一种基于多行为的动态图神经网络推荐方法技术

本发明专利技术公开了一种基于多行为的动态图神经网络推荐方法，包括：S1：根据用户和物品交互的行为序列集合，为用户和物品构建出基于多行为的动态图；S2：根据图注意力机制计算用户每个特定行为的传播权重，利用图卷积网络得出更新后的用户表示和物品表示；S3:根据全局用户物品交互图，构建物品关联图，利用图注意力机制和GRU计算用户行为演化表示；S4:根据学习到的用户、物品表示和用户演化表示，预测用户下一刻基于某种行为产生交互的物品，以及用户物品交互概率。本发明专利技术结合了多行为与图神经网络，既能捕捉丰富的行为语义，又可以学习物品之间的关联特征与行为演化之间的关系，从而实现更准确的推荐效果。现更准确的推荐效果。现更准确的推荐效果。

【技术实现步骤摘要】
一种基于多行为的动态图神经网络推荐方法


[0001]本专利技术属于基于深度学习的推荐方法领域，具体的说是一种基于多行为的动态图神经网络推荐方法。

技术介绍

[0002]在许多在线平台中，个性化推荐系统对于缓解信息过载和满足用户不同的兴趣已经变得越来越重要，从在线评论网站、基于位置的推荐服务到在线零售平台，推荐系统在满足用户个性化兴趣和缓解信息过载方面发挥了重要作用。
[0003]传统的推荐模型通常只利用了一种行为类型的用户—物品交互，面临严重的数据稀疏问题。多行为推荐使用多种类型的用户物品交互，如点击、收藏、购买等行为。可以使用基于多行为的推荐算法进行推荐，但是，目前基于多行为的推荐系统中面临以下几个问题：
[0004](1)以往只考虑一种用户物品交互的行为，现实生活中而是多种行为的动态交互。推荐中只注重购买行为，忽略了其他相关的行为数据，面临着严重的数据稀疏或冷启动问题。
[0005](2)以往的模型只考虑物品间或者行为间的依赖关系，忽略了虑物品之间的关联特征促使产生行为演化的关系。
[0006]因此，现有技术中存在推荐结果不够准确的技术问题。

