【技术实现步骤摘要】
一种基于有向和无向结构信息的图神经网络的项目推荐方法
[0001]本专利技术涉及推荐方法
，特别涉及基于有向和无向结构信息的图神经网络的项目推荐方法。
技术介绍
[0002]推荐系统是数据挖掘和机器学习领域最重要的下游应用之一。它能帮助平台用户缓解信息过载的问题，并在电商平台、音乐网站等等的许多网页应用中挑选出有价值的信息。在大部分推荐系统中用户的行为序列是按照时间排列的，并且呈现出匿名性和大数据量的特征。为了预测用户在下一时刻的行为信息，基于会话序列的推荐通过挖掘用户历史行为中的序列顺序特征信息，从而学习用户的喜好。
[0003]会话序列指的是在一段时间间隔内的由用户点击而产生的项目序列；而基于会话序列的推荐能捕捉到序列内部的依赖关系对序列预测的重要性。换言之，用户在某一个会话序列中通常有着一个共同的目的，例如购买夏装衣物；而用户在不同序列间的行为特性可能关联性就不大，例如在其他会话中用户的目的是购买手机配件等。基于会话序列的推荐就是要预测用户的下一个点击，也就是会话s中的序列标签v
n+1
...
【技术保护点】
【技术特征摘要】
1.一种基于有向和无向结构信息的图神经网络的项目推荐方法，其特征在于，所述方法包括：S1、令V代表所有会话序列中出现过的项目的集合，即那么一条长度为n的匿名会话序列就可以用表示，且会话s中的项目是按时间先后顺序排列的，每个v
i
∈V代表了用户在会话s中点击的项目；S2、接收历史会话序列，将所述历史会话序列转换为有向会话序列图G
s
＝(V
s
,ε
s
,A
s
)，其中V
s
代表点集，ε
s
代表边集，A
s
代表邻接矩阵的集合，将A
s
定义为三个邻接矩阵定义为三个邻接矩阵和的拼接，其中，代表的是无向图的带权重邻接矩阵，而和分别代表的是带权重的入度邻接矩阵和出度邻接矩阵；S3、把结点v
i
∈V映射到随机嵌入向量空间中得到d维向量表示利用图卷积网络提取会话序列图中项目的第一中间隐含向量，利用门控图神经网络提取会话序列图中项目转换的第二中间隐含向量，通过第一线性变换得到项目隐含向量；S4、将项目隐含向量输入目标注意力网络，从而得到会话序列s基于目标注意力的向量；S5、获取会话序列s的全局信息和局部信息，通过第二线性变换构造出会话向量表示；S6、通过softmax函数对会话序列s预测所有目标项目被点击的概率，从而推荐概率大的项目。2.根据权利1所述的基于有向和无向结构信息的图神经网络的项目推荐方法，其特征在于，利用图卷积网络提取会话序列图中项目的第一中间隐含向量的步骤如下：S31、生成会话序列图的特征矩阵X；会话序列图中的每个结点v
i
对应的d维特征向量的堆叠构成会话序列图的特征矩阵的堆叠构成会话序列图的特征矩阵的堆叠构成会话序列图的特征矩阵S32、对于第k层的图卷积层，用矩阵H
(k
‑
1)
表示所有结点的输入向量，用H
(k)
表示结点的输出向量，其中，最初的d维结点向量就是初始输入到图卷积层网络首层的特征，公式为：H
(0)
＝X,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)每个图卷积层的输入前，每个结点v
i
的特征都跟它的局部邻居的特征向量进行均值化，计算公式为：其中，a
ij
为结点v
i
和v
j
之间的边权重，d
i
＝∑
j
a
ij
；S33、图卷积网络的输出为第一中间隐含向量。3.根据权利要求2所述的项目推荐方法，其特征在于，利用图卷积网络提取会话序列图中项目的第一中间隐含向量的步骤如下：中项目的第一中间隐含向量的步骤如下：
其中S代表“对称归一化”后带自环的邻接矩阵，并且是的度矩阵，
⊙
是点乘运算符，为图卷积网络的传播矩阵，α和β为超参数，I是单位矩阵，为输出的第一中间隐含向量。4.根据权利要求3所述的项目推荐方法，其特征在于，对于有边相连的项目，通过提高公式(4)的左半部分的权重，提高矩阵中自我信息的注意力，超参α和超参β用于控制传播矩阵信息和单位阵信息的比例，从而控制传播过程中带注意力的结点信息的吸收比例。5.根据权利2
‑
4任一权利要求所述的项目推荐方法，其特征在于，利用门控图神经网络提取会话序列图中项目转换的第二中间隐含向量的步骤为：提取会话序列图中项目转换的第二中间隐含向量的步骤为：提取会话序列图中项目转换的第二中间隐含向量的步骤为：提取会话序列图中项目转换的第二中间隐含向量的步骤为：提取会话序列图中...
【专利技术属性】
技术研发人员：王庆梅，王铮，胡承佐，靳博文，
申请(专利权)人：北京科技大学，
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。