面向序列化推荐的图增强胶囊网络研究制造技术

本发明专利技术旨在提高系统推荐结果的准确率，公开了一种面向序列化推荐的图增强胶囊网络研究，主要专注于如何同时建模用户长短期偏好。一方面，该方法有效地利用图卷积网络聚集高阶邻居信息的特性，显式挖掘用户

【技术实现步骤摘要】
面向序列化推荐的图增强胶囊网络研究


[0001][0002]本专利技术属于机器学习和推荐系统领域，尤其涉及一种面向序列化推荐的图增强胶囊网络研究。

技术介绍

[0003]在大数据和人工智能时代，各类互联网信息数据爆发性增长，随之而来的“信息过载”问题也尤为凸显。对于用户来说，海量数据反而让他们无所适从、不堪重负。目前，推荐系统作为缓解信息过载问题的有效手段，通过分析用户行为数据帮助用户选取感兴趣的内容，提供个性化的推荐服务。
[0004]传统的推荐方法如基于协同过滤(Collaborative Filtering，CF)，通过用户对物品的历史行为偏好建模用户兴趣，尽管简单且有效，但这些方法以一种静态的方式建模用户行为且只能捕获用户全局的偏好，然而实际中用户行为是随时间动态变化的，如用户开始浏览景点信息，然后又预定机票和酒店，接下来可能浏览租车信息。这种现象促进了一个实际的应用场景——序列化推荐，其基本思想表明用户最近交互的物品往往会对下一时刻的交互行为产生影响。因此，目前有许多研究利用用户
‑
物品交互行为的序列化信息来提高推荐准确性。
[0005]近年来，随着图神经网络和胶囊网络在学术界和工业界的广泛成功，研究人员尝试将这些技术融入推荐研究中。其中，图神经网络可以更清晰的描述用户
‑ꢀ
物品二部图，利用节点之间的高阶连通性并将协作信号注入到长期用户兴趣建模中；对于胶囊网络，其具有旋转等价、空间感知等特性可以有效的从多个最近物品中捕获转换依赖关系。然而，专利技术人发现，有三个关键问题在以往工作中没有得到充分的研究：
[0006](1)仅通过观察到的直接交互捕获长期用户偏好，而没有在用户
‑
物品二部图中显式编码协作信号。然而，在现实世界场景中观察到的直接交互极其稀少，这使得模型难以学习令人满意的长期用户偏好。
[0007](2)它们通常无法同时捕获联合层和个体层序列模式，这可能导致次优性。其中对个体层序列模式建模时，忽略了转换模式的内在顺序；对联合层的序列模式建模时，他们忽略了序列方向的影响。
[0008](3)它们忽略了动态整合长期和短期用户兴趣建模的重要性。在执行长期和短期用户建模之后，通常采用串联或加法融合策略来形成解决方案。虽然这两种策略非常简单，但它们无法区分不同用户在不同时间点的每个部分的重要性。

