一种融合轻量图卷积网络和注意力机制的群组推荐方法技术

一种融合轻量图卷积网络和注意力机制的群组推荐方法。首先，通过改进个体推荐中的轻量图卷积算法分别学习用户

【技术实现步骤摘要】
一种融合轻量图卷积网络和注意力机制的群组推荐方法


[0001]本专利技术涉及群组推荐
，具体涉及一种融合轻量图卷积网络和注意力机制的群组推荐方法。

技术介绍

[0002]推荐系统能有效进行数据过滤并实现精准推荐，已成为当下解决信息过载问题的一个强有力的工具。随着群体活动日益频繁，尤其是线上购物的不断发展，团购物品推荐成为了电商平台和购物者迫切的需求。然而目前大多数推荐系统的相关研究对象为个体用户，无法很好地针对多人组成的团体进行很好的选品推荐，因此针对群体用户的推荐系统研究和开发迫在眉睫。
[0003]群组推荐算法的对象就是由多人组成的群体。目前相关的群组推荐研究主要包含推荐方法和偏好融合策略两个方面。在推荐方法方面，虽然在个体推荐中的图卷积网络推荐方法发展成熟，但由于群组推荐涉及组、个体和项目三个类型的主体，和个体推荐有很大的不同，因此迁移个体推荐方法较为困难。在偏好融合方面，目前一般采用预定义的静态融合策略来解决。这些静态策略能在一定程度上满足群组偏好融合的需求，然而应对动态变化且复杂的组用户动态关系有很大的局限性。另外，群组推荐的结果不单单是组内各用户的偏好结果，同时也应该包含群主题的结果。然而目前对群主题的算法涉及较少，导致最终的推荐结果有所偏差。

