一种基于潜在兴趣多视图融合的推荐方法和系统技术方案

本发明专利技术公开了一种基于潜在兴趣多视图融合的推荐方法和系统，属于计算机推荐系统技术领域。本发明专利技术通过构建多视图来探索多种因素对用户和商品的影响，根据潜在的用户兴趣主题生成子图，在不同的视图下，通过为用户和商品的表示增加个性化的特征使其可以保持自己的特征，有效缓解传统方法过平滑的问题。用残差网络结构改进了经典LightGCN模型，设计了VS

【技术实现步骤摘要】
一种基于潜在兴趣多视图融合的推荐方法和系统


[0001]本专利技术属于计算机推荐系统
，具体涉及一种基于潜在兴趣多视图融合的推荐方法和系统。

技术介绍

[0002]推荐系统因其在学术研究和实际生活中的巨大潜力，是社会网络中最受欢迎的研究内容之一。例如，在电子商务中，推荐系统可以为特定用户提供个性化的信息，以减少用户在面对众多产品或服务时的选择成本。在社会媒体中，推荐系统可以根据用户的个性化信息，向用户推荐具有共同爱好或兴趣的好友。传统的推荐系统通常可以分为基于协同过滤(CF)的方法、基于内容的方法和混合方法，主要是基于用户与商品的交互或行为历史记录来学习语义特征。近年来，深度神经网络模型，如卷积神经网络、循环神经网络和长短期记忆，已经被采用来学习网络结构和节点的表示，并大大改善了用户建模和推荐的效果。典型的例子是神经协作过滤模型采用多层神经网络来学习更好的用户和商品表示。在此基础上，基于图卷积网络(GCN)的模型由于在学习网络结构表示上的强大能力成为基于深度学习的推荐系统中最重要的基础模型之一，该模型能从具有非欧几里得结构的局部图邻域迭代地聚合特征信息。并利用高阶连接性缓解推荐中的稀疏问题，用户和商品的表述将受益于从图结构中提炼的额外信息。尽管这些方法已经取得了一定程度的成功，但图卷积操作本质上是一种特殊的图拉普拉斯平滑，导致GCN模型存在严重的过平滑问题——在多层图卷积操作后，节点表示逐渐趋于相似，限制了模型的深度和大小。LightGCN模型证明了该模型的性能可能会受到特征转换和非线性激活的不利影响，该模型只考虑邻域节点，通过去除非线性并引入残余网络结构，并在聚合过程中去掉了“自环”操作，在一定程度上缓解了过平滑的问题。进一步地，IMP
‑
GCN模型在图卷积操作中，通过将没有共同兴趣的高阶相邻用户也参与到用户的嵌入学习中，通过无监督的子图生成模块，构建由兴趣相近的用户和他们交互的商品组成的子图。

