一种基于图元胞自动机的动态异质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图元胞自动机的动态异质图神经网络推荐方法，为用户和物品构建动态异质图；根据图元胞自动机初始化用户和物品的节点坐标信息和节点特征表示；基于图重构的全局规则设计，根据用户不同行为以及行为权重对节点与边进行操作，实时更新用户和物品的动态异质图以及邻接矩阵和权重矩阵；基于图局部状态转换规则设计，通过图神经网络方法聚合用户和物品邻居节点信息，更新用户和物品的节点状态信息；根据状态更新后的用户特征表示和物品特征表示，预测用户和物品下一刻产生交互的评分。本发明专利技术既能有效地捕捉用户偏好的实时行为影响，又能够处理动态和不断变化的用户行为数据，从而实现更准确的推荐效果。从而实现更准确的推荐效果。从而实现更准确的推荐效果。

【技术实现步骤摘要】
一种基于图元胞自动机的动态异质图神经网络推荐方法


[0001]本专利技术涉及计算机技术的信息推荐
，尤其涉及一种基于图元胞自动机的动态异质图神经网络推荐方法。

技术介绍

[0002]推荐系统是一种信息过滤系统，能够预测用户可能感兴趣的物品，并将这些物品推荐给用户。通过对用户历史行为数据的挖掘和分析，以及对物品属性和关系的建模和处理，推荐系统能够从海量的物品中精准地为用户推荐个性化的物品。
[0003]异质图推荐算法研究是在推荐系统领域中，由用户节点和物品节点构成图，节点类型不同，边的类型不同，用于处理用户与物品之间的异质性，实现对用户和物品的表示和推荐。现有的异质图中大多只考虑节点异质，很少考虑边异质，也就是用户和物品交互的多行为类型，于是面临着以下几个问题：
[0004](1)不同的用户有着不同的行为偏好，实时行为与环境因素会去影响用户的偏好，而多行为推荐大多为静态图，只考虑历史行为数据，会忽略用户偏好的实时行为和环境因素的影响，即用户偏好的动态性，这会导致推荐结果与上下文信息不匹配，推荐效果下降。<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图元胞自动机的动态异质图神经网络推荐方法，其特征在于：具体包括如下步骤：S1：根据用户集合、物品集合、用户行为类型集合以及用户行为类型权重为用户和物品构建动态异质图；S2：根据图元胞自动机初始化用户和物品的节点坐标信息和节点特征表示；S3：基于图重构的全局规则设计，根据用户不同行为以及行为权重对节点与边进行操作，实时更新用户和物品的动态异质图以及邻接矩阵和权重矩阵；S4：基于图局部状态转换规则设计，通过图神经网络方法聚合用户和物品邻居节点信息，更新用户和物品的节点状态信息；S5：根据状态更新后的用户特征表示和物品特征表示，预测用户和物品下一刻产生交互的评分。2.根据权利要求1所述的一种基于图元胞自动机的动态异质图神经网络推荐方法，其特征在于：步骤S1所述的根据用户集合、物品集合、用户行为类型集合以及用户行为类型权重为用户和物品构建动态异质图，具体内容如下：将用户、物品抽象为节点，用户和物品之间的交互行为类型抽象为连接节点的边，用户与物品之间的每条边表示用户和物品之间的行为类型以及对应的行为类型的权重，从而构建动态异质图：令U表示所述异质图中的用户节点集合，且U＝{u1,...,u
i
,...,u
I
}，其中，u
i
表示第i个用户节点，I表示用户节点集合中的节点总数；令V表示所述异质图中的物品节点集合，且V＝{v1,...,v
j
,...,v
J
}，其中，v
j
表示第j个物品节点，J表示物品节点集合中的节点总数；令E表示所述异质图中的用户行为类型的边集合，且E＝{e1,...,e
m
,...,e
M
}，其中，e
m
表示第m种交互行为类型，M表示交互行为类型的边总数；令K表示所述异质图中的用户行为类型权重的边集合，且K＝{k1,...,k
m
,...,k
M
}，其中，k
m
表示第m种交互行为类型的权重，M表示用户行为类型权重的边总数，且在用户行为类型集合中e
