一种基于簇的图协同过滤推荐方法技术

一种基于簇的图协同过滤推荐方法，基于簇的图协同过滤推荐方法模型由相似用户和物品节点通过节点软聚类构造的子图执行高阶图卷积运算。它减少了不可靠节点的负面信息影响，并缓解了基于GCN的推荐方法中的过度平滑问题。此外，由于构造子图时考虑了细粒度节点的相似性，因此可以从高阶邻居处传递更有价值的信息，可以在堆叠更多图卷积层的同时保持节点嵌入的唯一性,可以提升模型的推荐效果。嵌入的唯一性,可以提升模型的推荐效果。嵌入的唯一性,可以提升模型的推荐效果。

【技术实现步骤摘要】
一种基于簇的图协同过滤推荐方法


[0001]本专利技术涉及推荐系统及深度学习
，具体涉及一种基于簇的图协同过滤推荐方法。

技术介绍

[0002]推荐系统已经成为各种在线平台的关键技术之一，它可以从海量信息中为特定用户提供个性化信息，并增加服务提供商的收入。其中，基于协同过滤(CF)的模型技术通过利用用户物品的历史交互，在学习用户和物品表示方面取得了实质性进展。最近，基于GCN的模型由于具有从非欧几里德结构学习表示的强大能力，在推荐方面取得了巨大成功。基于GCN的模型的核心是迭代地从局部图邻域聚集特征信息，事实证明，它是一种基于图拓扑结构挖掘附加信息的有效方法，可以增强用户和物品的表示，并提高推荐性能。
[0003]尽管GCN取得了成功，但在聚集来自邻居的特征信息方面存在两个关键问题。首先，基于GCN的推荐方法存在过度平滑问题，使得多层图卷积后节点表示变得无法区分；其次，来自不可靠邻居的负面信息对用户和物品的表征学习有负面影响，它们只是简单地聚合来自所有这些邻居的消息，形成最终的用户和物品的表示，而不区分高阶邻居，因此，目标节点的表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于簇的图协同过滤推荐方法，其特征在于，包括如下步骤：a)在电子商务数据集中通过预处理得到训练集和测试集；b)训练集中包括N个用户、M个物品，利用训练集构建用户和物品购买交互的邻接矩阵，对用户节点进行嵌入参数初始化，生成节点嵌入信息对物品节点进行嵌入参数初始化，生成节点嵌入信息c)根据节点嵌入信息和邻接矩阵，对所有节点进行软聚类，生成N
s
个聚类的簇子图模块；d)建立基于簇的图协同过滤推荐方法模型；e)基于BPR损失函数迭代N次，得到训练后的基于簇的图协同过滤推荐方法模型；f)计算用户对物品的预测得分，实现物品推荐。2.根据权利要求1所述的基于簇的图协同过滤推荐方法，其特征在于，步骤a)包括如下步骤：对于电子商务数据集，将用户所交互过的物品按照8:2比率进行随机划分，分别生成得到训练集和测试集。3.根据权利要求1所述的基于簇的图协同过滤推荐方法，其特征在于，步骤b)包括如下步骤：b
‑
1)训练集中包括N个用户节点构成用户集合U，训练集中M个物品节点构成物品集合I，由用户集合U和物品集合I构建邻接矩阵R
N
×
M
，矩阵R中记录第u个用户和第i个物品之间的交互值r
ui
，r
ui
∈R
N
×
M
，u∈U，i∈I，当第u个用户和第i个物品之间存在交互时r
ui
＝1，当第u个用户和第i个物品之间不存在交互时r
ui
＝0；b
‑
2)对用户节点进行嵌入参数初始化，嵌入参数使用Xavier方法初始化，嵌入大小设置为64，生成用户节点的嵌入信息对物品节点进行嵌入参数初始化，嵌入参数使用Xavier方法初始化，嵌入大小设置为64，生成物品节点的嵌入信息4.根据权利要求1所述的基于簇的图协同过滤推荐方法，其特征在于，步骤c)包括如下步骤：c
‑
1)通过公式计算得到用户节点聚合邻居后的一阶嵌入式中N
u
为与用户交互的物品集合，N
i
为与物品交互的用户集合，通过公式计算得到物品节点聚合邻居后的一阶嵌入c
‑
2)通过公式计算得到用户节点的特征表示F
u
，式中σ(
·
)为LeakyReLU激活函数，W1为参数矩阵，W1∈R
d
×
d
，d为特征嵌入的维度，b1为偏差向量矩阵，b1∈R1×
d
，通过公式计算得到物品节点的特征表示F
i
；c
‑
3)通过公式T
u
＝σ(W2F
u
+b2)得到用户节点融合后的特征转换为预测向量T
u
，式中W2为
参数矩阵，b2为偏差向量矩阵，通过公式T
i
＝σ(W2F
i
+b2)得到物品节点融合后的特征转换为预测向量T
i
；c
‑
4)通过公式p
u
＝softmax((log(T
u
)+g)/τ)计算得到用户节点的预测向量在每个簇子图内的概率值p
u

【专利技术属性】
技术研发人员：程志勇，赵帅，刘帆，卓涛，李晓丽，
申请(专利权)人：山东省人工智能研究院，
类型：发明
国别省市：