基于层级化多通道超图建模的用户属性推断方法及装置制造方法及图纸

本申请涉及一种基于层级化多通道超图建模的用户属性推断方法及装置，其中，方法包括：基于网络数据构建用户和物品的层级化多通道属性超边组和交互超边组；基于注意力机制的层级化多通道属性超边组和交互超边组融合构建超图对；根据超图对和对应的超图关联矩阵构建层级化多通道超图卷积网络，并学习超图嵌入；根据总体表示和矩阵分解推算用户属性，并优化协同过滤任务和用户属性推断任务。由此，解决了相关技术中，未将协同过滤与用户属性建模推断任务交替优化并互相增强，且带有属性数据的用户

【技术实现步骤摘要】
基于层级化多通道超图建模的用户属性推断方法及装置


[0001]本申请涉及机器学习及用户建模
，特别涉及一种基于层级化多通道超图建模的用户属性推断方法及装置。

技术介绍

[0002]随着信息时代的快速发展，人们每天都要面对各种各样复杂的信息，信息爆炸问题由此出现。人们越来越难以从浩如烟海的数据中快速、有效地获取所需要的信息。同时，不同的人对不同的事物通常会表现出不同的偏好，无法对每个人开展同样的服务，在这种情况下，如何获取对用户展开个性化建模，获取用户属性，并进而为用户提供个性化服务、如个性化推荐等成为了一个亟待解决的问题。
[0003]相关技术中，可以基于用户与事物之间的历史行为数据来捕获用户的个性化偏好，进而进行用户建模(即协同过滤)。
[0004]然而，相关技术中，未将协同过滤与用户属性建模推断任务交替优化并互相增强，且带有属性数据的用户
‑
物品交互网络中的关联复杂，难以精确建模其中的高阶复杂关联，属性数据和交互数据均较为稀疏，降低用户属性推断效果，亟待改善。