m
∈E与k
m
∈K是相对应的。3.根据权利要求2所述的一种基于图元胞自动机的动态异质图神经网络推荐方法，其特征在于：步骤S2所述的根据图元胞自动机初始化用户和物品的节点坐标信息和节点特征表示，具体如下：基于节点和边信息构建用户
‑
物品动态异质图，并根据所述的动态异质图设计图元胞自动机：步骤2.1、基于结构动态邻域图得到元胞自动机D
‑
GCA表示：D
‑
GCA＝(S,d,G,F
GCA
)
ꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中，S为自动机的状态集合，且依赖于每个元胞的状态s，用户和物品的元胞状态s分别定义为和其中分别表示第i个用户节点u
i
和第i个物品节点v
i
的坐标信息，分别表示第i个用户节点u
i
和第i个物品节点v
i
的特征信息；d为元胞的维度；G为用户
‑
物品动态异质图；F
GCA
定义为t+1时刻元胞的状态函数，取决于t时刻元胞状态和邻域状态，为全局规则，定义元胞激活和去活的条件和图重构的规则，依
赖于全局元胞的状态；步骤2.2、每个图节点v∈V(G)对应一个自动机元胞，利用式(2)得到第i个自动机元胞节点v
i
的元胞邻居集合表示N(v
i
)：N(v
i
)＝{v
i
|v
i
v
j
∈E(G)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，v
j
表示动态异质图G中的物品节点集合V中的第j个物品节点，V(G)表示动态异质图G中的物品的节点集合V，E(G)表示动态异质图G中的用户行为类型的边集合E，v
i
v
j
表示第i个物品节点v
i
与第j个物品节点v
j
之间的边类型，N(v
i
)表示第i个物品节点v
i
的元胞邻居集合；步骤2.3、利用式(3)得到图节点v
i
的权重表示K(v
i
)：K(v
i
)＝{k
ij
|k
ij
∈K∧v
i
v
j
∈E(G)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，K表示用户行为类型权重的边集合，k
ij
表示第i个物品节点i与物品节点j之间的边的权重，K(v
i
)表示第i个物品节点v
i
的边权重的集合；步骤2.4、基于独热编码初始化用户
‑
物品节点坐标信息和节点特征表示并作为输入，利用式(4)得到用户
‑
物品节点坐标距离表示Δx：式(4)中，表示第i个用户节点u
i
的节点坐标，表示第j个物品节点v
i
的节点坐标，表示第i个用户节点u
i
与第j个物品节点v
j
的坐标距离差，Δx作为模型的输出值，根据输出值的大小进行排序后推荐。4.根据权利要求3所述的一种基于图元胞自动机的动态异质图神经网络推荐方法，其特征在于：步骤S3所述的基于图重构的全局规则设计，根据用户不同行为以及行为权重对节点与边进行操作，实时更新用户和物品的动态异质图以及邻接矩阵和权重矩阵，具体如下：根据用户行为类型权重大小进行图重构操作，即动态异质图中用户与物品之间只有一条权重最高的边连接；步骤3.1、如果图中n个用户节点和m个物品节点，利用式(5)得到用户
‑
物品的邻接矩阵表示A(G)：式(5)中，表示第1个用户节点u1与第1个物品节点v1是否邻接，表示第1个用户节点u1与第m个物品节点v
m
是否邻接，表示第n个用户节点u
n
与第1个物品节点v1是否邻接，表示第n个用户节点u
n
与第m个物品节点v
m
是否邻接；如果u
i
v
j
∈E(G)则即第i个用户节点u
i
与第j个物品节点v
j
邻接，若则即第i个用户节点u
i
与第j个物品节点v
j
不邻接，u
i
v
j
表示第i个用户节点u
i
与第j个物品节点v
j
是否邻接；步骤3.2、利用式(6)得到邻接矩阵A(G)的权重矩阵W(G)，即大小为n
×
m的用户与物品交互的不同行为的权重集合：
式(6)中，表...

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