一种基于交互二部图重构邻近的个性化推荐方法技术

本发明专利技术公开了一种基于交互二部图重构邻近的个性化推荐方法，包括如下步骤：统计用户对物品的交互信息和物品的属性信息，构造用户

【技术实现步骤摘要】
一种基于交互二部图重构邻近的个性化推荐方法


[0001]本专利技术涉及推荐
，具体来说是一种基于交互二部图重构邻近的个性化推荐方法。

技术介绍

[0002]推荐算法的不断成熟使得推荐系统在人们生活中的应用越来越广泛，例如：电子商务，短视频推荐，搜索引擎等。基于神经网络的推荐系统凭借其强大的推荐准确性逐渐成为推荐系统中的主流。为了提高推荐准确率，目前，现有的多数推荐系统会偏向于给用户推荐流行度高的物品，导致许多物品因为其流行度低而得不到推荐。准确率只是评判推荐系统性能的指标之一，对于用户来说，总是向他们推荐他们常见的物品可能会使他们感到厌烦，而偶尔给用户推荐他们没有见过的物品即流行度低的物品，可以让用户感到新颖、惊讶和满足。因此，在追求提升推荐准确率的同时，研究提升推荐的多样性，即个性化推荐方法研究显得越来越重要。

技术实现思路

[0003]为克服现有技术缺陷，本专利技术解决的技术问题是提供一种基于交互二部图重构邻近的个性化推荐方法，旨在保持现有推荐系统准确性的同时，为用户推荐符合其兴趣的长尾物品。
[0004]为了达到上述目的，本专利技术采用以下技术方案实现：
[0005]一种基于交互二部图重构邻近的个性化推荐方法，其特征在于，包括如下步骤：
[0006]步骤一、获取用户
‑
物品二部图G1＝{(u,i)|u∈U,i∈I}、知识图谱G2＝{(h,r,t)|h,t∈ε,r∈R}和协同知识图G3＝{(h,r,t)|h,t∈ε
′
,r∈R/>′
}；
[0007]所述二部图G1中，(u,i)表示用户u与物品i有过交互，U＝{u1,u2,
…
,u
|U|
}表示用户集合，I＝{i1,i2,
…
,i
|I|
}表示物品集合，知识图谱G2中，ε＝{e1,e2,
…
,e
|ε|
}表示实体集合，R＝{r1,r2,
…
,r
|R|
}表示关系集合；其中，ε
′
＝ε∪U,R
′
＝R∪{交互},|U|表示用户的总数量，|I|表示物品的总数量，|ε|表示实体的总数量，|R|表示关系的总数量；
[0008]令用户u的一阶近邻的集合为N
u
；
[0009]令物品i的一阶近邻的集合为N
i
；
[0010]步骤二、在交互二部图上为每个用户随机采样协同路径；
[0011]假设协同路径的长度为K，每一条路径的采样方式为，以目标用户为起点，从其邻居节点中随机选取一个节点，再从采样的节点的邻居节点再次随机采样邻居节点，直至路径长度达到K；其中，每一阶的邻居节点属性如下：
[0012]当k＝1时，其一阶邻居记作
[0013]当k为奇数且k≠1时，其k阶邻居记作
[0014]当k为偶数时，其k阶邻居记作
[0015]步骤三、计算每个用户的每一条协同路径的平均物品流行度，并选取平均物品流行度最低的X条路径中的所有物品节点替换用户原始的一阶近邻；
[0016]对于每一条路径的平均物品流行度，其计算公式为：
[0017][0018]式(1)中，K表示路径长度，也就是路径中的节点数量；K
′
表示路径中的物品节点数量；a
i
是一个表示第i个节点是否进行累加的参数，其值为0或1，当第i个节点为物品节点时，其值为1，反之为0；p
i
表示第i个节点的流行度，即该物品节点与用户节点的交互次数，例如，一个物品被三个用户交互，则该物品的流行度为3；
[0019]根据式(1)选取平均物品流行度最低的X条协同路径；将这些协同路径中的所有物品节点作为用户u新的一阶近邻，即：
[0020][0021]步骤四、将所有用户的重构后的一阶近邻的嵌入输入自注意力层，得到最终的用户向量e；
[0022]在自注意力层中，利用式(3)、(4)、(5)为输入的每个节点嵌入a经由三个特征变换得到三个不同的向量：
[0023]Query
m
＝W
Q
a
m
ꢀꢀ
(3)
[0024]Key
m
＝W
K
a
m
ꢀꢀ
(4)
[0025]Value
m
＝W
V
a
m
ꢀꢀ
(5)
[0026]式(3)、(4)、(5)中的W
Q
,W
K
,W
V
