一种基于图卷积网络的知识协同推荐算法的优化方法技术

本发明专利技术涉及一种基于图卷积网络的知识协同推荐算法的优化方法，属于计算机技术领域。包括步骤：S1、构建知识协同的交互图：通过TransH方法将用户、项目特征嵌入到交互图中；S2、构建带权的传播聚合层：引入注意力网络对各卷积层输出的用户/项目节点特征进行加权求和；S3、模型预测：将加权后的节点特征表示输入到全连接预测层进行相似度计算生成最终的推荐序列。本发明专利技术通过构建协同知识图谱，完善节点的语义信息；同时通过知识图谱中节点之间的连接关系捕捉节点之间的潜在信息和关联信息；并结合图卷积网络，进行远距离信息传播聚合，再搭配注意力机制，根据特征表达能力的不同，差异化分配贡献度，帮助模型达到更理想的推荐效果。效果。效果。

【技术实现步骤摘要】
一种基于图卷积网络的知识协同推荐算法的优化方法


[0001]本专利技术属于计算机
，具体涉及一种基于图卷积网络的知识协同推荐算法的优化方法。

技术介绍

[0002]随着网络时代的高速发展，用户面临着严重的“信息过载”问题，为了缓解此问题，推荐系统发挥着不可替代的作用。当前诸多基于深度学习的推荐算法通常聚焦于如何在模型学习过程中减少参数量、提高模型运算速度、优化动态推荐过程。例如：基于卷积神经网络的推荐模型，通过共享权重和局部连接的方式减少了参数数量，优化了模型的时间和空间复杂度；基于循环神经网络的推荐模型中，用户和物品被表示为向量。对于每个用户，将其历史交互序列编码为一个固定长度的向量，然后将该向量与目标物品的向量进行拼接，作为输入序列传递给循环神经网络模型，由此来捕捉用户兴趣的演化和变化，利用用户历史行为数据中的顺序信息，训练出用户和物品之间的动态关系。
[0003]综上所述，当前几种基于深度学习的推荐算法均未充分挖掘特征间深层交互关系，存在偏好特征同质化、用户/项目节点难以充分表达特征语义的问题；另外，实际推荐场景中，数据稀疏通常会导致推荐模型难以准确学习用户与项目之间的交互关系。

