和交互嵌入传播层的第k层用户嵌入向量进行融合;e
i
是物品i的嵌入;β
k
是第k层对物品的嵌入进行聚合时的权重;表示第k层的物品i的嵌入。6.根据权利要求1所述的一种融合社交关系的图卷积协同过滤推荐方法,其特征在于,所述采用先逐元素相加,再行正则化的聚合方式包括:其中,norm(
·
)表示行正则化;表示对逐元素相加;表示通过交互嵌入传播层的语义聚合得到的第k+1层的用户u的嵌入;表示通过社交嵌入传播层的语义聚合得到的第k+1层的用户u的嵌入向量。7.根据权利要求1所述的一种融合社交关系的图卷积协同过滤推荐方法,其特征在于,所述S4包括:使用用户与...
【专利技术属性】
技术研发人员:刘小洋,赵正阳,马敏,吴玉蝶,
申请(专利权)人:重庆理工大学,
类型:发明
国别省市:
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。