一种基于图神经网络的双端推荐方法及系统技术方案

本发明专利技术揭示了一种基于图神经网络的双端推荐系统及方法，包括物品嵌入层、用户嵌入层、结果输出层；知识图谱构建好之后，将其输入到图卷积网络层进行节点及其领域信息的表示，这一层递归地传播来自节点的邻居的嵌入以更新某个节点的领域信息。之后，物品嵌入层将图卷积网络层输出的领域信息输入到多头自注意力网络层。而用户嵌入层类似于物品嵌入层，将用户的邻域信息和自身信息进行聚合作为用户的最终表示；对于每一个用户，预测他/她会浏览某个商品的概率，就是结果预测层的内容。本发明专利技术提供的基于图神经网络的双端推荐系统及方法，在真实数据中验证了网络的合理性和有效性，整体实验效果良好，推荐符合一般认知。推荐符合一般认知。推荐符合一般认知。

【技术实现步骤摘要】
一种基于图神经网络的双端推荐方法及系统


[0001]本专利技术涉及一种基于图神经网络的双端推荐系统及方法，属于计算机领域。

技术介绍

[0002]随着互联网的快速发展，数据量呈爆炸式增长，导致信息过载，用户很难在数据的海洋中挑选出自己感兴趣的内容。为了提高用户体验，推荐系统已经应用于音乐、电影、广告等推荐场景。推荐系统主要分为基于协同过滤的推荐系统、基于内容的推荐系统和混合推荐系统。基于CF的推荐系统由于能够有效地捕捉用户偏好，并且易于在多种场景下实现，而无需在基于内容的推荐系统中进行特征提取，因此得到广泛的应用。然而，基于CF的推荐存在数据稀疏性和冷启动问题。为解决这些问题，混合推荐系统被提出来，其利用多种推荐技术来克服单一推荐方法的局限性，在此过程中会探索多种类型的辅助信息，比如物品属性、物品评论和用户的社交网络。
[0003]近年来，在推荐系统中引入知识图谱作为辅助信息受到关注。知识图谱是一个有向异构图，其中节点作为实体，边表示实体之间的关系。可以将物品及其属性映射到KG中，以理解物品之间的相互关系。此外，还可以将用户信息集成到 KG中，从而更准确地捕捉用户和物品之间的关系以及用户的偏好。最近提出多种KGs，如FreebasDBpedia、YAGO、谷歌的Knowledge Graph，微软的Satori，方便了构建用于推荐的知识图谱。可以发现知识图谱在多种推荐场景中都作为辅助信息，包括书籍、新闻、音乐、社交平台。
[0004]基于知识图谱关注网络的模型以端到端的方式明确地对协同知识图中的高阶连接进行建模。它递归地传播来自节点邻居(可以是用户、项目或属性)的嵌入，以细化节点的嵌入，并使用注意机制来区分邻居的重要性。因此，借助知识图谱来进行推荐，是很有必要的。