技术实现思路

[0004]为解决现有技术中存在的上述问题，本专利技术提供了一种基于图卷积网络的知识协同推荐算法的优化方法，通过构建协同知识图谱，完善节点的语义信息；同时通过知识图谱中节点之间的连接关系捕捉节点之间的潜在信息和关联信息；并结合图卷积网络，进行远距离信息传播聚合，再搭配注意力机制，根据特征表达能力的不同，差异化分配贡献度，帮助模型达到更理想的推荐效果。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种基于图卷积网络的知识协同推荐算法的优化方法，包括以下步骤：
[0007]S1、构建知识协同的交互图：通过TransH方法将用户、项目特征嵌入到交互图中；
[0008]S2、构建带权的传播聚合层：引入注意力网络对各卷积层输出的用户/项目节点特征进行加权求和；
[0009]S3、模型预测：将加权后的节点特征表示输入到全连接预测层进行相似度计算，生成最终的推荐序列。
[0010]进一步地，所述步骤S1，包括以下步骤：
[0011]将用户定义为U＝{u1,u2,...,u
m
}，将项目定义为I＝{i1,i2,...,i
n
}，其中m与n分别是用户/项目的数量；
[0012]定义用户/项目交互矩阵为A∈R
m
×
n
，a为交互矩阵中的元素，用于表示用户与项目间是否存在交互关系；用户与项目存在交互关系时a
i,j
＝1，反之则为0；
[0013]定义协同知识图谱为G＝{h,r,t}，其中，h是头实体，r是关系表示，t是尾实体。
[0014]进一步地，所述步骤S1，还包括以下步骤：
[0015]使用TransH对协同知识图谱进行嵌入处理，并对初始协同知识图谱进行超平面映射，其表达式为：
[0016][0017][0018]其中，e
h
‑
和e
t
‑
分别是头实体和尾实体表征在关系平面的投影，w
r
是超平面向量；
[0019]同时，TransH嵌入方法对应的评分函数定义如下：
[0020][0021]其对应的损失函数为式为：
[0022][0023]其中，γ是知识图谱中正实例与负实例之间的最小间隔，正实例表示的是与用户有过真实交互关系的实体，负实例表示的是一些没有历史交互记录的实例。
[0024]进一步地，所述步骤S2，包括以下步骤：
[0025]对于存在交互关系的用户/项目对(u,i)，将从项目i到目标用户u的消息定义为:
[0026]m
u
←
i
＝f(e
i
，e
u
，p
u，i
)；
[0027]其中u
←
i是项目i向用户u的消息嵌入，f(
·
)是消息编码函数，将系数p
u,i
作为控制用户/项目对(u,i)在图卷积传播过程中的衰减因子，f(
·
)可解释为：
[0028][0029]其中，W1,W2∈R
d'
×
d
是提取有效特征信息进行传播的可训练权重矩阵，d
′
是变换大小，p
u,i
设置为图拉普拉斯范数，其中N
u
和N
i
表示用户u和项目i的历史交互项目集合。
[0030]进一步地，所述步骤S2，还包括以下步骤：
[0031]通过聚合与用户u产生交互的邻居所传播的消息来更新、细化u的特征信息，聚合函数定义为：
[0032][0033]其中，表示进行第一次嵌入传播之后，用户u所获得的特征嵌入更新，LeakyReLU是激活函数；
[0034]节点本身的自连接：
[0035]m
u
←
u
＝W1·
e
u
；
[0036]其中，W1是上文消息构造过程中所使用的权重矩阵；
[0037]通过堆叠L个传播聚合层，在第L层中，用户u的表示被递归地公式化为：
[0038][0039]其中被传播的消息定义为：
[0040][0041][0042]其中为可训练变换矩阵，d
l
为变换大小；是从前(L
‑
1)层传播聚合后得到的项目特征信息表示。
[0043]进一步地，所述步骤S2，还包括以下步骤：
[0044]模型的分层传播规则的矩阵形式定义如下：
[0045][0046]E
(l)
是经过l步嵌入传播后得到的用户和项目；初始传播表示为E
(0)
即I表示单位矩阵，l表示图拉普拉斯矩阵，图拉普拉斯矩阵公式为：
[0047][0048][0049]其中A为用户/项目交互矩阵，0为全零矩阵，P为邻接矩阵，D为对角矩阵；
[0050]将不同层学习到的项目表示加权求和，得到最终的项目嵌入：
[0051][0052][0053]其中，κ
l
是一个注意力网络，用于生成第l层嵌入的信息表示权重；
[0054]注意力网络的定义为：
[0055][0056]其中，W是嵌入聚合层到注意力网络全连接层的权重矩阵，b为偏置向量，h为全连接层softmax输出层的权重向量；
[0057]注意力网络与推荐模型进行梯度反向传播，得到最终的权重参数：
[0058][0059]进一步地，所述步骤S3，包括以下步骤：
[0060]通过内积来估计用户对目标物品的偏好：
[0061][0062]其中，和分别是用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积网络的知识协同推荐算法的优化方法，其特征在于：包括以下步骤：S1、构建知识协同的交互图：通过TransH方法将用户、项目特征嵌入到交互图中；S2、构建带权的传播聚合层：引入注意力网络对各卷积层输出的用户/项目节点特征进行加权求和；S3、模型预测：将加权后的节点特征表示输入到全连接预测层进行相似度计算，生成最终的推荐序列。2.根据权利要求1所述的一种基于图卷积网络的知识协同推荐算法的优化方法，其特征在于：所述步骤S1，包括以下步骤：将用户定义为U＝{u1,u2,...,u
m
}，将项目定义为I＝{i1,i2,...,i
n
}，其中m与n分别是用户/项目的数量；定义用户/项目交互矩阵为A∈R
m
×
n
，a为交互矩阵中的元素，用于表示用户与项目间是否存在交互关系；用户与项目存在交互关系时a
i,j
＝1，反之则为0；定义协同知识图谱为G＝{h,r,t}，其中，h是头实体，r是关系表示，t是尾实体。3.根据权利要求2所述的一种基于图卷积网络的知识协同推荐算法的优化方法，其特征在于：所述步骤S1，还包括以下步骤：使用TransH对协同知识图谱进行嵌入处理，并对初始协同知识图谱进行超平面映射，其表达式为：其表达式为：其中，e
h
‑
和e
t
‑
分别是头实体和尾实体表征在关系平面的投影，w
r
是超平面向量；同时，TransH嵌入方法对应的评分函数定义如下：其对应的损失函数为式为：其中，γ是知识图谱中正实例与负实例之间的最小间隔，正实例表示的是与用户有过真实交互关系的实体，负实例表示的是一些没有历史交互记录的实例。4.根据权利要求1所述的一种基于图卷积网络的知识协同推荐算法的优化方法，其特征在于：所述步骤S2，包括以下步骤：对于存在交互关系的用户/项目对(u,i)，将从项目i到目标用户u的消息定义为:m
u
←
i
＝f(e
i
，e
u
，p
u，i
)；其中u
←
i是项目i向用户u的消息嵌入，f(
·
)是消息编码函数，将系数p
u,i
作为控制用户/项目对(u,i)在图卷积传播过程中的衰减因子，f(
·
)可解释为：其中，W1,W2∈R
d'
×
d
是提取有效特征信息进行传播的可训练权重矩阵，d
′
是变换大小，p

【专利技术属性】
技术研发人员：王笛，孙苑翔，安玲玲，万波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：