基于多异构图图神经网络的物品推荐方法技术

本发明专利技术提出了一种基于多异构图图神经网络的物品推荐方法，实现步骤为：获取用户信息、物品信息以及用户

【技术实现步骤摘要】
基于多异构图图神经网络的物品推荐方法


[0001]本专利技术属于数据挖掘信息推荐
，涉及一种物品推荐方法，具体涉及一种基于多异构图图神经网络的物品推荐方法，可应用于短视频推荐、商品推荐等


技术介绍

[0002]随着基于互联网技术的电子商务、社交媒体平台的快速发展，推荐系统已经成为很多企业提升盈利能力的不可或缺的工具。如何从海量的信息中挖掘用户最可能感兴趣的内容，提升物品推荐的准确性成为物品推荐的核心问题。尽管该问题已经存在很多得到广泛应用的解决方法，但这些方法在很大程度上仍依赖于用户
‑
物品交互信息来进行推荐，然而用户
‑
物品交互信息通常是稀疏的(即只有少量用户和物品间存在交互行为)，因此如何充分挖掘稀疏的用户
‑
物品交互信息，并利用其它的用户属性信息、物品属性信息等信息辅助推荐是提升物品推荐准确性的关键所在。由于推荐系统中的用户
‑
物品交互信息等许多形式的信息都可以被准确方便地用图的形式进行表示，与图神经网络的特点相契合，因此利用图神经网络进行物品推荐成为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多异构图图神经网络的物品推荐方法，其特征在于，包括如下步骤：(1)获取用户信息、物品信息以及用户
‑
物品交互信息：从真实数据集中提取M个用户u＝{u1,...,u
m
,...,u
M
}的属性信息S
U
＝{U1,...,U
m
,...,U
M
}、N个物品i＝{i1,...,i
n
,...,i
N
}的属性信息S
I
＝{I1,...,I
n
,...,I
N
}，以及M个用户与N个物品的D条用户
‑
物品交互信息L＝{L1,...,L
d
,...,L
D
}，每个用户u
m
与N个物品或其中的部分物品存在交互关系，其中，M≥500，N≥500，u
m
表示第m个用户，U
m
表示u
m
的包含K1个属性特征的属性信息，K1≥0，i
n
表示第n个物品，I
n
表示i
n
的包含K2个属性特征的属性信息，K2≥0，D＜＜M
×
N，L
d
表示第d条用户
‑
物品交互信息；(2)构建属性异构图：(2a)对每个用户u
m
的属性信息U
m
、每个物品i
n
的属性信息I
n
分别进行one
‑
hot编码，得到U
m
的one
‑
hot编码向量和I
n
的one
‑
hot编码向量并为增加M
‑
K1个零元素，同时为增加N
‑
K2个零元素，实现对和的扩展后，得到扩展后的维度为M的one
‑
hot编码向量和的扩展后的维度为N的one
‑
hot编码向量并将M个用户u扩展后的one
‑
hot编码向量作为u的新的属性信息，将N个物品i扩展后的one
‑
hot编码向量作为i的新的属性信息；(2b)构建以M个用户u＝{u1,...,u
m
,...,u
M
}及其新的属性信息N个物品i＝{i1,...,i
n
,...,i
N
}及其新的属性信息为节点，以用户u的新的属性信息与物品i的新的属性信息的并集中的每个属性信息为边且形式为矩阵的属性异构图G1，其中，表示大小为M
×
M的，由新的用户属性数据构建的用户属性特征矩阵，表示大小为N
×
N的，由新的物品属性数据构建的物品属性特征矩阵，表示实数域；(3)构建用户
‑
物品交互异构图：构建以M个用户u＝{u1,...,u
m
,...,u
M
}与N个物品i＝{i1,...,i
n
,...,i
N
}分别为节点，以D条用户
‑
物品交互信息L＝{L1,...,L
d
,...,L
D
}为边且形式为矩阵的用户
‑
物品交互异构图G2，其中，表示大小为M
×
N的、第m个用户u
m
与第n个物品i
n
存在交互时阵元R
m,n
＝1，不存在交互时阵元R
m,n
＝0的用户
‑
物品交互信息矩阵，[
·
]
T
表示转置操作；
(4)构建全相邻异构图：构建以M个用户u＝{u1,...,u
m
,...,u
M
}和N个物品i＝{i1,...,i
n
,...,i
N
}为节点，以每两个用户的连线以及每两个物品的连线为边的形式为矩阵的全相邻异构图G3，其中，1
(M
×
M)
表示大小为M
×
M的，所有阵元均为1的用户
‑
用户全相邻矩阵，1
(N
×
N)
表示大小为N
×
N的，所有阵元均为1的物品
‑
物品全相邻矩阵；(5)构建基于多异构图图神经网络的物品推荐模型H：构建包含顺次连接的属性辅助层GCN
A1
、图卷积神经网络GCN、全相邻辅助层GCN
A2
和预测层的物品推荐模型H，图卷积神经网络GCN包含顺次连接的K个图卷积层GCN1,...,GCN
k
,...,GCN
K
，且属性辅助层GCN
A1
和每个图卷积层GCN
k
与预测层相连接，其中，K≥2，GCN
k
表示第k个图卷积层；(6)对基于多异构图图神经网络的物品推荐模型进行迭代训练：(6a)初始化迭代次数为t，最大迭代次数为T，T≥1000，当前物品推荐模型为H
t
，初始化得到第m个用户的用户嵌入向量为第n个物品的物品嵌入向量为并令t＝0，H
t
＝H，(6b)将属性异构图G1、用户...

【专利技术属性】
技术研发人员：慕彩红，黄河源，张克洋，刘逸，吴建设，王蓉芳，冯婕，刘波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：