技术实现思路

[0003]针对目前推荐系统模型缺少特异性表示信息的问题，本专利技术提供了一种基于潜在兴趣多视图融合的推荐方法和系统。
[0004]为了达到上述目的，本专利技术采用了下列技术方案：
[0005]一种基于潜在兴趣多视图融合的推荐系统，包括多视图生成模块、VS
‑
LightGCN模块和多视图融合模块；
[0006]所述多视图生成模块：
[0007]原始的用户
‑
商品交互行为矩阵其中，表示R是一个m
×
n维，每个元素为实数的矩阵；m和n分别表示用户和商品的数量，若R中用户u与商品i对应的元素R
ui
非零，表示用户u曾经与商品i交互过，用户u和商品i之间存在一条边；否则，该R
ui
为零；
[0008]在原始的用户
‑
商品交互行为矩阵R的基础上，用一个用户
‑
商品的二部图G＝(N,
E)来提供结构信息；其中，N表示节点的集合，包括用户u和商品i的节点，E表示边的集合；
[0009]再使用奇异值分解SVD来分解原始的用户
‑
商品交互行为矩阵R，表示为：R≈P
(t)
Σ
(t)
(Q
(t)
)
T
，其中，P
(t)
和Q
(t)
分别是左、右奇异矩阵，Σ
(t)
是一个对角矩阵，由前t个最大奇异值组成，T为向量转置；
[0010]将每个奇异值视为推荐系统中的一个潜在兴趣主题；用户u和商品i由前t个潜在兴趣主题分别表示为奇异向量p
(t)u
∈P
(t)
和q
(t)i
∈Q
(t)
；在前t个潜在兴趣主题下，将p
(t)u
和q
(t)i
之间的相似度视为用户u和商品i的结构关联得分，表示为：
[0011][0012]根据前t个潜在兴趣主题下每个用户u和商品i的结构相关得分score
(t)ui
，生成相似度矩阵其中用户u和商品i对应元素
[0013]原始的用户
‑
商品交互行为矩阵R转化为由t个潜在兴趣主题确定的不同实值连续矩阵M
(t)
；选择不同的t值，获得不同的相似度矩阵M
(t)
；
[0014]在原始的用户
‑
商品交互图中，当用户误点击一个不感兴趣的商品，这种边会给图结构学习带来噪音；设置阈值η去除基于相似性矩阵M
(t)
的双子图中结构相关分数过低的噪声边，用户和用户交互的商品被分组到不同的子图中，以生成不同的视图；对于每个视图V
(t)
，其交互矩阵被定义为：
[0015][0016]其中，η为一阈值，控制生成两个视图过程中的边的相似度；
[0017]当且仅当相似度矩阵M
(t)
中用户u和商品i对应元素不小于阈值η，且原始的用户
‑
商品交互矩阵R中对应元素R
ui
＝1时，视图V
(t)
中用户u和商品i对应元素值为1，否则为0；
[0018]所述VS
‑
LightGCN模块：
[0019]对于多视图生成模块生成的每个视图，将用户u和商品i的初始嵌入分别表示为e
(0)u
和e
(0)i
；从潜在兴趣主题的不同视图中学习用户u和商品i的表示；各视图之间是相互独立的，特定视图子图中的节点只能与子图内的邻居传播信息；同时通过奇异值分解SVD将用户u或商品i表示为前t个潜在兴趣主题下的t维嵌入p
(t)u
和q
(t)i
，使其包含关于用户u或商品i自身特征的个性化特征，并初始化视图V
(t)
中的节点嵌入表示，即e
(0)u
＝p
(t)u
，e
(0)i
＝q
(t)i
；
[0020]传播过程表示为：
[0021][0022][0023]其中和分别是e
(0)u
和e
(0)i
的静态拷贝，不参与优化更新；保证个性化特征在传播过程中不会丢失，|N
u
|与|N
i
|分别表示用户u的邻居节点集合N
u
和商品i的邻居节点集
合N
i
的大小，k表示迭代轮次；
[0024]并行训练优化每个视图V
(t)
，每个视图V
(t)
的损失函数L表示为：
[0025][0026]其中，δ为sigmoid函数，m表示用户的数量，a为用户u的一个邻居商品节点，b为用户u的一个非邻居商品节点，e
u
、e
a
、e
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于潜在兴趣多视图融合的推荐系统，其特征在于：包括多视图生成模块、VS
‑
LightGCN模块和多视图融合模块；所述多视图生成模块：原始的用户
‑
商品交互行为矩阵其中，表示R是一个m
