一种基于超图神经网络的跨领域群组智能推荐方法技术

本发明专利技术属跨领域群组推荐领域，具体涉及一种基于超图神经网络的跨领域群组智能推荐方法，包括：构建数据集；构建单目标域超图和共享超图，并基于超图卷积网络提取出单目标域用户偏好特征和项目特征，以及共享用户偏好特征；采用了降噪自动编码方法提取跨领域用户相似偏好特征；采用门控网络计算不同用户特征的权重并进行加权融合；通过多通道注意力对群组成员进行特征交互并对成员偏好特征进行聚合得到群组偏好特征；采用两阶段训练的方法来联合学习用户偏好和群组偏好并选择推荐对象。本发明专利技术在为用户群组推荐物品时，能够利用跨领域信息准确获取用户兴趣偏好，并且在跨领域信息迁移的过程中能够有效缓解负迁移的问题。移的过程中能够有效缓解负迁移的问题。移的过程中能够有效缓解负迁移的问题。

【技术实现步骤摘要】
一种基于超图神经网络的跨领域群组智能推荐方法


[0001]本专利技术属跨领域群组推荐领域，具体涉及一种基于超图神经网络的跨领域群组智能推荐方法。

技术介绍

[0002]随着互联网的快速发展，人们可以在许多网络应用上分组参加各种活动，例如购物平台以折扣价组队购物，旅游平台上和朋友一起参加旅行活动，在这种场景下，购买的产品或服务(本专利技术用“项目”指代产品、服务等被推荐对象)针对的是一组用户，而不是单个个体。群组对个性化项目或服务的需求促使了群组推荐系统的发展及其在旅游、购物、娱乐等领域的应用。然而用户、群组交互面临数据稀疏的问题，降低了用户和群组偏好建模的准确性，跨领域推荐系统可以利用不同领域之间的关联信息和共性为目标群组推荐特定领域的项目，从而缓解了单领域推荐数据的稀疏性问题，提高用户群组偏好的准确性。
[0003]目前已有的跨领域方法大多仅是针对个体用户推荐的，直接应用在跨领域群组推荐中无法生成高质量的群组表示，已有的跨领域群组推荐方法只是简单的从交互相对密集的源域到稀疏目标域单向迁移，从稀疏域到密集域的迁移可能会面临负迁移的现象，因此需要设计出一种能够同时提高双目标域群组推荐准确性的方法。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出一种基于超图神经网络的跨领域群组智能推荐方法，包括以下步骤：
[0005]S1、获取单目标域用户和商品、群组和商品的购买数据，根据单目标域用户和商品、群组和商品购买数据生成用户
‑
商品交互二部图；根据用户商品交互二部图构建单目标域用户级别超图、项目级别超图以及双目标域的群组级别超图；
[0006]所述用户
‑
商品交互二部图表示用户购买商品的行为；
[0007]所述用户级别超图表示所有用户购买同一商品的行为；
[0008]所述项目级别超图表示同一用户购买所有商品的行为；
[0009]所述群组级别超图表示群组购买所有商品的行为；
[0010]S2、采用一个共享超图卷积算子对双目标域的群组级别超图进行图表示学习，生成双目标域用户特征向量，每个单目标域采用一个私有的超图卷积算子对用户级超图以及项目级超图进行表示学习，生成单目标域用户和项目特征向量；
[0011]S3、采用降噪自动编码器提取不同目标域之间用户相似偏好特征向量；
[0012]S4、为每个目标域设置专门的门控网络，通过门控网络融合单目标域用户特征向量、不同目标域之间用户相似偏好特征向量、双目标域用户特征向量，得到融合后的用户特征向量；
[0013]S5、通过多通道自注意力机制对群组用户进行特征交互，并对群组偏好进行表示，得到群组整体偏好特征向量；
[0014]S6、采用Pair
‑
wise方法联合学习群组整体偏好特征向量和融合后的用户特征向量与不同项目特征向量的预测评分，对评分进行排序并选取评分最高的群组作为被推荐对象。
[0015]本专利技术的有益效果：
[0016]1.借助跨领域学习、超图表示学习及联合学习多种方法提高群组偏好学习的准确性；跨领域学习利用不同领域之间的关联信息和共性为目标群组推荐特定领域的项目，从而缓解了单领域推荐数据的稀疏性问题，提高用户群组偏好的准确性。超图表示学习相比较于一般的简单图表示学习，在用户偏好建模上有利于协同过滤，在群体偏好建模上可以捕获到群组之间在共同群体成员上的相似性，有助于增强群体偏好建模。联合学习通过预训练方法，在单个用户跨领推荐学习到初始特征进行初始化，提升群组跨域推荐效果；
[0017]2.采用私有域超图卷积算子和共享超图卷积算子进行超图表示学习，既保证了能够学习到每个目标域差异化特征，又能隐式地学习到目标域之间共享特征。进一步借助两个降噪自动编码器提取单向迁移过程中源域需要保留的有用特征，有效缓解跨领域过程所面临的负迁移问题。
附图说明
[0018]图1为本专利技术的跨领域群组智能推荐方法流程图；
[0019]图2为本专利技术的用户偏好特征学习示意图；
[0020]图3为本专利技术的群组偏好特征学习示意图；
[0021]图4为本专利技术的用户和群组联合学习示意图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]一种基于超图神经网络的跨领域群组智能推荐方法，如图1所示，包括以下步骤：
[0024]S1、获取单目标域用户和商品、群组和商品的购买数据，根据单目标域用户和商品、群组和商品购买数据生成用户
‑
商品交互二部图；根据用户商品交互二部图构建单目标域用户级别超图、项目级别超图以及双目标域的群组级别超图；
[0025]所述用户
‑
商品交互二部图表示用户购买商品的行为；
[0026]所述用户级别超图表示所有用户购买同一商品的行为；