为可训练的变换矩阵，对于嵌入之间的注意力权重，计算公式为：
[0027]α
m,n
＝Query
m
Key
n
ꢀꢀ
(6)
[0028]其中，m,n∈N
u
′
，对上述式(6)使用一个softmax进行标准化：
[0029][0030]通过式(7)得到任意两个节点嵌入之间的自注意力权重以后，通过加权求和计算每个节点的输出嵌入：
[0031][0032]步骤五、基于每个节点和邻居节点的关系生成注意力权重，并聚合邻居节点信息；
[0033]步骤5.1、基于不同关系生成的注意力权重如下：
[0034]π(h,r,t)＝(W
r
e
t
)
T
tanh((W
r
e
h
+e
r
))
ꢀꢀ
(9)
[0035]其中，W
r
是基于r关系下的可训练变换矩阵，e
h
,e
r
,e
t
分别对应头实体嵌入，关系嵌入，尾实体嵌入，再使用softmax进行标准化：
[0036][0037]步骤5.2、对任意头实体的邻居信息使用式(11)进行加权求和得到邻居信息：
[0038][0039]其中，头实体h可以是用户节点，也可以是物品节点；
[0040]每个实体的高阶表示由它的低阶嵌入表示和低阶的邻居信息求得：
[0041][0042]其中，W1,W2是可训练变换矩阵；
[0043]步骤六、使用式(12)得到用户和物品的各阶嵌入表示，最终通过内积进行预测评分：
[0044][0045][0046][0047]式(13)和式(14)对各阶用户嵌入和各阶物品嵌入进行串联，通过选取所述预测评分的降序排序集合的前N项作为推荐结果，并推荐给用户u。
[0048]与现有技术相比，本专利技术的有益效果是：本专利技术通过一种采样策略重构用户的一阶近邻，并在用户聚合一阶近邻信息前使用自注意力，能够有效的降低流行物品对推荐结果的影响，在保持推荐系统准确率的同时，提高推荐的多样性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交互二部图重构邻近的个性化推荐方法，其特征在于，包括如下步骤：步骤一、获取用户
‑
物品二部图G1＝{(u,i)|u∈U,i∈I}、知识图谱G2＝{(g,r,t)|g,t∈ε,r∈R}和协同知识图G3＝{(g,r,t)|h,t∈ε
′
,r∈R
′
}；所述二部图G1中，(u,i)表示用户u与物品i有过交互，U＝{u1,u2,
…
,u
|U|
}表示用户集合，I＝{i1,i2,
…
,i
|I|
}表示物品集合，知识图谱G2中，ε＝{e1,e2,
…
,e
|ε|
}表示实体集合，R＝{r1,r2,
…
,r
|R|
}表示关系集合；其中，ε
′
＝ε∪U,R
′
＝R∪{交互},|U|表示用户的总数量，|I|表示物品的总数量，|ε|表示实体的总数量，|R|表示关系的总数量；令用户u的一阶近邻的集合为N
u
；令物品i的一阶近邻的集合为N
i
；步骤二、在交互二部图上为每个用户随机采样协同路径；假设协同路径的长度为K，每一条路径的采样方式为以目标用户为起点，从其邻居节点中随机选取一个节点，再从采样的节点的邻居节点再次随机采样邻居节点，直至路径长度达到K，其中，每一阶的邻居节点属性如下：当k＝1时，其一阶邻居记作当k为奇数且k≠1时，其k阶邻居记作当k为偶数时，其k阶邻居记作步骤三、计算每个用户的每一条协同路径的平均物品流行度，并选取平均物品流行度最低的X条路径中的所有物品节点替换用户原始的一阶近邻；对于每一条路径的平均物品流行度，其计算公式为：式(1)中，K表示路径长度，也就是路径中的节点数量；K
′
表示路径中的物品节点数量；a
i
是一个表示第i个节点是否进行累加的参数，其值为0或1，当第i个节点为物品节点时，其值为1，反之为0；p
i
表示第i个节点的流行度，即该物品节点与用户节点的交互次数；根据式(1)选取平均物品流行度最低的X条协同路径，将这些协同路径中的所有物品节点作为用户u新的一阶近邻，即：步骤四、将所有用户的重构后的一阶近邻的嵌入输入自注意力层，得到最终的用户向量e；在自注意力层中，利用式(3)、(4)、(5)为...

【专利技术属性】
技术研发人员：张尧，赵秀君，李姝，王明伟，刘文华，张文超，
申请(专利权)人：大连工业大学，
类型：发明
国别省市：