×
n维，每个元素为实数的矩阵；m和n分别表示用户和商品的数量，若R中用户u与商品i对应的元素R
ui
非零，表示用户u曾经与商品i交互过，用户u和商品i之间存在一条边；否则，该R
ui
为零；在原始的用户
‑
商品交互行为矩阵R的基础上，用一个用户
‑
商品的二部图G＝(N,E)来提供结构信息；其中，N表示节点的集合，包括用户u和商品i的节点，E表示边的集合；再使用奇异值分解SVD来分解原始的用户
‑
商品交互行为矩阵R，表示为：R≈P
(t)
Σ
(t)
(Q
(t)
)
T
，其中，P
(t)
和Q
(t)
分别是左、右奇异矩阵，Σ
(t)
是一个对角矩阵，由前t个最大奇异值组成，T为向量转置；将每个奇异值视为推荐系统中的一个潜在兴趣主题；用户u和商品i由前t个潜在兴趣主题分别表示为奇异向量p
(t)u
∈P
(t)
和q
(t)i
∈Q
(t)
；在前t个潜在兴趣主题下，将p
(t)u
和q
(t)i
之间的相似度视为用户u和商品i的结构关联得分，表示为：根据前t个潜在兴趣主题下每个用户u和商品i的结构相关得分score
(t)ui
，生成相似度矩阵其中用户u和商品i对应元素原始的用户
‑
商品交互行为矩阵R转化为由t个潜在兴趣主题确定的不同实值连续矩阵M
(t)
；选择不同的t值，获得不同的相似度矩阵M
(t)
；设置阈值η去除基于相似性矩阵M
(t)
的双子图中结构相关分数过低的噪声边，用户和用户交互的商品被分组到不同的子图中，以生成不同的视图；对于每个视图V
(t)
，其交互矩阵被定义为：其中，η为一阈值，控制生成两个视图过程中的边的相似度；当且仅当相似度矩阵M
(t)
中用户u和商品i对应元素不小于阈值η，且原始的用户
‑
商品交互矩阵R中对应元素R
ui
＝1时，视图V
(t)
中用户u和商品i对应元素值为1，否则为0；所述VS
‑
LightGCN模块：对于多视图生成模块生成的每个视图，将用户u和商品i的初始嵌入分别表示为e
(0)u
和e
(0)i
；从潜在兴趣主题的不同视图中学习用户u和商品i的表示；各视图之间是相互独立的，特定视图子图中的节点只能与子图内的邻居传播信息；同时通过奇异值分解SVD将用户u或商品i表示为前t个潜在兴趣主题下的t维嵌入p
(t)u
和q
(t)i
，使其包含关于用户u或商品i自身特征的个性化特征，并初始化视图V
(t)
中的节点嵌入表示，即e
(0)u
＝p
(t)u
，e
(0)i
＝q
(t)i
；传播过程表示为：
其中和分别是e
(0)u
和e
(0)i
的静态拷贝，不参与优化更新；保证个性化特征在传播过程中不会丢失，|N
u
|与|N
i
|分别表示用户u的邻居节点集合N
u
和商品i的邻居节点集合N
i
的大小，k表示迭代轮次；并行训练优化每个视图V
(t)
，每个视图V
(t)
的损失函数L表示为：其中，δ为sigmoid函数，m表示用户的数量，a为用户u的一个邻居商品节点，b为用户u的一个非邻居商品节点，e
u
、e
a
、e
b
分别为用户u、商品a和商品b的表示向量；T为向量转置，E
(0)
为所有用户和商品节点初始化表示构成的矩阵，λ
t
是视图V
(t)
中的一个超参数，控制E
(0)
的L2正则化权重；所述多视图融合模块：由主成分控制机制PCCM来动态调整每个视图对推荐结果的影响；在用户
‑
商品交互图中，用户u和商品i之间的相似度记为s
(0)ui
；对于每个生成的视图V
(t)
，在各视图信息传播优化完成后，通过公式得到视图V
(t)
的相似度s
(1)ui
,s
(2)ui
,...,s
(t)ui
；通过主成分控制机制PCCM，多个视图之间的融合相似度定义为：其中，表示多个视图之间的融合相似度，sigmoid()函数将多视图融合得分映射到[0,1]，μ是一个阈值，用于控制主成分控制机制PCCM中的视图结果融合。2.根据权利要求1所述的一种基于潜在兴趣多视图融合的推荐系统，其特征在于：所述主成分控制机制PCCM是基于用户u的潜在兴趣只有在用户愿意与某类商品交互时，才能进行准确的推荐。3.根据权利要求1所述的一种基于潜在兴趣...

【专利技术属性】
技术研发人员：廖健，马宏，
申请(专利权)人：山西大学，
类型：发明
国别省市：