基于注意图卷积神经网络的多行为推荐方法技术

一种基于注意图卷积神经网络的多行为推荐方法，利用多通道图卷积神经网络模块为每一种行为设计一种特征表达来解决多种行为下多种嵌入表达的问题；采用行为特制注意力机制模块来捕获不同行为的重要程度；最终通过多任务学习框架对用户偏好建模，提升了模型的推荐效果，并可以通过对用户的偏好建模进行推荐。并可以通过对用户的偏好建模进行推荐。并可以通过对用户的偏好建模进行推荐。

【技术实现步骤摘要】
基于注意图卷积神经网络的多行为推荐方法


[0001]本专利技术涉及推荐系统及深度学习
，具体涉及一种基于注意图卷积神经网络的多行为推荐方法。

技术介绍

[0002]在信息爆炸的年代中，推荐系统在解决信息过载的问题上发挥着巨大的作用。推荐系统的出现可以根据以往用户的历史信息中预测到用户感兴趣的新信息，例如在音乐、影视、电商、在线评论网站、基于位置的推荐服务等平台上被广泛应用。其中协同过滤(CF)技术是推荐领域中最为广泛使用的算法。然而大部分传统模型和神经网络模型都是对单一类型行为进行研究的，现实生活中用户的兴趣不单单体现在单一行为上，因此对多行为推荐的研究是必然的。目前对多行为推荐的模型研究主要是基于这四个框架：BPR、RNN，GCN，MTL。利用BPR框架是对多行为数据进行采样，利用辅助行为为用户的物品对进行排序服务；利用RNN网络捕捉多种行为的顺序信息，用行为特制注意力机制解决行为之间的重要程度。利用GCN网络捕获用户和物品图的多行为信息和物品和物品图捕获物品属性信息。利用MTL框架使得多个任务共享用户嵌入或者根据行为之间的顺序关系后进行模型训练。以上工作虽然取得了很大的成就，但是都忽略了多种行为下不同的嵌入表达和未能更深层挖掘行为之间的联系导致不能获得最优的模型。

