基于图神经网络结合好奇心的个性化推荐方法、系统及介质技术方案

技术编号:35857785 阅读:10 留言:0更新日期:2022-12-07 10:45
本发明专利技术公开了一种基于图神经网络结合好奇心的个性化推荐方法、系统、计算机设备及存储介质,所述方法包括:获取用户与物品交互的数据集,利用隐语义模块,得到用户和物品的交互信息以及用户与物品的特征向量,将得到的数据分别输入图卷积模块和好奇心模块,分别得到物品针对特定用户的预测相关性得分以及预测好奇心得分;根据预测相关性得分以及预测好奇心得分,得到用户的个性化物品推荐列表;利用数据集对好奇心模型中的隐语义模块和图卷积模块进行训练,将用户和物品序号输入训练好的好奇心模型,得到用户的个性化物品推荐列表。本发明专利技术通过将好奇心与推荐系统深度融合,保证一定程度推荐准确性的前提下,有效提升了推荐结果的多样性。结果的多样性。结果的多样性。

【技术实现步骤摘要】
基于图神经网络结合好奇心的个性化推荐方法、系统及介质


[0001]本专利技术涉及推荐系统研究领域,特别是涉及一种基于图神经网络结合好奇心的个性化推荐方法、系统、计算机设备及存储介质。

技术介绍

[0002]随着科技的发展,现代互联网技术越来越发达,人们每天能接收到的信息量越来越多,接收到的信息种类越来越丰富,被称为“信息爆炸”或“信息过载”。由于这种问题的出现,辅助人类进行信息处理的工具逐渐成为刚需。搜索引擎和推荐系统是解决信息过载问题的两种代表技术。传统的搜索引擎仅能根据用户提供的关键词过滤信息,可以解决人们的大部分需求,但没有实现信息过滤的个性化以及自动感知用户的喜好。推荐系统因此被提出,其可以自动感知用户的喜好习惯,并根据用户的个性化需求自动从海量信息中筛选出最贴合用户需求的信息,而不需要用户明确提供他们所需要的内容的相关信息。推荐系统从本质上来说就是代替用户评估他们从未看过、未接触过和未使用过的物品,包括书籍、影视作品、新闻、音乐、餐馆、旅游景点等。推荐系统作为一种信息过滤的重要手段,是当前解决信息过载问题的最有效的方法之一,是面向用户的互联网产品的核心技术。
[0003]然而,传统推荐系统往往是面向准确性的,容易导致“信息孤岛”问题,即反复推荐那些与用户过往喜好精确匹配的物品,使得他们难以接触到潜在的可能引起兴趣的其他物品。随着时间的推移,用户逐渐对趋同的推荐内容丧失兴趣,渴望接纳新鲜事物以满足自身探索和求知欲望。好奇心作为人类一种重要的心理学特性,可以有效引导人们探索未知。

