一种图卷积神经网络推荐方法、系统、设备、介质及终端技术方案

本发明专利技术属于信息推荐系统技术领域，公开了一种图卷积神经网络推荐方法、系统、设备、介质及终端。融合时间上下文信息和流行度的图卷积神经网络推荐方法包括：将时间衰减函数和流行度函数输入构建的图卷积神经网络推荐模型的嵌入层；基于图卷积神经网络推荐模型利用将用户数据转换的邻接矩阵对输入的所述时间衰减函数和流行度函数进行节点之间的聚合，再进入下一层，对聚合结果进行更新，直到前一层和聚合邻居信息后的输出的结果一致。本发明专利技术添加时间衰减函数进行聚合，使其在聚合一阶邻居的传播嵌入时区分邻近节点对目标节点的贡献度，能很好的捕捉到用户爱好随时间偏移的变化，流行度函数能极大的提高推荐精确度和用户满意度。度函数能极大的提高推荐精确度和用户满意度。度函数能极大的提高推荐精确度和用户满意度。

【技术实现步骤摘要】
一种图卷积神经网络推荐方法、系统、设备、介质及终端


[0001]本专利技术属于信息推荐系统
，尤其涉及一种融合时间上下文信息和流行度的图卷积神经网络推荐方法、融合时间上下文信息和流行度的图卷积神经网络推荐系统、接收用户输入程序存储介质、计算机设备及用于商品购物的信息数据处理终端。

技术介绍

[0002]随着大数据时代的到来，各种信息资源纷纷涌现，信息过载问题愈发凸显，用来筛选信息的推荐系统的出现即能有效的解决信息过载问题，也能根据交互信息为用户推荐用户感兴趣的物品。传统的推荐方法依赖于用户和物品交互的历史信息，这导致了数据稀疏或冷启动等问题的出现，而传统深度学习的推荐算法很少能够处理图结构信息，将图神经网络引入推荐系统中，通过图的节点之间的消息传递来捕捉图上的依赖关系为推荐系统带来了更好的实体表示和更强的解释能力，从而提升模型的预测精度。
[0003]但是在用户偏好会随着时间变化而改变问题和普遍存在着流行度长尾效应，即越热门的物品越容易被系统推荐，越冷门的物品越难以被系统推荐问题。
[0004]通过上述分析，现有技术存在的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，应用于客户端，所述融合时间上下文信息和流行度的图卷积神经网络推荐方法包括：将时间衰减函数和流行度函数输入构建的图卷积神经网络推荐模型的嵌入层；基于所述图卷积神经网络推荐模型将用户数据转换为邻接矩阵，对输入的所述时间衰减函数和流行度函数在图结构上进行传播聚合，直到前一层和聚合邻居节点信息后的输出结果一致，停止聚合。2.根据权利要求1所述的融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，所述将时间衰减函数和流行度函数输入构建的图卷积神经网络推荐模型的嵌入层前，需进行：从数据集中获取用户ID、项目ID、评分数据和时间戳项目交互记录数据；对项目交互记录数据进行数据筛选、缺失值填充或者删除的预处理；基于预处理后的项目交互记录数据构建时间衰减函数和流行度函数。3.根据权利要求2所述的融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，构建时间衰减函数中，时间衰减函数公式为：其特征在于，构建时间衰减函数中，时间衰减函数公式为：其中，t
u，i
是u和i交互发生的时间，是u与其所有一阶邻居中最早的交互发生时间，是u与其所有一阶邻居中最晚的交互发生时间，使用的时间是U
nix
时间戳；针对同一用户的不同交互发生的时间存在差别，使用Sigmoid()函数将时间数据缩放到(0.5，1)之间，T
u,i
是对应的时间分数，衡量用户u与物品i交互发生的相对时间；然后将同一用户所有的时间分数T
u,i
通过Softmax函数归一化获得对应的时间衰减函数权重因子β
u,i
；从时间的角度，对于时间越近产生的交互,Sigmoid()函数的值更大，T
u,i
和β
u,i
的值更接近于1，从e
i
传播到e
u
的嵌入信息的衰减程度越小，对于越早产生的交互,Sigmoid()函数的值越小，T
u,i
和β
u,i
越接近于零，嵌入信息的衰减程度越大。4.根据权利要求2所述的融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，构建流行度函数中，流行度函数为：pop＝ln(1+|N(i)|)；N(i)是购买过此物品的人数，物品的点击量越大，pop的值越大，流行度所占的比重越大。5.根据权利要求1所述的融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，所述图卷积神经网络推荐模型的构建包括：对于产生交互的一对用户
‑
物品(u,i)，定义从物品嵌入传播到用户嵌入的信息为：I
u
←
i
＝f(e
u
,e
i
,t
u,i
)；其中，I
u
←
i
表示从物品i传播到用户u的嵌入信息，e
u
、e
i
分别是用户嵌入和物品嵌入，t
u,i
交互发生的时间；f(
·
)是信息传播函数，主要功能是基于时间上下文和流行度，对邻近节点的嵌入表示进行筛选过滤以构建传播到目标节点的嵌入信息；f(
·
)是信息传播函数公式定义如下：
f(e
u
,e
i
,t
u,i
)＝pop+β
u,i
；物品嵌入传播到用户嵌入公式根据用户与其一阶邻近的物品的交互时间计算获得，pop代表流行度函数权重，β
u,i
代表时间衰减函数权重因子；基于GCN的聚合函数是先将用户自身嵌入和邻居的传播嵌入直接相加，然后乘以一个转换矩阵，并通过LeakyRelu(
·
)函数求得聚合一阶邻居信息的用户表示；其中，N
u
是用户u的全部一阶邻居节点的集合，是所有邻居节点传播的嵌入信息之和；W∈R
d
′×
d
是一个可训练的参数矩阵，用于提取e
u

【专利技术属性】
技术研发人员：毛明毅，王可可，郑晓艳，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：