基于图神经网络的用户行为分析方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，提供了一种基于图神经网络的用户行为分析方法、装置、设备及介质。该方法包括：将初始二部图分成训练集和验证集，对训练集进行信息传播得到用户节点表示、推荐项节点表示及边标签；将用户节点表示与推荐项节点表示输入全连接网络得到梯度训练网络并对验证集计算得到屏蔽值；若屏蔽值大于预设值，则对初始二部图更新，根据初始网络模型对更新后的二部图迭代训练目标网络模型，将目标二部图输入目标网络模型得到结果；将目标二部图输入目标网络模型分析得到行为分析结果，根据分析结果向待测用户推送推荐项。本发明专利技术还涉及区块链技术领域，上述用户节点、推荐项节点还可以存储于一区块链的节点中。中。中。

【技术实现步骤摘要】
基于图神经网络的用户行为分析方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于图神经网络的用户行为分析方法、装置、设备及介质。

技术介绍

[0002]在推荐系统应用于深度学习模型时，通常以用户与推荐项为初始网络模型输入，以用户对该推荐项是否有过历史点击行为为标签进行训练，得到目标网络模型，将目标网络模型应用于用户对推荐项的预测推荐。
[0003]但是用户的点击行为存在一定的随机性或误触性，点击行为并不一定是用户兴趣的体现，点击行为通常伴随着噪声标签，而噪声标签在模型学习的过程中会干扰其收敛，以及影响目标网络模型的分析能力，使得目标网络模型给出的推荐项得分无法真实反应用户兴趣。

技术实现思路

[0004]鉴于以上内容，本专利技术提供一种基于图神经网络的用户行为分析方法、装置、设备及介质，其目的在于解决现有技术中噪声标签在预测模型学习的过程中会干扰其收敛，以及影响预测模型对用户行为分析的准确率不高的技术问题。
[0005]为实现上述目的，本专利技术提供一种基于图神经网络的用户行为分析方法，该方法包括：
[0006]从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
[0007]根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
[0008]将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
[0009]若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
[0010]将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
[0011]优选的，所述根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签，包括：
[0012]根据所述连接边将所有的初始二部图按随机比例分成训练集和验证集；
[0013]根据所述训练集的用户节点与推荐项节点的特征向量构建特征矩阵；
[0014]根据所述训练集的用户节点与推荐项节点的边连接关系构建邻接矩阵；
[0015]将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
[0016]优选的，所述初始网络模型包括两个以上的图卷积网络层，所述将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签，包括：
[0017]根据预设信息传播公式将所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合，形成下一图卷积网络层的特征向量；
[0018]当所述用户节点与所述推荐项节点在所述每层图卷积网络层进行信息聚合完成时，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
[0019]优选的，所述预设信息传播公式包括：
[0020][0021]其中，X
′
为所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合的特征向量，A为所述训练集的邻接矩阵，D为所述训练集的特征矩阵，W是可学习参数，σ是激活函数，X为所述特征矩阵的每一行任意节点的特征向量。
[0022]优选的，所述将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，包括：
[0023]将所述训练集所有的用户节点表示与推荐项节点表示进行两两拼接并输入至所述全连接网络；
[0024]根据所述全连接网络对所述训练集的用户节点与推荐项节点之间进行边预测，得到边标签对应的梯度训练网络。
[0025]优选的，所述根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值，包括：
[0026]根据所述梯度训练网络对所述验证集任意用户节点与推荐项节点之间网络关系进行计算，得到边网络关系值；
[0027]根据所述边网络关系值对所述验证集的连接边进行屏蔽统计，得到所述验证集的连接边的屏蔽值。
[0028]优选的，所述若所述屏蔽值大于预设值，则对初始二部图进行更新，包括：
[0029]A1、当所述验证集的屏蔽值大于预设值时，若所述初始二部图的用户节点与推荐项节点之间已经存在连接边，则保留所述连接边；
[0030]A2、若所述初始二部图的用户节点与推荐项节点之间未存在连接边，则将所述初始二部图的用户节点与推荐项节点进行边连接；
[0031]A3、重复A1
‑
A2直至将所述初始二部图所有的用户节点与推荐项节点之间的边关
系进行更新，得到更新后的二部图。
[0032]为实现上述目的，本专利技术还提供一种基于图神经网络的用户行为分析装置，所述装置包括：
[0033]获取模块用于：从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
[0034]训练模块用于：根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
[0035]训练模块还用于：将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
[0036]训练模块还用于：若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
[0037]应用模块：将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的用户行为分析方法，其特征在于，所述方法包括：从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。2.如权利要求1所述的基于图神经网络的用户行为分析方法，其特征在于，所述根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签，包括：根据所述连接边将所有的初始二部图按随机比例分成训练集和验证集；根据所述训练集的用户节点与推荐项节点的特征向量构建特征矩阵；根据所述训练集的用户节点与推荐项节点的边连接关系构建邻接矩阵；将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。3.如权利要求2所述的基于图神经网络的用户行为分析方法，其特征在于，所述初始网络模型包括两个以上的图卷积网络层，所述将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签，包括：根据预设信息传播公式将所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合，形成下一图卷积网络层的特征向量；当所述用户节点与所述推荐项节点在所述每层图卷积网络层进行信息聚合完成时，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。4.如权利要求3所述的基于图神经网络的用户行为分析方法，其特征在于，所述预设信息传播公式包括：其中，X
′
为所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合的特征向量，A为所述训练集的邻接矩阵，D为所述训练集的特征矩阵，W是可学习参数，σ是激活函数，X为所述特征矩阵的每一行任意节点的特征向量。
5.如权利要求1所述的基于图神经网络的用户行为分析方法，其特征在于，所述将所述用户节点表示与所述推荐项节点表示进行拼接...

【专利技术属性】
技术研发人员：李腾辉，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：