基于特征融合的中小微企业服务图卷积网络推荐方法技术

本申请公开了一种基于特征融合的中小微企业服务图卷积网络推荐方法，属于信息推荐技术领域。该方法包括数据采集和数据预处理；基于数据预处理结果提取用户自身特征、服务自身特征以及构建用户

【技术实现步骤摘要】
基于特征融合的中小微企业服务图卷积网络推荐方法


[0001]本专利技术属于信息推荐
，尤其涉及基于特征融合的中小微企业服务图卷积网络推荐方法。

技术介绍

[0002]中小微企业是我国经济的重要组成，国家一直大力支持中小微企业实现数字化发展。中小微企业服务推荐平台是解决中小微数字化转型及中小微企业数据资源再利用的有效方案，通过平台共享经济模式，解决中小微企业的资金规模、管理水平的限制，助力中小微企业高速高质量发展。个性化推荐技术可以智能感知用户需求，通过用户与服务之间的关系为中小微企业提供个性化、精准的综合质量服务推荐。
[0003]推荐系统的主要目标是主动地根据用户的偏好提供有价值并且有针对性的信息。现有技术的推荐系统在性能上通常受到冷启动和数据稀疏性的限制。为了解决这些问题，使用辅助信息是一种非常有潜力的方向。近年来许多基于深度学习的方法尝试融合辅助信息进行推荐，相对传统方法取得了性能上的提高，但是很少有模型能够处理图结构信息。因此如何基于中小微企业数据资源的图结构信息并很好地利用中小微企业信息以及服务资源信息做到对中小微企业提供个性化、精准化的服务推荐成为本专利技术要要解决的问题。