技术实现思路

[0007]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于多行为的动态图神经网络推荐方法，以期能充分捕捉用户行为中的行为语义、物品之间的特征关联以及物品和行为之间的演化关系，缓解数据稀疏和冷启动问题，从而能提高推荐的准确性。
[0008]本专利技术为达到上述专利技术目的，采用如下技术方案：<br/>[0009]本专利技术一种基于多行为的动态图神经网络的物品推荐方法的特点在于，包括以下步骤：
[0010]步骤1、将用户和物品抽象为节点，用户和物品之间的交互关系抽象为连接节点的边，每条边表示用户和物品间交互的行为，从而构建基于多行为的动态图；
[0011]令U表示所述动态图中的用户节点集，且U＝{u1,...,u
i
,...,u
I
}，其中，u
i
表示第i个用户节点，I表示用户节点总数；
[0012]令V表示所述动态图中的物品节点集，且V＝{v1,...,v
j
,...v
p
,...,v
q
,...v
m
,...,v
J
}，v
j
表示第j个物品节点，v
p
表示第p个物品节点，v
q
表示第q个物品节点，v
m
表示第m个物品节点，J表示物品节点总数；
[0013]令B表示用户的行为集，且B＝{b1,...,b
k
,...b
r
,...,b
K
}，b
k
表示第k种交互行为，b
r
表示第r种交互行为，K表示行为类型的总数；
[0014]步骤2、基于注意力机制的图卷积神经网络得到用户特征表示和物品用户特征表示：
[0015]步骤2.1、利用式(1)得到第i个用户节点u
i
对第j个物品节点v
j
产生第k种交互行为b
k
的传播权重α
i,j,k
：
[0016][0017]式(1)中，w
i,j,k
表示第i个用户节点u
i
对第j个物品节点v
j
产生第k种交互行为b
k
的重要性权重，w
i,j,r
表示第i个用户节点u
i
对第j个物品节点v
j
产生第r种交互行为b
r
的重要性权重，n
i,k
是第i个用户节点u
i
产生第k种交互行为b
k
的次数，n
i,r
是第i个用户节点u
i
产生第r种交互行为b
r
的次数；是第i个用户节点u
i
交互过的物品节点集合；
[0018]步骤2.2、将每个节点的独热编码向量作为输入，利用式(2)得到第j个物品节点v
j
的融合交互行为嵌入的特征向量e
j
：
[0019][0020]式(2)中，表示元素级的加法操作，为交互过第j个物品节点v
j
的所有用户节点集合，e
j
表示第j个物品节点v
j
的独热编码向量，e
i,j,k
表示第i个用户节点u
i
对第j个物品节点v
j
产生第k种交互行为b
k
的独热编码向量；
[0021]步骤2.3、将第j个物品节点v
j
的特征向量e
j,k
输入图卷积网络，从而利用式(3)得到第i个用户节点u
i
融合第k种交互行为b
k
的用户特征向量h
i,k
：
[0022][0023]式(3)中，W1是待训练的参数矩阵，σ(
·
)为ReLU激活函数，φ(
·
)表示指标函数，若b
i,j
＝b
k
，则令φ(
·
)＝1；否则，令φ(
·
)＝0，b
i,j
表示第i个用户节点u
i
与第j个物品节点v
j
产生的任意一种交互行为；
[0024]步骤2.4、所述图卷积网络利用式(4)得到第i个用户节点u
i
产生所有交互行为的用户特征表示H
i
：
[0025][0026]步骤2.6、所述图卷积网络利用式(5)得到第j个物品节点v
j
的特征表示E
j
：
[0027][0028]步骤3、将物品节点之间的特征关联抽象作为连接节点的边，从而构建物品节点之间的物品关联图，并基于所述物品关联图，利用图注意力网络、GRU网络和多层感知机模型得到物品间的特征关联表示和用户行为演化表示；
[0029]步骤3.1、所述图注意力网络利用式(6)得到第j个物品节点v
j
及其一阶邻居物品节点v
q
之间归一化后的注意力得分β
j,q
：
[0030][0031]式(6)中，exp(
·
)为以自然底数e为底的幂指函数；LeakyReLU(
·
)为激活函数；α、W2均为图注意力网络中的权重参数，||表示向量的拼接操作，e
j
为第j个物品节点v
j
的独热编码向量，e
j,q
为第j个物品节点v
j
的一阶邻居物品节点v
q
的独热编码向量,e
j,p
为第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多行为的动态图神经网络的物品推荐方法，其特征在于，包括以下步骤：步骤1、将用户和物品抽象为节点，用户和物品之间的交互关系抽象为连接节点的边，每条边表示用户和物品间交互的行为，从而构建基于多行为的动态图；令U表示所述动态图中的用户节点集，且U＝{u1,...,u
i
,...,u
I
}，其中，u
i
表示第i个用户节点，I表示用户节点总数；令V表示所述动态图中的物品节点集，且V＝{v1,...,v
j
,...v
p
,...,v
q
,...v
m
,...,v
J
}，v
j
表示第j个物品节点，v
p
表示第p个物品节点，v
q
表示第q个物品节点，v
m
表示第m个物品节点，J表示物品节点总数；令B表示用户的行为集，且B＝{b1,...,b
k
,...b
r
,...,b
K
}，b
k
表示第k种交互行为，b
r
表示第r种交互行为，K表示行为类型的总数；步骤2、基于注意力机制的图卷积神经网络得到用户特征表示和物品用户特征表示：步骤2.1、利用式(1)得到第i个用户节点u
i
对第j个物品节点v
j
产生第k种交互行为b
k
的传播权重α
i,j,k
：式(1)中，w
i,j,k
表示第i个用户节点u
i
对第j个物品节点v
j
产生第k种交互行为b
k
的重要性权重，w
i,j,r
表示第i个用户节点u
i
对第j个物品节点v
j
产生第r种交互行为b
r
的重要性权重，n
i,k
是第i个用户节点u
i
产生第k种交互行为b
k
的次数，n
i,r
是第i个用户节点u
i
产生第r种交互行为b
r
的次数；是第i个用户节点u
i
交互过的物品节点集合；步骤2.2、将每个节点的独热编码向量作为输入，利用式(2)得到第j个物品节点v
j
的融合交互行为嵌入的特征向量e
j
：式(2)中，表示元素级的加法操作，为交互过第j个物品节点v
j
的所有用户节点集合，e
j
表示第j个物品节点v
j
的独热编码向量，e
i,j,k
表示第i个用户节点u
i
对第j个物品节点v
j
产生第k种交互行为b
k
的独热编码向量；步骤2.3、将第j个物品节点v
j
的特征向量e
j,k
输入图卷积网络，从而利用式(3)得到第i个用户节点u
i
融合第k种交互行为b
k
的用户特征向量h
i,k
：式(3)中，W1是待训练的参数矩阵，σ(
·
)为ReLU激活函数，φ(
·
)表示指标函数，若b
i,j
＝b
k
，则令φ(
·
)＝1；否则，令φ(
·
)＝0，b
i,j
表示第i个用户节点u
i
与第j个物品节点v
j
产生的任意一种交互行为；步骤2.4、所述图卷积网络利用式(4)得到第i个用户节点u
i
产生所有交互行为的用户特征表示H
i
：
步骤2.6、所述图卷积网络利用式(5)得到第j个物品节点v
j
的特征表示E
j
：步骤3、将物品节点之间的特征关联抽象作为连接节点的边，从而构建物品节点之间的物...

【专利技术属性】
技术研发人员：吴国栋，王雪妮，范维成，吴贞畅，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：