技术实现思路

[0005]本专利技术的目的是：实现提升模型推荐效果的目标，同时验证引入用户行为和物品属性的有效性。
[0006]为了达到上述目的，本专利技术的一个技术方案是提供了一种基于图神经网络的双端推荐系统，其特征在于，包括图构建层、物品嵌入层、用户嵌入层以及结果输出层，其中：
[0007]图构建层用于基于用户与物品的交互数据、物品属性数据以及用户属性数据构建物品知识图谱以及用户属性图，其中：将物品属性数据处理成三元组(物品一,关系,物品二)的形式进行存储；将用户属性数据处理成三元组(物品,属性,属性值)的形式进行存储，通过属性来表示用户与属性值之间的关系；
[0008]物品嵌入层：将包括节点、关系、图结构在内的物品知识图谱数据输入到图卷积网络进行节点及其邻域信息的表示，用于捕获两个物品知识图谱中实体之间的高阶结构相似性；物品嵌入层递归地传播来自节点的邻居的嵌入以更新某个节点的领域信息，物品知识图谱采用用户与物品的交互数据来表示传播期间每个邻居的权重；当取到图卷积网络得到
的邻域信息表示之后，将物品知识图谱上节点原本的表示与邻域信息表示进行聚合，得到物品的最终表示；
[0009]用户嵌入层：用户嵌入层基于用户属性图采用与物品嵌入层相同的处理方法获得用户的最终表示，其中，用户属性图采用用于三元组中表示用户与属性值之间的关系的属性来表示传播期间每个邻居的权重；
[0010]结果输出层：用于基于物品的最终表示以及用户的最终表示进行结果的预测，对于每一个用户，预测该用户会点击某个物品文档的概率，用一个匹配分数来表示。
[0011]优选地，所述用户与物品的交互数据为用户与物品文档的交互数据，交互行为包括点击查看、收藏、加入购物车、购买；所述物品属性数据为有关物品属性的数据；所述用户属性数据为有关用户属性的数据。
[0012]优选地，所述结果输出层基于匹配分数向当前用户进行商品推荐。
[0013]优选地，所述物品嵌入层计算所述领域信息时先利用GCN计算节点领域信息，再利用多头自注意力网络进行关系的深度挖掘；所述用户嵌入层计算所述领域信息时仅利用GCN计算节点领域信息。
[0014]本专利技术的另一个技术方案是提供了一种基于图神经网络的双端推荐系统的网络结构方法，其特征在于，包括如下步骤：
[0015]S100、原始数据处理：获取原始的用户与物品的交互数据Y、物品的物品属性数据、用户的用户属性数据；将物品的物品属性数据和用户的用户属性数据按照构建物品知识图谱及用户属性图需要的格式处理数据，其中：将物品属性数据处理成三元组(物品一,关系,物品二)的形式进行存储；将用户属性数据处理成三元组(物品,属性,属性值)的形式进行存储；
[0016]S200、构建物品知识图谱：
[0017]在步骤S100处理好数据之后，利用物品属性数据构建物品知识图谱G
v
，一个物品v恰好对应物品知识图谱G
v
中一个实体，即{(v,e)|v∈V,e∈E}}，e表示物品知识图谱G
v
中的一个实体；
[0018]S300、构建用户属性图：
[0019]在步骤S100处理好数据之后，利用用户信息构建用户属性图G
u
；
[0020]S400、物品嵌入层：
[0021]在物品嵌入层，首先使用图卷积的方式对物品知识图谱G
v
中某个节点的邻居节点信息进行聚合表示，在计算邻居节点权重的方式上，利用用户u和某个关系r 之间的分数来计算；之后，将节点的邻域信息输入到多头自注意力机制层，更深层次地提取节点之间的关联；最后，将节点的邻域信息和节点本身的嵌入结合形成物品的最终表示；
[0022]S500、用户嵌入层：
[0023]在用户嵌入层，首先使用图卷积的方式对用户属性图G
u
中某个节点的邻居节点信息进行聚合表示，在计算邻居节点权重的方式上，利用用户u和某个属性p之间的分数来计算；计算好用户的邻域信息之后，将其与用户表示聚合形成用户的最终表示；
[0024]S600、结果层预测：在前面的物品嵌入层和用户嵌入层分别拿到最终的物品嵌入表示和最终的用户嵌入表示，将它一起输入到结果预测层的预测函数f最后进行预测。
[0025]优选地，步骤S200形成的物品知识图谱G
v
和步骤S300形成的用户属性图G
u
以txt的
形式存储进行读取。
[0026]优选地，步骤S400具体包括以下步骤：
[0027]S401、改进物品知识图谱G
v
中邻居节点的权重：
[0028]从特定的用户u出发，使用函数g(u,r)来计算物品知识图谱G
v