技术实现思路

[0004]本专利技术为克服以上技术的不足，提供了一种可应用于群组的轻量图卷积网络模型，能有效解决组内偏好差异并加入群主题因子的群组推荐方法。
[0005]本专利技术克服其技术问题所采用的技术方案是：
[0006]一种融合轻量图卷积网络和注意力机制的群组推荐方法，包括如下步骤：
[0007]a)获取N个用户与K个商品的交互记录，记u
n
为第n个用户节点，n∈{1，2，...，N}，v
k
为第k个商品节点，k∈{1，2，...，K}，根据他们的交互记录构建用户
‑
商品二部图；
[0008]b)获取M个群组与K个商品的交互记录，记g
m
为第m个群组节点，m∈{1，2，...，M}，v
k
为第k个商品节点，k∈{1，2，...，K}，根据他们的交互记录构建群组
‑
商品二部图；
[0009]c)获取M个群组的N个用户成员表，记g
m
‑
n
为第m个群组的第n个用户，m∈{1，2，...，M}，n∈{1，2，...，N}，根据他们的交互记录构建群组
‑
用户二部图；
[0010]d)将用户
‑
商品二部图输入到轻量图卷积网络LightGCN模型中，获取用户和商品的高阶关系，得到经过L1层图卷积操作的每层用户节点和商品节点
[0011]e)将群组
‑
商品二部图输入到轻量图卷积网络LightGCN模型中，获取群组和商品的高阶关系，得到经过L2层图卷积操作的每层群组节点和商品节点
[0012]f)通过公式和公式平均池化各卷积层，得到成员影响下的用户和商品的节点表示e
u
和e
v(u)
；
[0013]g)通过公式和公式平均池化各卷积层，得到项目影响下的群组和商品的节点表示e
g1
和e
v(g)
；
[0014]h)根据群组
‑
商品二部图和群组
‑
用户二部图学习组内用户的注意力权重b
uv
。具体地，对群组
‑
商品二部图中的每条记录g
m
‑
v
k
，根据群组
‑
用户二部图得到g
m
的所有成员u
g
∈g
m
，用一个两层神经网络组成的多层感知机得到该条记录下的注意力权重b
uv
；
[0015]i)计算得到归一化后的注意力系数β
uv
；
[0016]j)通过公式将组内所有成员的偏好和权重加总，得到成员影响下群组的节点表示e
g2
；
[0017]k)通过公式e
g
＝γe
g1
+(1
‑
γ)e
g2
计算得到组的最终节点表示。式中γ表示群组的主题因子。γ越接近0，表示该群组决策时受群活动主题影响越低，更多取决于组内成员的决定；γ越接近1，表示该群组决策时受群活动主题影响越高，组内成员的决定影响越小；
[0018]1)通过公式得到群组g对项目v的偏好得分完成模型的建立；
[0019]m)将预测得分分别从高到低排序，选择前x个商品向群组进行推荐。
[0020]进一步的，步骤d)包括如下步骤：
[0021]d
‑
1)轻量图卷积网络LightGCN中通过公式计算得到用户第k+1层的嵌入表示，式中k∈[0，L1]表示卷积层数，N
u
＝[v|n
uv
＝1]指与用户u交互过的所有商品v组成的集合，N
v
＝[u|n
uv
＝1]指与商品v交互过的所有用户u组成的集合。
[0022]d
‑
2)轻量图卷积网络LightGCN中通过公式计算得到商品第k+1层的嵌入表示，式中k∈[0，L1]表示卷积层数，N
u
＝[v|n
uv
＝1]指与用户u交互过的所有商品v组成的集合，N
v
＝[u|n
uv
＝1]指与商品v交互过的所有用户u组成的集合。
[0023]优选的，步骤d)中L1取值为3。
[0024]进一步的，步骤e)包括如下步骤：
[0025]e
‑
1)轻量图卷积网络LightGCN中通过公式计算得到群组第k+1层的嵌入表示，式中k∈[0，L2]表示卷积层数，M
v
＝[g|n
gv
＝1]指与项目v交互过的所有群组g组成的集合，M
g
＝[v|n
gv
＝1]指与群组g交互过的所有项目v组成的集合。
[0026]e
‑
2)轻量图卷积网络LightGCN中通过公式计算得到商品第k+1层的嵌入表示，式中k∈[0，L2]表示卷积层数，M
v
＝[g|n
gv
＝1]指与项目v交互过的所有群组g组成的集合，M
g
＝[v|n
gv
＝1]指与群组g交互过的所有项目v组成的集合。
[0027]优选的，步骤e)中L2取值为3。
[0028]进一步的，步骤h)通过公式
计算得到注意力权重b
uv
，式中为一个群组中用户u
g
在用户
‑
项图卷积层后的用户嵌入表示，为候选项目v
j<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合轻量图卷积网络和注意力机制的群组推荐方法，其特征在于，包括如下步骤：a)获取N个用户与K个商品的交互记录，记u
n
为第n个用户节点，n∈{1,2,
…
,N}，v
k
为第k个商品节点，k∈{1,2,
…
,K}，根据他们的交互记录构建用户
‑
商品二部图；b)获取M个群组与K个商品的交互记录，记g
m
为第m个群组节点，m∈{1,2,
…
,M}，v
k
为第k个商品节点，k∈{1,2,
…
,K}，根据他们的交互记录构建群组
‑
商品二部图；c)获取M个群组的N个用户成员表，记g
m
‑
n
为第m个群组的第n个用户，m∈{1,2,
…
,M}，n∈{1,2,
…
,N}，根据他们的交互记录构建群组
‑
用户二部图；d)将用户
‑
商品二部图输入到轻量图卷积网络LightGCN模型中，获取用户和商品的高阶关系，得到经过L1层图卷积操作的每层用户节点和商品节点e)将群组
‑
商品二部图输入到轻量图卷积网络LightGCN模型中，获取群组和商品的高阶关系，得到经过L2层图卷积操作的每层群组节点和商品节点f)通过公式和公式平均池化各卷积层，得到成员影响下的用户和商品的节点表示e
u
和e
v(u)
；g)通过公式和公式平均池化各卷积层，得到项目影响下的群组和商品的节点表示e
g1
和e
v(g)
；h)根据群组
‑
商品二部图和群组
‑
用户二部图学习组内用户的注意力权重b
uv
。具体地，对群组
‑
商品二部图中的每条记录g
m
‑
v
k
，根据群组
‑
用户二部图得到g
m
的所有成员u
g
∈g
m
，用一个两层神经网络组成的多层感知机得到该条记录下的注意力权重b
uv
；i)计算得到归一化后的注意力系数β
uv
；j)通过公式将组内所有成员的偏好和权重加总，得到成员影响下群组的节点表示e
g2
；k)通过公式e
g
＝γe
g1
+(1
‑
γ)e
g2
计算得到组的最终节点表示。式中γ表示群组的主题因子。γ越接近0，表示该群组决策时受群活动主题影响越低，更多取决于组内成员的决定；γ越接近1，表示该群组决策时受群活动主题影响越高，组内成员的决定影响越小；l)通过公式得到群组g对项目v的偏好得分完成模型的建立；m)将预测得分分别从高到低排序，选择前X个商品向群组进行推荐。2.根据权利要求1所述的融合轻量图卷积网络和注意力机制的群组推荐方法，其特征在于，步骤d)包括如下步骤：d
‑
1)轻量图卷积网络LightGCN中通过公式计算得到用户第k+1层的嵌入表示，式中k∈[0,L1]表示卷积层数，N
u
＝[v|n
uv
＝1]指与用户u交互过的所有商品v组成的集合，N
v
＝[u|n
uv
＝1]指与商品v交互过的所有用户u组成的集合。
...

【专利技术属性】
技术研发人员：曹佳，葛云玮，黄思雨，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：