技术实现思路
<br/>[0004]为了解决上述现有技术的不足,本专利技术提供了一种基于图神经网络结合好奇心的个性化推荐方法、系统、计算机设备及存储介质,该方法在模型训练过程中融入好奇心,使好奇心能够作用于上游的推荐过程,实现好奇心与推荐系统的深度融合,保证一定程度的推荐准确性的前提下,有效地提升推荐结果的多样性。
[0005]本专利技术的第一个目的在于提供一种基于图神经网络结合好奇心的个性化推荐方法。
[0006]本专利技术的第二个目的在于提供一种基于图神经网络结合好奇心的个性化推荐系统。
[0007]本专利技术的第三个目的在于提供一种计算机设备。
[0008]本专利技术的第四个目的在于提供一种存储介质。
[0009]本专利技术的第一个目的可以通过采取如下技术方案达到:
[0010]一种基于图神经网络结合好奇心的个性化推荐方法,所述方法包括:
[0011]获取用户与物品交互的数据集;
[0012]根据数据集,利用好奇心模型中的隐语义模块,得到用户和物品的交互信息以及用户与物品的特征向量;
[0013]将用户和物品的交互信息以及用户与物品的特征向量输入好奇心模型中的图卷积模块,得到每个物品针对特定用户的预测相关性得分;
[0014]将用户与物品的特征向量输入好奇心模型中的好奇心模块,得到每个物品针对特定用户的预测好奇心得分;
[0015]根据每个物品针对特定用户的预测相关性得分以及预测好奇心得分,得到用户的个性化物品推荐列表;
[0016]利用数据集对好奇心模型中的隐语义模块和图卷积模块进行训练,得到训练好的好奇心模型;
[0017]将用户和物品序号输入训练好的好奇心模型,得到用户的个性化物品推荐列表。
[0018]进一步的,利用好奇心模型中的隐语义模块,得到用户和物品的交互信息以及用户与物品的特征向量,包括:
[0019]根据数据集中的物品信息,得到物品标签特征向量;
[0020]对数据集进行预处理,得到用户和物品的交互信息;
[0021]根据用户和物品的交互信息以及物品标签特征向量,得到用户与物品的特征向量。
[0022]进一步的,所述根据用户和物品的交互信息以及物品标签特征向量,得到用户与物品的特征向量,包括:
[0023]根据用户和物品的交互信息,得到用户特征向量;
[0024]根据用户和物品的交互信息以及物品标签特征向量,为每个物品构建物品特征向量,包括:
[0025]根据用户和物品的交互信息,得到物品身份特征向量;
[0026]根据物品身份特征向量和物品标签特征向量,得到物品特征向量,公式如下:
[0027][0028]其中,为物品身份特征向量,表示物品标签特征向量构成的矩阵的转置;W∈R
N
×
T
是标签特征转换矩阵,其中每一行W
n,
·
∈R
T
代表的是各标签在该行号对应编号的物品中所占比例,每行的总和为1;N为物品总数,T为标签总数;标签特征转换矩阵是记录物品在各个标签上所占比例的权重矩阵,是可训练的参数矩阵,根据数据集中物品标签的原始信息进行初始化。
[0029]进一步的,所述利用数据集对好奇心模型中的隐语义模块和图卷积模块进行训练,得到训练好的好奇心模型,包括:
[0030]训练中,若迭代次数小于5,则:将数据集中用户与物品交互的数据输入隐语义模块,将隐语义模块中得到的用户和物品的交互信息以及用户与物品的特征向量输入图卷积模块,将图卷积模块输出的预测相关性得分作为最终得分,根据最终得分计算损失,进而更新模型中的参数;
[0031]否则:将数据集中用户与物品交互的数据输入隐语义模块,将隐语义模块中得到的用户和物品的交互信息以及用户与物品的特征向量输入图卷积模块,并将用户与物品的特征向量输入好奇心模块;根据图卷积模块输出的预测相关性得分和好奇心模块得到的预测好奇心得分,计算最终得分,根据最终得分计算损失,进而更新模型中的参数;
[0032]训练中采用的目标函数如下:
[0033][0034]其中,表示用户u
m
在用户