中邻居节点的权重函数g(u,r)计算用户u和某个关系r之间的分数，为计算不同用户对不同关系的喜欢程度；
[0029]S402、利用GCN计算节点领域信息：
[0030]利用邻居信息的线性组合来表示节点的领域信息计算方式如下：
[0031][0032]其中，S(v)表示所有和实体v直接相连的所有实体集合；表示使用 softma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双端推荐系统，其特征在于，包括图构建层、物品嵌入层、用户嵌入层以及结果输出层，其中：图构建层用于基于用户与物品的交互数据、物品属性数据以及用户属性数据构建物品知识图谱以及用户属性图，其中：将物品属性数据处理成三元组(物品一,关系,物品二)的形式进行存储；将用户属性数据处理成三元组(物品,属性,属性值)的形式进行存储，通过属性来表示用户与属性值之间的关系；物品嵌入层：将包括节点、关系、图结构在内的物品知识图谱数据输入到图卷积网络进行节点及其邻域信息的表示，用于捕获两个物品知识图谱中实体之间的高阶结构相似性；物品嵌入层递归地传播来自节点的邻居的嵌入以更新某个节点的领域信息，物品知识图谱采用用户与物品的交互数据来表示传播期间每个邻居的权重；当取到图卷积网络得到的邻域信息表示之后，将物品知识图谱上节点原本的表示与邻域信息表示进行聚合，得到物品的最终表示；用户嵌入层：用户嵌入层基于用户属性图采用与物品嵌入层相同的处理方法获得用户的最终表示，其中，用户属性图采用用于三元组中表示用户与属性值之间的关系的属性来表示传播期间每个邻居的权重；结果输出层：用于基于物品的最终表示以及用户的最终表示进行结果的预测，对于每一个用户，预测该用户会点击某个物品文档的概率，用一个匹配分数来表示。2.如权利要求1所述的一种基于图神经网络的双端推荐系统，其特征在于，所述用户与物品的交互数据为用户与物品文档的交互数据，交互行为包括点击查看、收藏、加入购物车、购买；所述物品属性数据为有关物品属性的数据；所述用户属性数据为有关用户属性的数据。3.如权利要求1所述的一种基于图神经网络的双端推荐系统，其特征在于，所述结果输出层基于匹配分数向当前用户进行商品推荐。4.如权利要求1所述的一种基于图神经网络的双端推荐系统，其特征在于，所述物品嵌入层计算所述领域信息时先利用GCN计算节点领域信息，再利用多头自注意力网络进行关系的深度挖掘；所述用户嵌入层计算所述领域信息时仅利用GCN计算节点领域信息。5.一种基于图神经网络的双端推荐系统的网络结构方法，其特征在于，包括如下步骤：S100、原始数据处理：获取原始的用户与物品的交互数据Y、物品的物品属性数据、用户的用户属性数据；将物品的物品属性数据和用户的用户属性数据按照构建物品知识图谱及用户属性图需要的格式处理数据，其中：将物品属性数据处理成三元组(物品一,关系,物品二)的形式进行存储；将用户属性数据处理成三元组(物品,属性,属性值)的形式进行存储；S200、构建物品知识图谱：在步骤S100处理好数据之后，利用物品属性数据构建物品知识图谱G
v
，一个物品v恰好对应物品知识图谱G
v
中一个实体，即{(v,e)|v∈V,e∈E}}，e表示物品知识图谱G
v
中的一个实体；S300、构建用户属性图：在步骤S100处理好数据之后，利用用户信息构建用户属性图G
u
；S400、物品嵌入层：在物品嵌入层，首先使用图卷积的方式对物品知识图谱G
v
中某个节点的邻居节点信息
进行聚合表示，在计算邻居节点权重的方式上，利用用户u和某个关系r之间的分数来计算；之后，将节点的邻域信息输入到多头自注意力机制层，更深层次地提取节点之间的关联；最后，将节点的邻域信息和节点本身的嵌入结合形成物品的最终表示；S500、用户嵌入层：在用户嵌入层，首先使用图卷积的方式对用户属性图G
u
中某个节点的邻居节点信息进行聚合表示，在计算邻居节点权重的方式上，利用用户u和某个属性p之间的分数来计算；计算好用户的邻域信息之后，将其与用户表示聚合形成用户的最终表示；S600、结果层预测：在前面的物品嵌入层和用户嵌入层分别拿到最终的物品嵌入表示和最终的用户嵌入表示，将它一起输入到结果预测层的预测函数f最后进行预测。6.如权利要求5所述的一种基于图神经网络的双端推荐系统的网络结构方法，其特征在于，步骤S200形成的物品知识图谱G

【专利技术属性】
技术研发人员：武星，李逸松，
申请(专利权)人：上海大学，
类型：发明
国别省市：