【技术实现步骤摘要】
一种基于图卷积网络的协同过滤推荐方法
[0001]本专利技术属于内容推荐领域，涉及一种基于图卷积网络的协同过滤推荐方法。
技术介绍
[0002]近几年，随着互联网的快速发展，人工智能技术也进入了新的时代，人类社会的生活的信息数据的产生变得越来越容易，从而导致数据量爆炸增长，大数据具有极高的信息利用价值和广泛的应用前景，同时也面临着“信息过载”的问题，在海量数据中，人们的需求也逐渐增多，如何高效、准确地获取到有用的数据信息是目前大数据研究中亟待解决的问题。因此推荐技术应运而生，推荐技术作为处理“信息过载”的有效途径之一，将其与深度学习结合可以用来挖掘用户和项目的深层表征，并很好地将它们整合在一起。目前已在国内外学术界和众多相关领域引起了广泛的关注，并取得了大量的研究成果。
[0003]随着图学习(Graph Learning，GL)方法，特别是图学习中的图神经网络(Graph Neural Networks，GNN)的提出，其在复杂关系提取和链路预测等许多图任务中取得了巨大成功，引起了学术界和工业界研究人员的关注。由于...
【技术保护点】
【技术特征摘要】
1.一种基于图卷积网络的协同过滤推荐方法，其特征在于：包括以下步骤：S1：获取用户信息和项目信息，进行预处理得到数据集，并划分为训练集和测试集；S2：根据数据集构建用户
‑
项目交互图二部图，项目
‑
项目二部图，用户
‑
用户二部图；S3：将用户
‑
项目交互图映射到向量空间，通过具有用户
‑
项目关系的相同消息传递层隐式学习项目
‑
项目关系图；S4：构建无监督子图生成模块，利用用户特征和图结构识别出具有共同兴趣的用户；S5：引入图卷积操作，对于高阶图卷积，仅利用来自同一子图中节点的消息来学习节点嵌入；对于一阶图卷积，经过一层GCN得到用户和项目的表示；S6：用户
‑
项目二分图经过一阶图卷积生成特征向量，高阶传播只作用于子图内部，生成每一层的最终嵌入，将所有层的嵌入结合起来，经过自注意力层，再将两个模块的最终表示拼接在一起，最后得到用户和项目的最终表示，模型预测被定义为用户和项目最终表征的内积。2.根据权利要求1所述的基于图卷积网络的协同过滤推荐方法，其特征在于：步骤S3所述将用户
‑
项目交互图映射到向量空间具体包括：A∈R
N
×
M
表示用户
‑
项目交互矩阵，其中N和M分别表示用户和项目的数量。非零条目a
ui
∈A表示用户u∈U曾经与项目i∈I互动过；否则，该条目为零；根据交互矩阵构建一个用户
‑
项目的二分图G＝(W，E)，其中节点集W由用户节点和项目节点两种类型组成，E代表边的集合；对于非零的a
ui
，用户u和项目i之间存在一条边，表示用户u的嵌入，表示项目i的嵌入。3.根据权利要求1所述的基于图卷积网络的协同过滤推荐方法，其特征在于：将步骤S3的信息作为GCN模型的输入，通过迭代聚合二分图中相邻节点的特征来学习用户和项目的表示，GCN的图卷积操作如下：表示，GCN的图卷积操作如下：GCN迭代地执行图的卷积，将目标节点周围的邻居的嵌入表示聚合到此节点，生成目标节点的新嵌入表示，提取图的空间结构特征；聚合邻居节点信息的方式表示为：式中：和分别表示在k层传播后用户u和项目i的嵌入；为与用户u相关联的项目的集合；AGG是一个聚合函数，是图卷积的核心，用于获取第k层的目标节点及邻居节点的嵌入表示，是对称的归一化项，用于避免嵌入的规模随图卷积操作的增加而增加；经过K层图卷积后，一个用户的最终嵌入它们在GCN中每一层得到的嵌入的组合：
其中α
k
≥0是分配给第k层的一个超参数，它表示该层在构成最终嵌入中的重要性。4.根据权利要求1所述的基于图卷积网络的协同过滤推荐方法，其特征在于：步骤S4具体包括：依靠用户节点来形成用户
‑
项目二分图中的子图...
【专利技术属性】
技术研发人员：袁正午，占希玲，周亚涛，杨浩，张凡，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。