物品交互二部图上的邻居的编号,用户

物品交互二部图是由用户和物品的交互信息构成的拓扑图;i
p
表示用户访问过的物品,i
j
则为用户没有访问过的物品,表示好奇心模型对用户u
m
访问物品i
p
的最终得分表示好奇心模型对用户u
m
访问物品i
j
的最终得分;第二个加项是一个L2正则化项;参数λ用于控制正则化强度;E表示用户和物品的所有特征向量。
[0035]进一步的,所述将用户与物品的特征向量输入好奇心模型中的好奇心模块,得到每个物品针对特定用户的预测好奇心得分,包括:
[0036]根据用户与物品的特征向量,计算好奇心刺激值,包括:
[0037]根据物品的特征向量,利用信息熵量化物品在标签上的复杂度;
[0038]根据用户与物品的特征向量,计算用户个性化因子;
[0039]根据用户个性化因子和复杂度,计算好奇心刺激值;
[0040]根据好奇心刺激值,得到物品针对特定用户的预测好奇心得分,包括:
[0041]根据刺激值在各个均等的取值区间内的出本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络结合好奇心的个性化推荐方法,其特征在于,所述方法包括:获取用户与物品交互的数据集;根据数据集,利用好奇心模型中的隐语义模块,得到用户和物品的交互信息以及用户与物品的特征向量;将用户和物品的交互信息以及用户与物品的特征向量输入好奇心模型中的图卷积模块,得到每个物品针对特定用户的预测相关性得分;将用户与物品的特征向量输入好奇心模型中的好奇心模块,得到每个物品针对特定用户的预测好奇心得分;根据每个物品针对特定用户的预测相关性得分以及预测好奇心得分,得到用户的个性化物品推荐列表;利用数据集对好奇心模型中的隐语义模块和图卷积模块进行训练,得到训练好的好奇心模型;将用户和物品序号输入训练好的好奇心模型,得到用户的个性化物品推荐列表。2.根据权利要求1所述的个性化推荐方法,其特征在于,所述根据数据集,利用好奇心模型中的隐语义模块,得到用户和物品的交互信息以及用户与物品的特征向量,包括:根据数据集中的物品信息,得到物品标签特征向量;对数据集进行预处理,得到用户和物品的交互信息;根据用户和物品的交互信息以及物品标签特征向量,得到用户与物品的特征向量。3.根据权利要求2所述的个性化推荐方法,其特征在于,所述根据用户和物品的交互信息以及物品标签特征向量,得到用户与物品的特征向量,包括:根据用户和物品的交互信息,得到用户特征向量;根据用户和物品的交互信息以及物品标签特征向量,为每个物品构建物品特征向量,包括:根据用户和物品的交互信息,得到物品身份特征向量;根据物品身份特征向量和物品标签特征向量,得到物品特征向量,公式如下:其中,为物品身份特征向量,表示物品标签特征向量构成的矩阵的转置;W∈R
N
×
T
是标签特征转换矩阵,其中每一行W
n,
·
∈R
T
代表的是各标签在该行号对应编号的物品中所占比例,每行的总和为1;N为物品总数,T为标签总数;标签特征转换矩阵是记录物品在各个标签上所占比例的权重矩阵,是可训练的参数矩阵,根据数据集中物品标签的原始信息进行初始化。4.根据权利要求2所述的个性化推荐方法,其特征在于,所述利用数据集对好奇心模型中的隐语义模块和图卷积模块进行训练,得到训练好的好奇心模型,包括:训练中,若迭代次数小于5,则:将数据集中用户与物品交互的数据输入隐语义模块,将隐语义模块中得到的用户和物品的交互信息以及用户与物品的特征向量输入图卷积模块,将图卷积模块输出的预测相关性得分作为最终得分,根据最终得分计算损失,进而更新模型中的参数;否则:将数据集中用户与物品交互的数据输入隐语义模块,将隐语义模块中得到的用
户和物品的交互信息以及用户与物品的特征向量输入图卷积模块,并将用户与物品的特征向量输入好奇心模块;根据图卷积模块输出的预测相关性得分和好奇心模块得到的预测好奇心得分,计算最终得分,根据最终得分计算损失,进而更新模型中的参数;训练中采用的目标函数如下:其中,表示用户u
m
在用户

物品交互二部图上的邻居的编号,用户

物品交互二部图是由用户和物品的交互信息构成的拓扑图;i
p
表示用户访问过的物品,i
j
则为用户没有访问过的物品,表示好奇心模型对用户u
m
访问物品i
p
的最终得分表示好奇心模型对用户u
m
访问物品i
j
的最终得分;第二个加项是一个L2正则化项;参数λ用于控制正则化强度;E表示用户和物品的所有特征向量。5...

【专利技术属性】
技术研发人员:钟华麟许可蔡毅
申请(专利权)人:华南理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1