一种结合行为特征与三角协作度量的项目推荐方法技术

本发明专利技术公开了一种结合行为特征与三角协作度量的项目推荐方法，该方法首先以用户

【技术实现步骤摘要】
一种结合行为特征与三角协作度量的项目推荐方法


[0001]本专利技术涉及数据处理
，特别是涉及一种结合行为特征与三角协作度量的项目推荐方法。

技术介绍

[0002]协作度量学习(Collaboration Metric Learning, CML)是目前推荐系统中的一种流行的方法，其通过三角不等式与相似度传播来预测项目评分，能够挖掘用户
‑
项目交互等显隐式信息，在应用上取得良好效果。
[0003]真实世界中，用户对项目评分取决于用户多样的、动态的偏好。然而，现有CML模型在对用户建模时，仅使用单一用户向量表示，导致当用户存在多个相反兴趣对时，无法准确表达用户偏好的多样性；而且，因大部分模型仅建立用户
‑
项目关系，未考虑用户间的信任关系对项目评分的作用，故导致预测的项目评分不准确；另外，忽略项目评分对预测用户的影响，导致最终得到的用户偏好为静态的。

技术实现思路

[0004]为此，本专利技术的实施例提出一种结合行为特征与三角协作度量的项目推荐方法，以解决现有技术无法准确表达用户偏好的多样性、预测的项目评分不准确、得到的用户偏好为静态的等问题。
[0005]根据本专利技术一实施例的结合行为特征与三角协作度量的项目推荐方法，包括：步骤1，在已有的用户
‑
项目交互基础上，通过邻居路由机制和嵌入传播机制学习相邻模块信息，迭代更新获取用户的多样化行为特征，并引入异构图神经网络实现多行为特征间的信息转移，最终得到异构化用户行为特征表示与项目表示；步骤2，基于异构化用户行为特征表示与项目表示，建立改进的Bhattacharyya相似性距离诱导策略，通过目标用户的相似邻居，建立用户与用户间信任关系，进而构建基于用户
‑
项目
‑
用户的三角协作度量模型；步骤3，利用三角协作度量模型并结合条件相似性学习来计算由预测评分项目、积极评分项目以及消极评分项目构成的三元组，通过对三元组的条件相似性学习得到用户最新动态偏好，基于该用户最新动态偏好对用户进行项目推荐。
[0006]根据本专利技术的结合行为特征与三角协作度量的项目推荐方法，首先利用异构化图神经网络对用户行为特征进行建模，并使用邻居路由机制和嵌入传播机制迭代更新用户行为特征，解决用户统一建模造成的行为特征单一化问题，使用户行为特征多样化；其次，引入Bhattacharyya相似性距离诱导策略捕获用户
‑
用户潜在联系，并联合用户
‑
项目、项目
‑
项目构造稳定的三角协作度量关系，解决现有模型预测项目评分不准确问题；最后，通过条件相似性，将预测评分项目、积极评分项目以及消极评分项目形成三元对抗关系，进而实施用户偏好动态推荐，解决现有CML模型的用户偏好静态化问题，具体而言，与现有技术相比，本专利技术具有以下有益效果：
1)为解决现有协作度量学习中单一用户向量无法捕获用户多样化偏好的问题，本专利技术采用带有行为特征的多向量用户表示。现实中用户的兴趣是多样化的，但在传统协作度量学习中均采用单一的用户向量表示去捕获用户偏好，单一向量表示不能使用户同时接近两个不相似的项目。在这种限制下，用户偏好的异质性不能得到令人满意的处理，而本专利技术采用多向量用户行为特征表示能缓解原有协作度量学习中单一用户向量造成的用户偏好局限性问题，使最终获取的用户偏好为多样化的，进而提高推荐准确性；2)传统的协作度量学习中相似度计算仅依赖于用户
‑
项目关系，造成最终得到的top
‑
N推荐准确度较低，本专利技术建立改进的Bhattacharyya相似性距离诱导策略，先计算用户
‑
用户间的整体信任，进而利用该信任关系获取三角协作度量学习中的项目间关联性，最后利用构建基于用户
‑
项目
‑
用户的三角协作度量模型预测目标项目评分。通过Bhattacharyya方法计算用户
‑
用户间的信任关系，并综合用户
‑
项目、项目
‑
项目建立稳定的三角协作度量关系能有效提高推荐的预测精度；3)现有的协作度量学习仅是从邻域角度考虑用户
‑
项目的简单表示来预测用户可能交互的项目，这种做法未能考虑已预测的评分项目、积极评分项目与消极评分项目所构成的三元组对预测用户偏好的影响，导致协作度量学习获取的最终用户偏好为静态的，而本专利技术利用条件相似性来解读隐式数据中存在的对抗信息，从而获取用户动态偏好，有利于提升模型推荐性能。
附图说明
[0007]本专利技术实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术实施例的结合行为特征与三角协作度量的项目推荐方法的流程示意图。
具体实施方式
[0008]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0009]请参阅图1，一种结合行为特征与三角协作度量的项目推荐方法，包括步骤1~3：步骤1，在已有的用户
‑
项目交互基础上，通过邻居路由机制和嵌入传播机制学习相邻模块信息，迭代更新获取用户的多样化行为特征，并引入异构图神经网络实现多行为特征间的信息转移，最终得到异构化用户行为特征表示与项目表示。
