一种基于图注意力神经网络的协同过滤推荐系统及方法技术方案

本发明专利技术提供了一种基于图注意力神经网络的协同过滤推荐系统及方法。本发明专利技术所述基于图注意力神经网络的协同过滤推荐系统，首先利用图注意力网络通过量化目标节点的邻居信息对其的重要程度提高节点向量表示的质量；然后使用目标节点的高阶邻居信息丰富其向量表示，再通过平均汇聚获得节点的最终向量表示；最后，利用内积对用户和物品进行建模。本发明专利技术所述基于图注意力神经网络的协同过滤推荐系统，可快速从大量物品中召回用户可能喜好的物品，可适用于电子商务、社交媒体、广告和新闻等领域。广告和新闻等领域。广告和新闻等领域。

【技术实现步骤摘要】
一种基于图注意力神经网络的协同过滤推荐系统及方法


[0001]本专利技术涉及推荐系统领域，具体地说是一种基于图注意力神经网络的协同过滤推荐系统及方法。

技术介绍

[0002]在信息技术时代，推荐系统作为解决信息过载的有效解决方案已经广泛应用于电子商务、社交媒体、新闻和广告等领域。推荐系统基于购买和点击等历史交互预测用户下一次可能产生交互的物品来为用户提供个性化服务。协同过滤作为推荐系统中广泛使用的算法之一，其主要思想是假设具有相似交互的用户对物品具有相似的偏好，通常协同过滤的关键组件是用户(物品)的向量表示和用户
‑
物品交互模型。随着机器学习的发展，图神经网络在向量表示方面表现突出，结合图神经网络的推荐系统成为主流。
[0003]鉴于此，本专利技术提出了一种基于图注意力神经网络的协同过滤推荐系统。应用该系统，可以在推荐场景中通过图注意力神经网络获得高质量的用户(物品)向量表示，再通过内积建模用户和物品之间的交互，可以实现较好的个性化推荐服务。

技术实现思路

[0004]本专利技术的目的就是提供一种基于图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力神经网络的协同过滤推荐系统，其特征是，包括采样模块和模型训练模块；模型训练模块包括图注意力网络层、汇聚层和预测层；图注意力网络层用于将用户和物品原始向量表示通过消息传递到目标节点，目标节点聚合其邻居向量表示输出自身新的向量表示；汇聚层用于将目标节点不同网络层的输出汇聚之后生成目标节点的最终向量表示；预测层用于使用内积建模用户和物品之间的交互，输出用户对物品的喜好程度；所述目标节点聚合其邻居向量，具体是：采用图注意力网络，通过注意力机制量化目标节点的邻居信息对其的重要程度；所述汇聚层在对目标节点不同网络层的输出进行汇聚时采用平均汇聚的方式生成目标节点的最终向量表示；所述采样模块通过用户的隐式反馈对样本进行选取，将与用户产生过交互的样本视为正样本，未产生过交互的样本视为负样本；所述采样模块通过跳连接的方法从负样本中选取有效负样本作为难负样本。2.根据权利要求1所述的基于图注意力神经网络的协同过滤推荐系统，其特征是，所述图注意力网络层数为3。3.根据权利要求1所述的基于图注意力神经网络的协同过滤推荐系统，其特征是，采用用户和物品的ID作为训练数据，将用户和物品的ID通过Xavier初始化获取用户和物品原始向量表示，即通过嵌入层将用户和物品的ID映射到低维密集向量。4.根据权利要求1所述的基于图注意力神经网络的协同过滤推荐系统，其特征是，目标节点聚合其邻居向量表示输出自身新的向量表示，具体表达公式如下：式(6)中，和分别表示用户节点和物品节点聚合h阶邻居信息之后的输出，和为消息传递的权重，和为第h
‑
1网络层的输出。5.一种基于图注意力神经网络的协同过滤推荐方法，其特征是，该方法采用了权利要求1所述基于图注意力神经网络的协同过滤推荐系统，包括如下步骤：a、由采用模块通过用户的隐式反馈对样本进行选取，将与用户产生过交互的样本视为正样本，未产生过交互的样本视为负样本；所述采样模块通过跳连接的方法从负样本中选取有效负样本作为难负样本；b、模型训练模块通过正样本和难负样本对模型进行训练；具体包括：b
‑
1、通过图注意力网络层使用户和物品原始向量表示通过消息传递到目标节点，目标节点聚合其邻居向量表示输出自身新的向量表示；所述目标节点聚合其邻居向量具体是：采用图注意力网络，通过注意力机制量化目标节点的邻居信息对其的重要程度；b
‑
2、通过汇聚层将目标节点不同网络层的输出平均汇聚之后生成目标节点的最终向量表示；b
‑
3、通过预测层使用内积建模用户和物品之间的交互，输出用户对物品的喜好程度。6.根据权利要求5所述的基于图注意力神经网络的协同过滤推荐方法，其特征是，步骤b
...

【专利技术属性】
技术研发人员：李凯，朱江强，齐静，彭锦佳，
申请(专利权)人：河北大学，
类型：发明
国别省市：