技术实现思路

[0004]针对上述现有技术的不足，本专利技术的目的在于提供一种基于特征融合的中小微企业服务图卷积网络推荐方法，通过对中小微企业用户信息以及服务资源信息进行整理分类得到中小微企业以及服务资源特征信息，再结合图卷积矩阵补全(GCMC，Graph Convolutional Matrix Completion)模型进行企业、服务节点特征学习，解决了企业交易记录以及企业、用户节点辅助信息进行深度特征融合进行企业服务资源推荐的问题。
[0005]为达到以上目的，本专利技术的技术方案如下：
[0006]一方面，本专利技术提供的一种基于特征融合的中小微企业服务资源图卷积神经网络推荐方法，包括：
[0007]步骤1、数据采集和数据预处理；
[0008]步骤2、基于数据预处理结果提取用户自身特征、服务自身特征以及构建用户
‑
服务二部图；
[0009]步骤3、将所述用户自身特征、服务自身特征及用户
‑
服务二部图，经过图卷积神经网络进行编码和辅助特征融合得到用户、服务特征的最终嵌入表示；
[0010]步骤4、基于所述用户、服务特征的最终嵌入表示进行用户
‑
服务的链路连接预测，将预测为确定连接的服务资源推荐给用户。
[0011]所述数据采集具体为收集平台的原始数据，包括用户信息、服务信息和交易信息；以及在用户信息、服务信息的节点信息中融入用户、服务的辅助信息，如企业行业类型、企业归属地、公司类型、服务资源类型。
[0012]所述数据预处理具体为对采集到的数据进行数据清洗，对其中重复、缺失、不规范的数据进行删除处理，分别形成用户特征表[用户id，行业大类，行业中类，行业小类，公司归属地，公司类型]，服务特征表[服务id，服务大类，服务中类，服务小类]，交易数据表[用户id，服务id，评分r]，评分r表示用户和服务的交易关系。
[0013]所述步骤S2具体为：使用特征处理方法对用户特征和服务特征进行处理分别得到用户自身特征和服务自身特征的表示；根据用户
‑
服务的交互信息构建用户
‑
服务二部图，表示为G＝(U,V,E)，其中U代表用户的集合，V代表服务的集合，E代表交易边的集合，用户
‑
服务二部图的归一化邻接矩阵为A
′
。
[0014]所述步骤S3具体为，将所述用户自身特征、所述服务自身特征、所述用户
‑
服务二部图的归一化邻接矩阵作为模型输入，通过图卷积神经网络学习得到用户
‑
服务交易信息下的用户、服务潜在特征的嵌入表示h，在全连接层得到用户、服务辅助信息的用户、服务的嵌入表示f，然后将h、f一起输入到全连接层得到用户、服务特征的最终嵌入表示。
[0015]所述步骤S3包括：将用户自身特征、服务自身特征、用户
‑
服务二部图输入图卷积神经网络进行局部图卷积，其中特征值的信息被沿着图的边传递和转换，从服务节点j到用户节点i传递的消息表示为μ
j
→
i,r
，从用户节点i到服务节点j的消息表示为μ
i
→
j,r
；在消息传递之后，对每个节点都进行消息累计操作：对评分r＝1下所有邻居节点N(u
i
)求和，并将它们累积为单个矢量表示：们累积为单个矢量表示：其中，ReLU是激活函数，为用户潜在特征的嵌入表示，同理，可以计算得到服务潜在特征的嵌入表示
[0016]将全连接层的用户潜在特征进行转换得到每个用户基于交易的最终用户表征同理，使用参数矩阵W
′
进行同样计算可以得到基于交易的最终服务表征
[0017]引入用户、服务的自身节点属性作为辅助信息，在稠密隐含层中加入用户节点i的辅助信息服务节点j的辅助信息学习用户、服务的辅助特征嵌入表示为：
[0018][0019]其中，Wi
if
(即和)为可训练的权重矩阵，b
u
是用户特征的偏置参数，b
v
是服务特征的偏置参数。
[0020]通过全连接层，将用户辅助特征、服务辅助特征、用户潜在特征、服务潜在特征进行特征融合，得到用户、服务特征的最终嵌入表示和如下：
[0021][0022][0023]其中，和是可训练的权重矩阵，σ(
·
)为激活函数ReLU(
·
)，为用户
潜在特征的嵌入表示，为服务潜在特征的嵌入表示，为用户辅助特征的嵌入表示，为服务辅助特征的嵌入表示，表示用户特征的最终嵌入表示，表示服务特征的最终嵌入表示。
[0024]所述步骤S4具体为：通过双线性解码器，对编码器学习到的用户、服务特征的最终嵌入表示进行双线性运算，生成一个概率分布：
[0025][0026]其中，Q
r
是一个维度为H*H的可训练参数矩阵，H是隐含特征的维度，Q
s
是线性转换矩阵；
[0027]计算期望获得用户对服务资源的预测评分，根据该预测评分得到预测为确定连接的服务资源作为推荐结果，预测评分的计算方式为：
[0028][0029]其中，E[]表示求期望值，表示预测评分值变量，表示预测评分在不同评分等级上的概率分布。
[0030]另一方面，本专利技术提供的一种基于特征融合的中小微企业服务图卷积网络推荐系统，包括：
[0031]数据采集模块，用于数据采集和数据预处理；
[0032]特征提取模块，用于基于所述数据采集模块采集的数据提取用户自身特征、服务自身特征以及构建用户
‑
服务二部图；
[0033]特征融合模块，用于将所述特征提取模块提取的用户自身特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的中小微企业服务图卷积网络推荐方法，其特征在于，包括：步骤1、数据采集和数据预处理；步骤2、基于数据预处理结果提取用户自身特征、服务自身特征以及构建用户
‑
服务二部图；步骤3、将所述用户自身特征、服务自身特征及用户
‑
服务二部图，经过图卷积神经网络进行编码和辅助特征融合得到用户、服务特征的最终嵌入表示；步骤4、基于所述用户、服务特征的最终嵌入表示进行用户
‑
服务的链路连接预测，将预测为确定连接的服务资源推荐给用户。2.根据权利要求1所述的方法，其特征在于，所述数据采集具体为收集平台的原始数据，包括用户信息、服务信息和交易信息；以及在用户信息、服务信息的节点信息中融入用户、服务的辅助信息，如企业行业类型、企业归属地、公司类型、服务资源类型。3.根据权利要求1或2所述的方法，其特征在于，所述数据预处理具体为对采集到的数据进行数据清洗，对其中重复、缺失、不规范的数据进行删除处理，分别形成用户特征表[用户id，行业大类，行业中类，行业小类，公司归属地，公司类型]，服务特征表[服务id，服务大类，服务中类，服务小类]，交易数据表[用户id，服务id，评分r]，评分r表示用户和服务的交易关系。4.根据权利要求1所述的方法，其特征在于，所述步骤S2具体为：使用特征处理方法对用户特征和服务特征进行处理分别得到用户自身特征和服务自身特征的表示；根据用户
‑
服务的交互信息构建用户
‑
服务二部图，表示为G＝(U,V,E)，其中U代表用户的集合，V代表服务的集合，E代表交易边的集合，用户
‑
服务二部图的归一化邻接矩阵为A
′
。5.根据权利要求1所述的方法，其特征在于，所述步骤S3具体为，将所述用户自身特征、所述服务自身特征、所述用户
‑
服务二部图的归一化邻接矩阵作为模型输入，通过图卷积神经网络学习得到用户
‑
服务交易信息下的用户、服务潜在特征的嵌入表示h，在全连接层得到用户、服务辅助信息的用户、服务的嵌入表示f，然后将h、f一起输入到全连接层得到用户、服务特征的最终嵌入表示。6.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：将用户自身特征、服务自身特征、用户
‑
服务二部图输入图卷积神经网络进行局部图卷积，其中特征值的信息被沿着图的边传递和转换，从服务节点j到用户节点i传递的消息表示为μ
j
→
i,r
，从用户节点i到服务节点j的消息表示为μ
i
→
j,r
；在消息传递之后，对每个节点都进行消息累计操作：对评分r...

【专利技术属性】
技术研发人员：何琼，陈进东，张健，贾昊男，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：