一种基于接受度增强的图神经网络的动态推荐方法技术

本发明专利技术公开了一种基于接受度增强的图神经网络的动态推荐方法，包括以下步骤：构建物品动态图；构建原始物品动态图；获取物品的表示向量；获取用户的表示向量和模型预测与优化。本发明专利技术将用户与物品的交互以物品动态图的形式进行动态建模，建立的有向图可以表明用户选择的物品的动态转移关系，通过挖掘该物品动态图，分析出用户的兴趣转移走向，有效解决用户的兴趣随时间流逝发生漂移的问题；该方法将与用户交互的物品分为长期序列与短期序列，并分别从二者挖掘到了用户的固有兴趣与短期兴趣，同时兼顾二者，使得推荐的物品既符合用户需要，又满足用户当下需求；该方法通过群体智慧来提升推荐效果，提升了推荐的准确性与多样性。性。性。

【技术实现步骤摘要】
一种基于接受度增强的图神经网络的动态推荐方法


[0001]本专利技术涉及基于大数据和深度学习的推荐系统
，特别涉及一种基于接受度增强的图神经网络的动态推荐方法。

技术介绍

[0002]随着信息技术的普及，人们在日常生活中每天都会暴露在大量的数据信息当中，例如各种新闻、视频网站，广告信息等等。然而这些信息不可避免地会造成信息过载问题，所谓信息过载问题是指网络中过剩的信息干扰了用户快速准确地找寻对其有用的信息。高效的推荐方法是解决信息过载问题的有效途径之一，它可以为用户搜寻并推荐满足其个性化需求的物品，目前已经被广泛应用于各种在线信息平台中。
[0003]一种传统的推荐方法是协同过滤，它基于假设——在过去具有相似行为的用户在未来对物品的选择上也会有相似的偏好。协同过滤为每个用户和每个物品分配一个表示向量，然后通过内积或神经网络等特定的匹配函数对这些用户和物品进行匹配。然而这种基于协同过滤的推荐方法通常以一种静态的方式对用户和物品的交互进行建模，只能捕捉用户长期的固有兴趣，无法动态的跟踪用户的短期偏好，无法解决用户兴趣转移的问题。本专利技术为了快速跟踪用户的兴趣偏好，将对用户和物品的交互进行动态序列化建模，并设计了一种动态推荐方法。
[0004]为了通过对用户和物品的交互进行的动态序列化建模，快速的把握用户的短期兴趣，对用户和物品的交互数据的准确性会有更高的要求，然而用户对物品的选择会存在一定的随机性与不准确性，即用户会在候选集中会相对随机地选中某个物品，被选中的物品可能并不符合用户的兴趣偏好。用户和物品的交互数据中不准确的物品会带来较大的噪声或者扰动，影响最终推荐的质量。本专利技术为了降低噪声扰动的影响，引入接受度的概念，对用户选择物品的接受程度进行计算，并对动态序列进行重构，以完成对不准确物品的过滤，降低数据扰动的影响。
[0005]图神经网络是深度学习技术在近几年的最新发展，它可以有效的处理图数据，被广泛应用于社交网络、推荐系统等领域中。它的核心思想是构建一个多层的迭代的框架，在每一层中每个节点会融合邻居节点的信息以完成自身信息的更新，通过多层的迭代后会获得节点低维稠密的向量表示。针对序列问题，利用门控信息来进行更新的门控图神经网络(Gated Graph NeuralNetwork，GGNN)具有突出的表现力，它将Gate Recurrent Unit(GRU)与图神经网络结合，可以有效处理图数据，又可以兼顾图中的序列化信息。因此本专利技术考虑引入GGNN完成动态推荐过程。
[0006]本专利技术提供了一种基于接受度增强的图神经网络的动态推荐方法。先将用户和物品的交互数据以序列的形式建立原始物品动态图，以表明用户兴趣的动态变化过程。再利用接受度重构物品动态图，并通过门控图神经网络GGNN 解析物品动态图，获取物品的表示向量。然后针对每一用户，根据与其的过去交互的所有物品来获取用户的长期偏好，再根据其短期内交互的物品，利用接受度重构短期交互序列，获取其短期兴趣，最后融合用户的长
期偏好和短期兴趣获得用户的表示向量。本专利技术一方面对物品进行动态建模，可以挖掘到用户兴趣的动态变化过程，并引入接受度的概念完成了对噪声数据的过滤，提升了短期交互建模过程的鲁棒性，另一方面同时兼顾到了用户的长期偏好与短期兴趣，可以快速准确地跟踪用户的需求。