技术实现思路

[0003]本专利技术为了克服以上技术的不足，提供了一种通过构建多种行为的嵌入表达、多通道图卷积模块以及采用行为特制注意力机制模块对用户偏好建模并提升模型推荐效果的方法。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]一种基于注意图卷积神经网络的多行为推荐方法，包括如下步骤：
[0006]a)在电子商务数据集中采用留一法获得训练集和测试集；
[0007]b)训练集中包含N个用户、I个物品及K种类型的用户行为，利用训练集构建用户行为的无向图；
[0008]c)建立并训练基于行为特制注意多通道图卷积神经的多任务学习网络模型；
[0009]d)计算用户对物品进行某行为的偏好程度，实现物品推荐。
[0010]进一步的，步骤a)中测试集中的每一个用户都有一个没有与之交互过的物品，通过测试集调试步骤c)中的基于行为特制注意多通道图卷积神经的的多任务学习网络模型的参数。
[0011]进一步的，步骤b)中K＝3，3种类型的用户行为分别为用户购买物品行为、用户将物品添加到购物车行为以及用户点击物品链接行为。
[0012]进一步的，步骤b)包括如下步骤：
[0013]b
‑
1)通过公式G＝(U
(k)
,I
(k)
)构建第k种用户行为的无向图G，k＝{1,2,
…
,K}，式中
U
(k)
为包含用户节点的集合，其中为第k种用户行为下的第n个用户的向量矩阵，n＝{1,2,
…
,N}，其中R为实数空间，d为维度，其中为第k种用户行为下的第n个物品的向量矩阵，m＝{1,2,
…
,I}，进一步的，步骤c)包括如下步骤：
[0014]c
‑
1)通过公式计算无向图G的第l层时第u个用户的嵌入表达矩阵式中为无向图G的l
‑
1层时物品i的嵌入表达矩阵，l＝{1,2,3}，N
u
为第u个用户交互过的物品数量，N
i
为第i个物品被第u个用户交互过的数量；
[0015]c
‑
2)通过公式计算无向图G的第l层时第i个物品的嵌入表达矩阵式中为无向图G的l
‑
1层时用户u的嵌入表达矩阵；
[0016]c
‑
3)通过公式计算得到每种行为下l层聚合后最终第u个用户的嵌入表达矩阵e
u
；
[0017]c
‑
4)通过公式计算得到每种行为下l层聚合后最终第i个物品的嵌入表达矩阵e
i
；
[0018]c
‑
5)通过公式计算得到第u个用户在第k种行为下的嵌入表达矩阵式中为第k种行为下第u个用户受到其它行为影响的权重初始化矩阵，b为偏置初始化因数，为第u个用户在受到第k种行为影响之前的嵌入表达初始化矩阵；
[0019]c
‑
6)通过公式计算得到第i个物品在第k种行为下的嵌入表达矩阵式中W
i(k)
为第k种行为下第i个物品受到其它行为影响的权重初始化矩阵，b为偏置初始化因数，为第i个物品在受到第k种行为影响之前的嵌入表达初始化矩阵，完成基于行为特制注意多通道图卷积神经的多任务学习网络模型的建立；
[0020]c
‑
7)通过公式计算得到第k种行为的损失L
k
，式中σ为sigmoid函数，λ为L2范数归一化因子，为第u个用户对第i个物品进行第k种行为的可能性，第i个物品进行第k种行为的可能性，第i个物品进行第k种行为的可能性，为第u个用户对第j个物品进行第k种行为的可能性，户对第j个物品进行第k种行为的可能性，
[0021]c
‑
8)通过公式计算得到总损失L
MTL
，式中a
k
为第k种行为的损失权重值；
[0022]c
‑
9)利用总损失L
MTL
采用梯度下降法训练基于行为特制注意多通道图卷积神经的多任务学习网络模型，通过反向传播更新步骤c
‑
5)中第u个用户在第k种行为下的嵌入表达矩阵和第k种行为下第u个用户受到其它行为影响的权重初始化矩阵更新步骤c
‑
6)中第i个物品在第k种行为下的嵌入表达矩阵和第k种行为下第i个物品受到其它行为影响的权重初始化矩阵W
i(k)
。进一步的，步骤d)中通过公式计算得到用户对物品的偏好程度y，式中T为转置。
[0023]本专利技术的有益效果是：利用多通道图卷积神经网络模块为每一种行为设计一种特征表达来解决多种行为下多种嵌入表达的问题；采用行为特制注意力机制模块来捕获不同行为的重要程度；最终通过多任务学习框架对用户偏好建模，提升了模型的推荐效果，并可以通过对用户的偏好建模进行推荐。
附图说明
[0024]图1为本专利技术的方法流程图；
[0025]图2为本专利技术的行为特制注意力机制模块图。
具体实施方式
[0026]下面结合附图1、附图2对本专利技术做进一步说明。
[0027]一种基于注意图卷积神经网络的多行为推荐方法，包括如下步骤：
[0028]a)在电子商务数据集中采用留一法获得训练集和测试集；
[0029]b)训练集中包含N个用户、I个物品及K种类型的用户行为，利用训练集构建用户行为的无向图；
[0030]c)建立并训练基于行为特制注意多通道图卷积神经的多任务学习网络模型；
[0031]d)计算用户对物品进行某行为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意图卷积神经网络的多行为推荐方法，其特征在于，包括如下步骤：a)在电子商务数据集中采用留一法获得训练集和测试集；b)训练集中包含N个用户、I个物品及K种类型的用户行为，利用训练集构建用户行为的无向图；c)建立并训练基于行为特制注意多通道图卷积神经的多任务学习网络模型；d)计算用户对物品进行某行为的偏好程度，实现物品推荐。2.根据权利要求1所述的基于注意图卷积神经网络的多行为推荐方法，其特征在于：步骤a)中测试集中的每一个用户都有一个没有与之交互过的物品，通过测试集调试步骤c)中的基于行为特制注意多通道图卷积神经的的多任务学习网络模型的参数。3.根据权利要求1所述的基于注意图卷积神经网络的多行为推荐方法，其特征在于：步骤b)中K＝3，3种类型的用户行为分别为用户购买物品行为、用户将物品添加到购物车行为以及用户点击物品链接行为。4.根据权利要求1所述的基于注意图卷积神经网络的多行为推荐方法，其特征在于，步骤b)包括如下步骤：b
‑
1)通过公式G＝(U
(k)
,I
(k)
)构建第k种用户行为的无向图G，k＝{1,2,...,K}，式中U
(k)
为包含用户节点的集合，其中为第k种用户行为下的第n个用户的向量矩阵，n＝{1,2,...,N}，其中R为实数空间，d为维度，其中为第k种用户行为下的第n个物品的向量矩阵，m＝{1,2,...,I}，5.根据权利要求4所述的基于注意图卷积神经网络的多行为推荐方法，其特征在于，步骤c)包括如下步骤：c
‑
1)通过公式计算无向图G的第l层时第u个用户的嵌入表达矩阵式中为无向图G的l
‑
1层时物品i的嵌入表达矩阵，l＝{1,2,3}，N
u
为第u个用户交互过的物品数量，N
i
为第i个物品被第u个用户交互过的数量；c
‑
2)通过公式计算无向图G的第l层时第i个物品的嵌入表达矩阵式中为无向图G的l
‑
1层时用户u的嵌入表达矩阵；c
‑
3)通过公式计算得到每种行为下l层聚合后最终第u个...

【专利技术属性】
技术研发人员：程志勇，韩赛，高赞，卓涛，李晓丽，
申请(专利权)人：山东省人工智能研究院，
类型：发明
国别省市：