技术实现思路

[0005]本申请提供一种基于层级化多通道超图建模的用户属性推断方法及装置，以解决相关技术中，未将协同过滤与用户属性建模推断任务交替优化并互相增强，且带有属性数据的用户
‑
物品交互网络中的关联复杂，难以精确建模其中的高阶复杂关联，属性数据和交互数据均较为稀疏，降低用户属性推断效果等问题。
[0006]本申请第一方面实施例提供一种基于层级化多通道超图建模的用户属性推断方法，包括以下步骤：将用户
‑
物品交互网络和属性数据数据处理为网络数据；基于所述网络数据构建用户和物品的层级化多通道属性超边组和交互超边组；基于注意力机制的所述层级化多通道属性超边组和所述交互超边组融合构建超图对，并获取所述超图对对应的超图关联矩阵；根据所述超图对和所述对应的超图关联矩阵构建层级化多通道超图卷积网络，并学习超图嵌入，以学习用户、物品属性空间表示和交互空间表示，且基于全连接层学习每个属性的语义空间表示；将所述学习的用户、所述物品属性空间表示和所述交互空间表示融合为总体表示，并基于内积预测用户
‑
物品交互得分；根据所述总体表示和矩阵分解推断用户属性，并优化协同过滤任务和用户属性推断任务。
[0007]可选地，在本申请的一个实施例中，还包括：基于自监督学习中的对比学习方式无监督地拉近用户、物品属性表示与属性空间语义表示的距离。
[0008]可选地，在本申请的一个实施例中，所述基于所述网络数据构建用户和物品的层级化多通道属性超边组和交互超边组，包括：对于目标属性，构造一条超边连接所有具有所述目标属性的节点，并对于所述目标属性的子属性，分别构造超边连接所有具有所述子属性的节点，以构造层级化超边组；对属性进行组合，其中，构造一条超边连接所有同时具有
所述属性组合的节点；对于交互超边组，基于用户、物品的一阶近邻构造，其中，当所述用户作为超边时，连接所述用户交互过的所有物品，且当所述物品作为超边时，连接所有交互过所述物品的用户。
[0009]可选地，在本申请的一个实施例中，所述层级化多通道超图卷积网络的网络层数为2层且隐藏层特征维度为32维。
[0010]可选地，在本申请的一个实施例中，所述优化协同过滤任务和用户属性推断任务，包括：基于贝叶斯个性化成对损失和多通道交叉熵损联合优化所述协同过滤任务和所述用户属性推断任务。
[0011]本申请第二方面实施例提供一种基于层级化多通道超图建模的用户属性推断装置，包括：处理模块，用于将用户
‑
物品交互网络和属性数据数据处理为网络数据；构建模块，用于基于所述网络数据构建用户和物品的层级化多通道属性超边组和交互超边组；获取模块，用于基于注意力机制的所述层级化多通道属性超边组和所述交互超边组融合构建超图对，并获取所述超图对对应的超图关联矩阵；学习模块，用于根据所述超图对和所述对应的超图关联矩阵构建层级化多通道超图卷积网络，并学习超图嵌入，以学习用户、物品属性空间表示和交互空间表示，且基于全连接层学习每个属性的语义空间表示；预测模块，用于将所述学习的用户、所述物品属性空间表示和所述交互空间表示融合为总体表示，并基于内积预测用户
‑
物品交互得分；推断模块，用于根据所述总体表示和矩阵分解推断用户属性，并优化协同过滤任务和用户属性推断任务。
[0012]可选地，在本申请的一个实施例中，还包括：控制模块，用于基于自监督学习中的对比学习方式无监督地拉近用户、物品属性表示与属性空间语义表示的距离。
[0013]可选地，在本申请的一个实施例中，所述构建模块包括：第一构造单元，用于对于目标属性，构造一条超边连接所有具有所述目标属性的节点，并对于所述目标属性的子属性，分别构造超边连接所有具有所述子属性的节点，以构造层级化超边组；第二构造单元，用于对属性进行组合，其中，构造一条超边连接所有同时具有所述属性组合的节点；连接单元，用于对于交互超边组，基于用户、物品的一阶近邻构造，其中，当所述用户作为超边时，连接所述用户交互过的所有物品，且当所述物品作为超边时，连接所有交互过所述物品的用户。
[0014]可选地，在本申请的一个实施例中，所述层级化多通道超图卷积网络的网络层数为2层且隐藏层特征维度为32维。
[0015]可选地，在本申请的一个实施例中，所述推断模块包括：优化单元，用于基于贝叶斯个性化成对损失和多通道交叉熵损联合优化所述协同过滤任务和所述用户属性推断任务。
[0016]本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于层级化多通道超图建模的用户属性推断方法。
[0017]本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于层级化多通道超图建模的用户属性推断方法。
[0018]本申请实施例可以基于层级化多通道超图建模带有属性数据的用户
‑
物品网络中
的高阶复杂关联，学习准确的节点嵌入并进行用户属性推断，从而提升用户属性推断方法性能、精确提高建模属性等高阶关联。由此，解决了相关技术中，未将协同过滤与用户属性建模推断任务交替优化并互相增强，且带有属性数据的用户
‑
物品交互网络中的关联复杂，难以精确建模其中的高阶复杂关联，属性数据和交互数据均较为稀疏，降低用户属性推断效果等问题。
[0019]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0020]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0021]图1为根据本申请实施例提供的一种基于层级化多通道超图建模的用户属性推断方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于层级化多通道超图建模的用户属性推断方法，其特征在于，包括以下步骤：将用户
‑
物品交互网络和属性数据数据处理为网络数据；基于所述网络数据构建用户和物品的层级化多通道属性超边组和交互超边组；基于注意力机制的所述层级化多通道属性超边组和所述交互超边组融合构建超图对，并获取所述超图对对应的超图关联矩阵；根据所述超图对和所述对应的超图关联矩阵构建层级化多通道超图卷积网络，并学习超图嵌入，以学习用户、物品属性空间表示和交互空间表示，且基于全连接层学习每个属性的语义空间表示；将所述学习的用户、所述物品属性空间表示和所述交互空间表示融合为总体表示，并基于内积预测用户
‑
物品交互得分；根据所述总体表示和矩阵分解推断用户属性，并优化协同过滤任务和用户属性推断任务。2.根据权利要求1所述的方法，其特征在于，还包括：基于自监督学习中的对比学习方式无监督地拉近用户、物品属性表示与属性空间语义表示的距离。3.根据权利要求1所述的方法，其特征在于，所述基于所述网络数据构建用户和物品的层级化多通道属性超边组和交互超边组，包括：对于目标属性，构造一条超边连接所有具有所述目标属性的节点，并对于所述目标属性的子属性，分别构造超边连接所有具有所述子属性的节点，以构造层级化超边组；对属性进行组合，其中，构造一条超边连接所有同时具有所述属性组合的节点；对于交互超边组，基于用户、物品的一阶近邻构造，其中，当所述用户作为超边时，连接所述用户交互过的所有物品，且当所述物品作为超边时，连接所有交互过所述物品的用户。4.根据权利要求1所述的方法，其特征在于，所述层级化多通道超图卷积网络的网络层数为2层且隐藏层特征维度为32维。5.根据权利要求1所述的方法，其特征在于，所述优化协同过滤任务和用户属性推断任务，包括：基于贝叶斯个性化成对损失和多通道交叉熵损联合优化所述协同过滤任务和所述用户属性推断任务。6.一种基于层级化多通道超图建模的用户属性推断装置，其特征在于，包括：处理模块，用于将用户
‑
物品...

【专利技术属性】
技术研发人员：高跃，吉书仪，
申请(专利权)人：清华大学，
类型：发明
国别省市：