基于图神经网络架构搜索的推荐方法、装置、系统及介质制造方法及图纸

本发明专利技术公开了一种基于图神经网络架构搜索的推荐方法、装置、系统及介质，所述方法包括：针对图神经网络架构搜索设计相应的搜索空间；采用粒子群算法作为图神经网络架构搜索的搜索策略，将各粒子的位置按照搜索空间转化为对应的图神经网络模型，选择粒子群的历史最优值作为最优的图神经网络架构；其中，粒子位置对应图神经网络架构编码，图神经网络架构使用解耦模式的图卷积操作聚合邻居节点信息；对最优的图神经网络架构进行训练，利用训练好的最优的图神经网络架构生成推荐列表。本发明专利技术中图神经网络采用解耦模式的图卷积加深了信息传播的层数，提高了推荐性能；采用架构搜索技术实现了自动地为不同数据集寻找一个最优的图神经网络。神经网络。神经网络。

【技术实现步骤摘要】
基于图神经网络架构搜索的推荐方法、装置、系统及介质


[0001]本专利技术属于推荐系统
，特别涉及一种基于图神经网络架构搜索的推荐方法、装置、系统、终端设备及存储介质。

技术介绍

[0002]在推荐系统领域中，由于图结构数据的广泛存在，图神经网络技术被用来有效挖掘出目标数据集中有价值的信息。传统的基于图神经网络的推荐系统，如Pinsage、NGCF等，都是采用非解耦模式的图卷积，其特点是在每次从邻接节点聚合信息后都需要经过一个全连接的MLP网络，而根据《Towards Deeper Graph Neural Networks》中的研究，这种非解耦式的图卷积通常是深度图神经网络性能下降的主要诱因。