技术实现思路

[0009]针对上述问题，本专利技术公开一种面向序列化推荐的图增强胶囊网络研究，包括4个模块：数据输入、长期用户兴趣建模、短期用户兴趣建模和模型预测。首先，将根据用户、物品ID初始化的特征表示和捕获序列模式的初始化物品，为所有用户、物品建立特征向量查
找表并分别输入；其次，为了学习用户、物品交互域的信息特征，利用用户和物品两类节点以及交互关系(边)形成用户
‑
物品二部图将高阶连通性编码为协作信号，传播节点的邻居特征来获得节点表示，这样，显式地捕捉用户之间的行为相似性；然后，利用最近L个表示作为用户特定的矩阵进行水平卷积，并将同一维度上的所有元素封装到一个用户特定的胶囊中来捕获联合层序列模式，以克服先前工作对序列顺序不敏感的缺点；此外，利用位置感知门控模块区分L阶马尔科夫链中每一项的重要性，来控制预测下一个项所要传递的信息。最后，采用双门控机制先将用户特定的胶囊模块和位置感知门控模块得到的向量融合得到每个用户的短期兴趣表示，再将生成的两种用户特征——长期偏好和短期兴趣进行自适应融合得到最终的用户表示，得到的结果和输出的物品特征向量进行内积并加上对应物品的流行度得到预测评分。
[0010]与现有技术相比，本专利技术的有效效果是：
[0011](1)本专利技术提出了面向序列化推荐的图增强胶囊网络研究，针对用户在长期偏好和短期兴趣对下一次物品交互预测影响不同这一特点，分别设计模块为每个用户捕捉潜在兴趣特征。建模长期偏好时利用图卷积网络的优点，堆叠多个图卷积层执行领域聚合操作来传播邻居的特征来实现目标节点的更新，将高阶连通信息显式编码到嵌入过程中。
[0012](2)本专利技术为细粒度捕捉用户短期兴趣，分别设计用户特定的胶囊模块和位置感知门控模块来同时捕获联合层和个体层序列模式。前者通过水平卷积和动态路由组件将同一维度的所有元素封装到用户特定的胶囊中以产生预测向量；后者区分L阶马尔科夫链中每一项的重要性来控制预测下一项而传递的信息。
[0013](3)本专利技术设计一种双门控机制，以确定各个模块在预测下一个物品时的贡献率。该策略使公开的模型在贴合实际环境需求的同时，降低了模型的时间复杂度并提高了训练效率。
附图说明
[0014]为了更清楚的说明本专利技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图简单地介绍。
[0015]图1是本专利技术实施例的推荐场景示意图；
[0016]图2是本专利技术实施例的GCRec模型结构示意图；
[0017]图3是本专利技术实施例的GCRec不同评价指标结果比较图；
[0018]图4是本专利技术实施例在不同推荐列表长度下各基准方法的归一化折损累计增益比较图；
[0019]图5是本专利技术实施例在不同推荐列表长度下各基准方法的精确度比较图；
[0020]图6是本专利技术实施例在不同稀疏水平分布下不同用户分组的归一化折损累计增益比较图；
[0021]图7是本专利技术和比较算法训练时间的比较图。
具体实施方式
[0022][0023]随着互联网的发展和移动终端的普及，网络购物已经逐渐称为一种主流的购物方
式，打开某购物平台APP，在首页会根据之前用户的购买记录或近期用户的浏览、点击、添加购物车等行为为用户推荐商品。
[0024]如图1所示，是用户最近L次交互的示例图，在这个种场景中，用户的兴趣偏好通过不同的购买顺序展现。例如，一位女生最近消费的L件物品构成序列1：游戏手柄
→
耳机
→
手机
→
手机壳，那么在下一次为她推荐手机支架是合理的。但反过来如果她的消费顺序是手机壳
→
游戏手柄
→
耳机
→
手机，则会为她推荐手机屏保。在对联合层的序列模式建模时，是否考虑序列方向的影响会造成推荐结果的不同。同样，当建模个体层序列模式时，相同序列的每一项对下一次推荐产生的影响不同。因此本专利技术在构建模型的过程中，同时捕捉联合层和个体层项目转换模式的内在顺序。
[0025]1.问题定义：
[0026]对于推荐问题，用户
‑
物品的交互可以被描述为用户
‑
物品二部图，其中用户和物品分别用节点集合表示，用户和物品之间有交互则用边连接。令和分别表示用户和物品的集合。对于每一个用户按照时间顺序对用户的动作序列排序，序列表示为：其中表示用户之前消费的物品数量。本专利技术的输入数据根据用户、物品ID初始化而形成的潜在特征向量，在形式上可表示为：其中以及捕获序列模式的向量：其中D表示向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向序列化推荐的图增强胶囊网络研究，其特征在于，(1)主要关注建模序列化推荐中的用户偏好传递过程，从联合层和个体层两个角度同时捕获用户兴趣并实现长期和短期的用户兴趣的动态整合；(2)模型包含4个模块，分别是数据输入模块、长期用户兴趣建模模块、短期用户兴趣建模模块和模型预测模块；(3)设计了一种双门控机制，衡量每个模块在特定环境下的重要性，提升模型预测准确率。2.根据权利要求1所述的面向序列化推荐的图增强胶囊网络研究模型，将用户、物品ID初始化为潜在特征向量，并通过初始化每个物品来捕获序列模式，为所用用户、物品建立特征向量查找表，具体形式化表示为：3.根据权利要求1和2所述的面向序列化推荐的图增强胶囊网络研究模型，其特征在于，依据图卷积神经网络的优点，利用节点之间的高阶连通性将协作信号注入到长期用户兴趣建模中，摒弃传统图卷积特征变换与非线性激活操作，采用最简洁的线性传播规则，具体为：步骤1：对于每个用户、物品，堆叠多个图形卷积层，收集来自高阶邻居的有影响的信号，传播其邻居的特征来获得节点表示，更新向量表...

【专利技术属性】
技术研发人员：吴宾，时天任，钟李红，叶阳东，
申请(专利权)人：郑州大学，
类型：发明
国别省市：