基于噪声增强的对比学习图推荐方法技术

本发明专利技术公开了一种基于噪声增强的对比学习图推荐方法

【技术实现步骤摘要】
基于噪声增强的对比学习图推荐方法


[0001]本专利技术涉及推荐系统
、
对比学习和图卷积神经网络领域，具体地说，是一种简单图增强的图卷积网络评分预测推荐方法
。

技术介绍

[0002]近些年来，由于信息时代发展到大数据时代，如今的互联网上的数据规模呈爆炸式增长，导致信息超载成为我们生活中日益严重的问题
。
而推荐系统是缓解信息过载问题
、
方便用户寻求信息的有效解决方案，也可以增加服务提供商的流量和收入
。
因此，高效而准确的个性化推荐系统也就成为学术界和工业界的关注热点
。
而同时，图神经网络
(GNN)
的研究逐渐兴起，由于推荐系统中的大部分信息具有图结构，
GNN
在图表示学习方面具有优势，因此在推荐系统中得到了广泛的应用
。
[0003]传统方法主要基于协同过滤和内容过滤技术，这些方法依赖于用户的历史行为和项目的特征信息
。
然而，这些方法在面对流行度偏差和数据稀疏性时表现不佳
...

【技术保护点】

【技术特征摘要】
1.
一种基于噪声增强的对比学习图推荐方法，其特征在于，包括以下步骤：步骤
1、
建立问题：建立一个统一的用户项目二部图来建模所研究的问题，明确模型的输入及输出，其中，用户用
u
表示，项目用
i
表示，当用户
u
和项目
i
交互，就会建立一条边
(u,i)
；步骤
2、
初始嵌入层：使用嵌入向量
u
(0)
∈R
d
和
i
(0)
∈R
d
来描述一个用户和一个项目，其中
d
是嵌入维度，用户嵌入向量和项目嵌入向量分别用嵌入矩阵和来表示；步骤
3、
用户的嵌入传播层：对相邻节点的项目进行嵌入组合，以通过用户
‑
项目的交互进行建模；步骤
4、
项目的嵌入传播层：对相邻节点的用户进行嵌入组合，以通过用户
‑
项目的交互进行建模；步骤
5、
消息传播与图对比：对初始用户嵌入向量和项目嵌入向量进行消息传播，在消息传播过程中向其中分别添加不同的噪声，以得到初始数据的阳性表示以及阴性表示；步骤
6、
预测：在经过
L
层传播后，得到了不同层的用户项目表示，将不同层的用户项目表示结合得到最终表示，将用户项目最终表示进行内积以获得该用户对项目的交互概率，最后利用损失函数对模型进行训练
。2.
根据权利要求1所述的对比学习图推荐方法，其特征在于，所述步骤1中：输入的交互数据用无向图
G
＝
(V
，
E)
表示，其中，节点是由用户节点
u∈U
和项目节点
i∈I
组成，
E
中的边包含用户和项目交互建立的边
(u,i)。3.
根据权利要求1所述的对比学习图推荐方法，其特征在于，所述步骤2中：用户嵌入向量和项目嵌入向量分别用嵌入矩阵
U
和
I
来表示，其中：来表示，其中：使用
one
‑
hot
编码作为输入来描述一个用户
、
一个项目，矩阵
U、
矩阵
I
中的嵌入作为用户
、
项目的初始化特征
。4.
根据权利要求1所述的对比学习图推荐方法，其特征在于，所述步骤3中：图卷积运算定义为下式，模型通过其进行消息聚合，其中，表示在第
L
层嵌入传播层后得到的项目
i
的表示，
N
u
,N
i
分别表示用户和项目的邻居集合；使用对称归一化项来避免随着图卷积操作而造成的嵌入规模的增加
。5.
根据权利要求1所述的对比学习图推荐方法，其特征在于，所述步骤4中：图卷积运算定义为下式，模型通过其进行消息聚合，
其中，表示在第
L
层嵌入传播层后得到的用户
u
的表示，

【专利技术属性】
技术研发人员：宋玉蓉，付顺发，蒋国平，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：