技术实现思路

[0003]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架构搜索的推荐方法、装置、系统、终端设备及存储介质，通过采用一种解耦模式的图卷积，将图卷积过程划分为信息传播和特征转换两个过程，先进行信息传播来聚合K阶邻居节点的信息，再进行特征转换来学习得到最终的特征表示，利用解耦模式的图卷积实现了深层的图神经网络，使得实现推荐系统可以利用到目标数据集中更多的信息，从而提升推荐性能；同时采用了神经网络架构搜索技术在深层的网络空间中找到适应目标数据集的网络结构，使得不需要手动地为不同数据集调制一个网络结构，而可以自动地为不同数据集寻找一个最优的图神经网络。本专利技术的方法结合基于协同过滤的推荐方法，利用用户与物品的交互数据，实现了有效、准确的推荐。
[0004]本专利技术的第一个目的在于提供一种基于图神经网络架构搜索的推荐方法。
[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架构搜索的推荐装置。
[0006]本专利技术的第三个目的在于提供一种基于图神经网络架构搜索的推荐系统。
[0007]本专利技术的第四个目的在于提供一种终端设备。
[0008]本专利技术的第五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架构搜索的推荐方法，所述方法包括：
[0011]针对图神经网络架构搜索设计相应的搜索空间；
[0012]采用粒子群算法作为图神经网络架构搜索的搜索策略，将各粒子的位置按照所述搜索空间转化为对应的图神经网络模型，选择粒子群的历史最优值作为最优的图神经网络架构；其中，粒子的位置对应图神经网络架构的编码，图神经网络架构使用解耦模式的图卷积操作聚合邻居节点信息；
[0013]对所述最优的图神经网络架构进行训练，利用训练好的最优的图神经网络架构生成推荐列表。
[0014]进一步的，所述将各粒子的位置按照搜索空间转化为对应的图神经网络模型，选
择粒子群的历史最优值作为最优的图神经网络架构，包括：
[0015]S1：对粒子群初始化，包括粒子的位置和速度；
[0016]S2：将各个粒子的位置按照所述搜索空间转化为对应的图神经网络架构；对所述图神经网络架构进行训练，利用训练好的图神经网络架构，计算性能评估指标；
[0017]S3：根据性能评估指标，选出每个粒子的历史最优值pbest和种群的历史最优值gbest，进而更新每个粒子的位置和速度；
[0018]重复执行步骤S2和S3进行多轮搜索迭代，在迭代结束后选择粒子群的历史最优值作为最优的图神经网络架构。
[0019]进一步的，所述对所述图神经网络架构进行训练，包括：
[0020]图神经网络模型首先随机初始化用户和物品的特征表示，再使用解耦模式的图卷积操作中的信息传播操作聚合邻居节点信息，学习用户和物品的特征表示；其中，所述信息传播操作仅在图神经网络模型的初始化过程中执行一次；
[0021]根据用户和物品的特征表示，计算用户特征向量和物品特征向量的内积；根据内积的计算结果从大到小排序，对应的物品列表中取前K个作为最终的推荐列表；其中，K为大于等于1的正整数；
[0022]粒子群算法使用BPR损失函数，以梯度下降的方式训练所述图神经网络模型。
[0023]进一步的，所述利用训练好的图神经网络架构，计算性能评估指标，包括：
[0024]将测试数据集中的数据输入训练好的图神经网络架构中，得到推荐列表；
[0025]根据所述推荐列表与测试集中用户的实际偏好列表，计算性能评估指标。
[0026]进一步的，所述根据性能评估指标，选出每个粒子的历史最优值pbest和种群的历史最优值gbest，进而更新每个粒子的位置和速度，包括：
[0027]根据性能评估指标，选出每个粒子的历史最优值pbest和种群的历史最优值gbest；
[0028]根据pbest和gbest，利用粒子群的速度和位置更新公式，修改粒子的信息，公式如下：
[0029]v
i+1
(t+1)＝v
i
(t)+c1×
rand
×
(pbest
i
(t)
‑
x
i
(t))+c2×
rand
×
(gbest
‑
xi(t))x
i+1
(t+1)＝x
i
(t)+v
i+1
(t+1)
[0030]为确保粒子每次移动后的位置坐标都是整数，做了以下约束：
[0031][0032]其中，x
i
表示t时刻粒子的位置，对应图神经网络架构的编码；v
i
表示t时刻粒子的运动速度，v
max
是粒子的最大速度。；pbest
i
表示该粒子个体的历史最优值，gbest表示整个粒子群的历史最优值；c1和c2均为预先定义的超参数，用来控制粒子的搜寻方向。
[0033]进一步的，为了提高架构搜索的效率，在步骤S2中，利用训练数据集中的部分数据对图神经网络架构进行训练；
[0034]以使图神经网络架构中的可训练参数充分贴合目标数据集，从而得到最佳的推荐效果，利用训练数据集中的全部数据对所述最优的图神经网络架构进行训练。
[0035]进一步的，所述针对图神经网络架构搜索设计相应的搜索空间，具体为：
[0036]将搜索空间分解为信息传播搜索空间、特征转换搜索空间以及超参数搜索空间搜索空间。
[0037]本专利技术的第二个目的可以通过采取如下技术方案达到：
[0038]一种基于图神经网络架构搜索的推荐装置，所述推荐装置包括：
[0039]搜索空间设计模块，用于针对图神经网络架构搜索设计相应的搜索空间；
[0040]最优图神经网络架构选择模块，用于采用粒子群算法作为图神经网络架构搜索的搜索策略，将各粒子的位置按照所述搜索空间转化为对应的图神经网络模型，选择粒子群的历史最优值作为最优的图神经网络架构；其中，粒子的位置对应图神经网络架构的编码，图神经网络架构使用解耦本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络架构搜索的推荐方法，其特征在于，所述方法包括：针对图神经网络架构搜索设计相应的搜索空间；采用粒子群算法作为图神经网络架构搜索的搜索策略，将各粒子的位置按照所述搜索空间转化为对应的图神经网络模型，选择粒子群的历史最优值作为最优的图神经网络架构；其中，粒子的位置对应图神经网络架构的编码，图神经网络架构使用解耦模式的图卷积操作聚合邻居节点信息；对所述最优的图神经网络架构进行训练，利用训练好的最优的图神经网络架构生成推荐列表。2.根据权利要求1所述的推荐方法，其特征在于，所述将各粒子的位置按照搜索空间转化为对应的图神经网络模型，选择粒子群的历史最优值作为最优的图神经网络架构，包括：S1：对粒子群初始化，包括粒子的位置和速度；S2：将各个粒子的位置按照所述搜索空间转化为对应的图神经网络架构；对所述图神经网络架构进行训练，利用训练好的图神经网络架构，计算性能评估指标；S3：根据性能评估指标，选出每个粒子的历史最优值pbest和种群的历史最优值gbest，进而更新每个粒子的位置和速度；重复执行步骤S2和S3进行多轮搜索迭代，在迭代结束后选择粒子群的历史最优值作为最优的图神经网络架构。3.根据权利要求2所述的推荐方法，其特征在于，所述对所述图神经网络架构进行训练，包括：图神经网络模型首先随机初始化用户和物品的特征表示，再使用解耦模式的图卷积操作中的信息传播操作聚合邻居节点信息，学习用户和物品的特征表示；其中，所述信息传播操作仅在图神经网络模型的初始化过程中执行一次；根据用户和物品的特征表示，计算用户特征向量和物品特征向量的内积；根据内积的计算结果从大到小排序，对应的物品列表中取前K个作为最终的推荐列表；其中，K为大于等于1的正整数；粒子群算法使用BPR损失函数，以梯度下降的方式训练所述图神经网络模型。4.根据权利要求3所述的推荐方法，其特征在于，所述利用训练好的图神经网络架构，计算性能评估指标，包括：将测试数据集中的数据输入训练好的图神经网络架构中，得到推荐列表；根据所述推荐列表与测试集中用户的实际偏好列表，计算性能评估指标。5.根据权利要求2所述的推荐方法，其特征在于，所述根据性能评估指标，选出每个粒子的历史最优值pbest和种群的历史最优值gbest，进而更新每个粒子的位置和速度，包括：根据性能评估指标，选出每个粒子的历史最优值pbest和种群的历史最优值gbest；根据pbest和gbest，利用粒子群的速度和位置更新公式，修改粒子的信息，公式如下：v
i+1
(t+1)＝v
i
(t)+c1×
rand
×
(pbest<...

【专利技术属性】
技术研发人员：林梓塍，陶乾，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：