[0027]所述项目级别超图表示同一用户购买所有商品的行为；
[0028]所述群组级别超图表示群组购买所有商品的行为；
[0029]S2、采用一个共享超图卷积算子对双目标域的群组级别超图进行图表示学习，生成双目标域用户特征向量，每个单目标域采用一个私有的超图卷积算子对用户级超图以及项目级超图进行表示学习，生成单目标域用户和项目特征向量；
[0030]S3、采用降噪自动编码器提取不同目标域之间用户相似偏好特征向量；
[0031]S4、为每个目标域设置专门的门控网络，通过门控网络融合单目标域用户特征向
量、不同目标域之间用户相似偏好特征向量、双目标域用户特征向量，得到融合后的用户特征向量；
[0032]S5、通过多通道自注意力机制对群组用户进行特征交互，并对群组偏好进行表示，得到群组整体偏好特征向量；
[0033]S6、采用Pair
‑
wise方法联合学习群组整体偏好特征向量和融合后的用户特征向量与不同项目特征向量的预测评分，对评分进行排序并选取评分最高的群组作为被推荐对象。
[0034]构建用户个体购买电脑、用户个体购买手机、群组团购电脑及群组团购手机行为数据集，其中用户数量为n，电脑商品数量为m0，手机商品数量为m1，群组集合为G＝{g1，...，g
|G|
}(|G|为群组数量)；将电脑购买数据作为a目标域数据，手机购买数据作为b目标域数据集。分别对用户、手机、电脑ID进行编码，构建嵌入矩阵W
u
、及嵌入矩阵维度为d，则W
u
∈R
n
×
d
，嵌入矩阵作为用户和商品的初始特征嵌入，用于训练优化。
[0035]基于用户和商品购买数据，构建用户商品交互二部图，将用户、电脑、手机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，包括以下步骤：S1、获取单目标域用户和商品、群组和商品的购买数据，根据单目标域用户和商品、群组和商品购买数据生成用户
‑
商品交互二部图；根据用户商品交互二部图构建单目标域用户级别超图、项目级别超图以及双目标域的群组级别超图；所述用户
‑
商品交互二部图表示用户购买商品的行为；所述用户级别超图表示所有用户购买同一商品的行为；所述项目级别超图表示同一用户购买所有商品的行为；所述群组级别超图表示群组购买所有商品的行为；S2、采用一个共享超图卷积算子对双目标域的群组级别超图进行图表示学习，生成双目标域用户特征向量，每个单目标域采用一个私有的超图卷积算子对用户级超图以及项目级超图进行表示学习，生成单目标域用户和项目特征向量；S3、采用降噪自动编码器提取不同目标域之间用户相似偏好特征向量；S4、为每个目标域设置专门的门控网络，通过门控网络融合单目标域用户特征向量、不同目标域之间用户相似偏好特征向量、双目标域用户特征向量，得到融合后的用户特征向量；S5、通过多通道自注意力机制对群组用户进行特征交互，并对群组偏好进行表示，得到群组整体偏好特征向量；S6、采用Pair
‑
wise方法联合学习群组整体偏好特征向量和融合后的用户特征向量与不同项目特征向量的预测评分，对评分进行排序并选取评分最高的群组作为被推荐对象。2.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，采用一个共享超图卷积算子对双目标域的群组级别超图进行图表示学习，生成双目标域用户特征向量，包括：标域用户特征向量，包括：其中，Z
u
表示生成的双目标域用户特征向量，D
g
表示群组级超图中结点度矩阵，B
g
表示群组级超图中超边度矩阵，H
g
代表群组级超图关联矩阵，W
g
群组级超图中超边的权重,Z
(l)
表示第l+1层共享超图卷积网络用户特征输入，当l＝0时表示的是初始的用户特征,P
(l)
表示共享超图卷积网络第l和第l+1层之间的参数矩阵，σ表示非线性激活函数，K表示超图卷积网络的层数，Z
(l+1)
表示第l+1层共享超图卷积网络用户特征输出，Z
(0)
表示的是初始的用户特征，Z
(i)
表示第i层共享超图卷积网络用户特征输出。3.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，每个单目标域采用一个私有的超图卷积算子对用户级超图以及项目级超图进行表示学习，生成单目标域用户和项目特征向量，包括：
其中，和分别表示用户级超图和项目级超图中结点度矩阵，和分别表示用户级超图和项目级超图中超边度矩阵，和分别表示用户级超图和项目级超图关联矩阵，和分别表示用户级超图和项目级超图中超边的权重，和分别表示第l层超图卷积网络用户和项目特征输入，表示a/b目标域超图卷积网络第l和第l+1层之间的参数矩阵，σ表示非线性激活函数，K表示超图卷积网络的层数，表示第l+1层用户级超图卷积网络用户特征输出，表示第l+1层项目级超图卷积网络项目特征输出，表示单目标域用户特征向量,表示单目标域项目特征向量,表示第i层用户级超图卷积网络用户特征输出,表示第i层项目级超图卷积网络项目特征输出。4.根据权利要求1所述的一种基于超图神经网络的跨领域群组智能推荐方法，其特征在于，采用降噪自动编码器提取不同目标域之间用户相似偏好特征向量，包括：其中,Q
a/b
表示不同目标域之间用户相似偏好特征向量，和b分别表示Encoder的参数及偏差项，σ表示非线性激活函数，表示b目标域特征向量经过加噪后的特征向量。5.根据权利要求1所述的一种基...

【专利技术属性】
技术研发人员：王进，宋为，龚峰，金展骢，刘彬，杜雨露，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：