一种可解释的图神经网络推荐方法技术

本发明专利技术提供一种可解释的图神经网络推荐方法。其中，所述方法包括：获取用户

【技术实现步骤摘要】
一种可解释的图神经网络推荐方法


[0001]本专利技术涉及推荐算法
，具体是一种可解释的图神经网络推荐方法。

技术介绍

[0002]推荐系统作为一种信息过滤算法已被广泛使用，其为用户提供更个性化服务的同时也为 商家带来了可观的经济效益。正因为推荐系统具有如此重要的应用价值，所以这一领域的研 究一直不断涌现。近年来，随着深度学习技术的发展，基于深度神经网络(Deep NeuralNetwork，DNN)的推荐方法已成为推荐领域的主流，特别是基于图神经网络(Graph NeuralNetwork，GNN)的推荐算法，使得推荐系统的性能得到了很大的提升。然而，同许多深度 学习模型一样，GNN模型是一个黑盒模型，基于GNN给出的推荐结果很难从其内部的数据 交互及处理逻辑给出解释，导致推荐系统不透明，对用户来说推荐结果说服力、可信度低， 也不便于系统设计人员诊断、调试和改进推荐算法。因此，在推荐领域如何提高GNN算法 的可解释性是急需解决的问题。
[0003]目前，对图神经网络算法的可解释研究可以分为两类：一类是使用可解释的模型(如线 性回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可解释的图神经网络推荐方法，其特征在于，包括：获取用户
‑
物品二分图的特征矩阵X及邻接矩阵A；将特征矩阵X及邻接矩阵A输入图卷积编码器模型，获取二分图的嵌入表示矩阵Z
u
、Z
v
；根据所述嵌入矩阵Z
u
、Z
v
，通过双线性解码器模型，返回重构的评分矩阵来完成评分预测任务；接下来完成解释任务，根据相似度计算采样得到相似用户特征矩阵X
u
、相似物品特征矩阵X
v
以及对应的评分将采样到的X
u
、X
v
作为特征，对应评分作为标签，通过非线性特征选择模型得到β
u
、β
v
，选择权重大的特征作为解释。2.根据权利要求1所述的方法，其特征在于，所述图卷积编码器模型是通过第一公式计算得到的，所述第一公式为：其中，accum(.)表示一个聚合运算，σ(.)表示激活函数，u
j
→
i,r
为物品j到用户i传递的信息。3.根据权利要求2所述的方法，将进行转换得到用户的嵌入表示所述第二公式为：同理，即可得到物品的嵌入表示4.根据权利要求2所述的方法，其特征在于，所述u
j
→
i,r
是通过第三公式计算得到的，所述第三公式为：其中，c
ij
为正则化常数，W
r
是一个边类型的参数矩阵，表示物品节点j的特征矩阵。5.根据权利要求1所述的方法，其特征在于，所述评分预测矩阵是通过公式四计算得到的，所述第四公式为：6.根据权利要求5所述的方法，解码器通过对可能的评分等级进行双线性运算，然后应用softmax函数生成概率分布，通过公式五计算的得到的，所述第五公式为：
其中，Q

【专利技术属性】
技术研发人员：梁吉业，郭艳，王智强，
申请(专利权)人：山西大学，
类型：发明
国别省市：