技术实现思路

[0007]本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于接受度增强的图神经网络的动态推荐方法，通过对用户和物品的交互数据以序列的形式构建物品动态图，再利用门控图神经网络挖掘用户兴趣的动态变化过程。然后同时挖掘用户的长期偏好与短期兴趣，快速抓取用户的实际需求。本专利技术通过挖掘用户与物品交互的动态信息，来提高推荐系统的推荐效果。
[0008]本专利技术提供了如下的技术方案：
[0009]本专利技术提供一种基于接受度增强的图神经网络的动态推荐方法，包括以下步骤：
[0010]一、构建原始物品动态图
[0011]每个用户在在线推荐平台中进行交互时根据其停留、关注、购买的时序信息可以组成一个物品序列，然后将所有用户构成的物品序列连接在一起得到我们所需要的原始物品动态图；即每个用户产生的物品序列为原始物品动态图的一个子图，原始物品动态图包含所有用户对物品选择的动态转移信息，体现了用户的兴趣转移过程；
[0012]原始物品动态图的构建过程：用户的物品序列可以连结成一个有向图，即原始物品动态图，随着用户数目的增加，物品序列的加长，原始物品动态图也会随之变大；在构建好原始物品动态图后，将图中的边赋予一定的权值，权值的大小为头节点到尾节点边的个数除以头节点的出度；
[0013]二、获取物品的表示向量
[0014]在构建用户原始物品动态图后，我们需要以此来获得用户的表示向量；为了通过物品动态图快速的把握用户的短期兴趣，对物品动态图的准确性会有更高的要求，然而用户对物品的选择会存在一定的随机性与不准确性，即用户会在候选集中随机地选中某个物品，被选中的物品可能并不符合用户的兴趣偏好；物品动态图中不准确的物品会带来较大的噪声，影响表示学习的质量；这里我们引入接受度的概念，并结合图神经网络完成对不准确物品的过滤；
[0015]面对由序列构成的有向图，门控图神经网络GGNN有突出的表现力，因此我们选择GGNN解析图的结构来获取物品的表示向量；GGNN为多层的迭代结构，在本专利技术中每层迭代分为两部分，第一部分利用接受度进行物品动态图重构，将不准确的物品以一定的概率进行丢弃(或降权)，第二部分直接通过GGCN 对重构后的动态图进行表示学习更新；
[0016]物品动态图重构如下：
[0017]首先计算原始物品动态图中，每个物品相对前一个物品的接受度(每条边的终节点对起始节点)，表示用户在选择上一个物品后继续选择下一个物品的概率，计算公式如下：
[0018][0019]这里M
ij
为用户选择物品i后对物品j的接受度，
[0020]ω1，ω2∈R
d
×
d
，α∈R2×
d
为相应的权值矩阵，σ(
·
)为sigmoid激活函数，将数据映射为0
‑
1之间的概率值；
[0021]在获得物品之间的接受度之后，将其与自身的有向边权值相乘得到重构后的权值，在这里引入一个阈值δ1，低于该阈值的表示对下一个物品的选择是个噪声扰动，直接去掉；
[0022]表示学习更新过程如下：
[0023][0024][0025][0026][0027][0028]这里v
i
是图中的节点，n为节点总数；H∈R
d
×
2d
代表权值矩阵，z
i
与r
i
分别代表重置和更新门，A∈R
n
×
2n
为重构图的两个邻接矩阵，即传出边邻接矩阵与传入边邻接矩阵拼接而成，A
i
∈R1×
2n<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于接受度增强的图神经网络的动态推荐方法，其特征在于，包括以下步骤：一、构建原始物品动态图每个用户在在线推荐平台中进行交互时根据其停留、关注、购买的时序信息可以组成一个物品序列，然后将所有用户构成的物品序列连接在一起得到我们所需要的原始物品动态图；即每个用户产生的物品序列为原始物品动态图的一个子图，原始物品动态图包含所有用户对物品选择的动态转移信息，体现了用户的兴趣转移过程；原始物品动态图的构建过程：用户的物品序列可以连结成一个有向图，即原始物品动态图，随着用户数目的增加，物品序列的加长，原始物品动态图也会随之变大；在构建好原始物品动态图后，将图中的边赋予一定的权值，权值的大小为头节点到尾节点边的个数除以头节点的出度；二、获取物品的表示向量在构建用户原始物品动态图后，我们需要以此来获得用户的表示向量；为了通过物品动态图快速的把握用户的短期兴趣，对物品动态图的准确性会有更高的要求，然而用户对物品的选择会存在一定的随机性与不准确性，即用户会在候选集中随机地选中某个物品，被选中的物品可能并不符合用户的兴趣偏好；物品动态图中不准确的物品会带来较大的噪声，影响表示学习的质量；这里我们引入接受度的概念，并结合图神经网络完成对不准确物品的过滤；面对由序列构成的有向图，门控图神经网络GGNN有突出的表现力，因此我们选择GGNN解析图的结构来获取物品的表示向量；GGNN为多层的迭代结构，在本发明中每层迭代分为两部分，第一部分利用接受度进行物品动态图重构，将不准确的物品以一定的概率进行丢弃(或降权)，第二部分直接通过GGCN对重构后的动态图进行表示学习更新；物品动态图重构如下：首先计算原始物品动态图中，每个物品相对前一个物品的接受度(每条边的终节点对起始节点)，表示用户在选择上一个物品后继续选择下一个物品的概率，计算公式如下：这里M
ij
为用户选择物品i后对物品j的接受度，ω1，ω2∈R
a
×
d
，α∈R2×
d
为相应的权值矩阵，σ(
·
)为sigmoid激活函数，将数据映射为0
‑
1之间的概率值；在获得物品之间的接受度之后，将其与自身的有向边权值相乘得到重构后的权值，在这里引入一个阈值δ1，低于该阈值的表示对下一个物品的选择是个噪声扰动，直接去掉；表示学习更新过程如下：表示学习更新过程如下：表示学习更新过程如下：表示学习更新过程如下：表示学习更新过程如下：
这里v
i
是图中的节点，n为节点总数；H∈R
d
×
2d
代表权值矩阵，z
i
与r
i
分别代表重置和更新门，A∈R
n
×
2n
为重构图的两个邻接矩阵，即传出边邻接矩阵与传入边邻接矩阵拼接而成，A
i
∈R1×
2n
为A矩阵中v
i
对应的两列；σ(
·
)为sigmoid激活函数，经过更新后得到v
i
∈R
d
；通过多层的迭代
‑
动态图重构
‑
表示学习更新，我们能得到物品节点...

【专利技术属性】
技术研发人员：程明杰，徐小龙，邬晶，李少远，周松，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：