[0010]其中，步骤1具体包括步骤1.1~步骤1.3：步骤1.1，基于已有的用户
‑
项目交互，将不同类别的节点映射到共享的特征空间。
[0011]其中，每个项目节点在邻居节点路径嵌入中有不同作用，并产生不同影响，因此在为每个项目节点聚合来自不同邻居节点信息之前，引入节点级注意力学习邻居节点路径对异构化用户行为特征的影响，并聚合有共同交互信息的邻居节点表示从而形成节点嵌入。因用户
‑
项目节点的维度不同，故需将节点特征映射到同一空间，将不同类别的节点映射到
共享的特征空间的表达式为： ；其中，表示项目节点的节点类别，为对应的权重矩阵，为项目节点对应的初始节点表示，为项目节点对应的特征映射后的节点表示，表示的偏置向量，表示维度。
[0012]通过上述处理，能够更好地融合用户和项目节点的特征，并在异构图神经网络中进行统一的建模和学习为特征。
[0013]步骤1.2，评估每个节点与其邻居节点之间的注意力权重，基于每个节点与其邻居节点之间的注意力权重进行单用户的异构化行为特征分离，得到用户行为特征。
[0014]得到所有节点的特征映射后，在已有的用户
‑
项目交互基础上，为了分离用户的行为特征，需要衡量项目节点之间的重要性。这可以通过注意力网络来实现，利用注意力网络计算每个节点与其邻居节点之间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合行为特征与三角协作度量的项目推荐方法，其特征在于，所述方法包括如下步骤：步骤1，在已有的用户
‑
项目交互基础上，通过邻居路由机制和嵌入传播机制学习相邻模块信息，迭代更新获取用户的多样化行为特征，并引入异构图神经网络实现多行为特征间的信息转移，最终得到异构化用户行为特征表示与项目表示；步骤2，基于异构化用户行为特征表示与项目表示，建立改进的Bhattacharyya相似性距离诱导策略，通过目标用户的相似邻居，建立用户与用户间信任关系，进而构建基于用户
‑
项目
‑
用户的三角协作度量模型；步骤3，利用三角协作度量模型并结合条件相似性学习来计算由预测评分项目、积极评分项目以及消极评分项目构成的三元组，通过对三元组的条件相似性学习得到用户最新动态偏好，基于该用户最新动态偏好对用户进行项目推荐。2.根据权利要求1所述的结合行为特征与三角协作度量的项目推荐方法，其特征在于，步骤1具体包括：步骤1.1，基于已有的用户
‑
项目交互，将不同类别的节点映射到共享的特征空间；步骤1.2，评估每个节点与其邻居节点之间的注意力权重，基于每个节点与其邻居节点之间的注意力权重进行单用户的异构化行为特征分离，得到用户行为特征；步骤1.3，基于用户行为特征，通过神经网络迭代更新获取的单用户异构化行为特征分块表示，采用基于邻居路由机制与嵌入传播机制的异构图神经网络迭代更新单用户异构化行为特征分块表示，得到异构化用户行为特征表示与项目表示。3.根据权利要求2所述的结合行为特征与三角协作度量的项目推荐方法，其特征在于，步骤2具体包括：步骤2.1，通过异构化用户行为特征表示对Bhattacharyya相似性定义，得到改进的Bhattacharyya相似性距离诱导策略，用于下一步的信任关系计算；步骤2.2，将异构化用户行为特征表示作为用户表示来权衡用户与用户、项目与项目、用户与项目间存在的直接信任关系与间接信任关系；步骤2.3，用户与用户、项目与项目、用户与项目间存在的直接信任关系与间接信任关系构建用户
‑
项目
‑
用户的三角协作度量模型，所述三角协作度量模型用于预测用户的未评分项目。4.根据权利要求3所述的结合行为特征与三角协作度量的项目推荐方法，其特征在于，步骤3中，基于该用户最新动态偏好对用户进行项目推荐具体包括：基于用户最新动态偏好，获取用户下一步可能交互的项目分值；将项目分值高于阈值的项目推荐给用户。5.根据权利要求4所述的结合行为特征与三角协作度量的项目推荐方法，其特征在于，步骤1.1中，将不同类别的节点映射到共享的特征空间的表达式为： ；其中，表示项目节点的节点类别，为对应的权重矩阵，为项目节点对应的初始节点表示，为项目节点对应的特征映射后的节点表示，表示的偏置向量，表示维度。6.根据权利要求5所述的结合行为特征与三角协作度量的项目推荐方法，其特征在于，
步骤1.2中，利用注意力网络计算每个节点与其邻居节点之间的注意力权重，表达式如下：；其中，表示项目节点和项目节点的注意力权重，为项目节点对应的特征映射后的节点表示，为项目节点对应的特征映射后的节点表示，表示和连接在一起形成的向量，表示和连接在一起形成的向量，是一个可学习的参数矩阵，LeakyReLU是一个激活函数，是项目节点的邻居集合，表示指数；步骤1.2还满足以下条件式：； ； ；其中，表示归一化后的值，表示项目节点对应的节点路径，表示用户第跳邻居的项目集；表示在第次迭代后，用户从其邻居集中收集信息更新后的用户行为特征；是用户和项目节点的Graph Laplacian矩阵...

【专利技术属性】
技术研发人员：钱忠胜，张丁，王亚惠，俞情媛，
申请(专利权)人：江西财经大学，
类型：发明
国别省市：