基于并行提取特征的异质图神经网络的商品推荐方法技术

本发明专利技术公开基于并行提取特征的异质图神经网络的商品推荐方法

【技术实现步骤摘要】
基于并行提取特征的异质图神经网络的商品推荐方法


[0001]本专利技术属于异质图节点分类推荐领域，具体涉及一种基于并行提取特征的异质图神经网络的商品推荐方法
。

技术介绍

[0002]近年来，由于图神经网络
(GNN)
能够挖掘分析图结构数据
(
非欧式空间
)
的节点特征以及语义信息，且相比于循环神经网络
(RNN)
和卷积神经网络
(CNN)
表现出了更好的性能和广泛的适用性
。
因此图神经网络被各种涉及图结构的任务所青睐，如节点分类
、
链路预测等
。
然而大数据时代下，在真实世界中需要处理的信息交互性越来越强，且往往是大量不同类型的对象互相交织联系，如社交网络
、
电商购物等包含多种类型对象和关系的异质图结构信息
。
如今基于同质网络构建的图神经网络模型已经相当成熟，但由于并不能全面的提取多类型的节点特征以及节点间关系从而导致其并不能挖掘异质图包含的丰富语义信息
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于并行提取特征的异质图神经网络的商品推荐方法，其特征在于所述方法包括如下步骤：步骤
(1)
：获取电子商务商品数据，包括商品属性和用户行为；步骤
(2)
：对电子商务商品数据进行预处理；具体是：根据电子商务商品数据构建商品关系图
G
，所述商品关系图
G
中商品为节点，商品属性为节点属性，边为用户行为；所述商品关系图
G
采用特征矩阵
X
进行表示；所述特征矩阵
X
中元素值为0表示两商品节点之间没有直接相连，元素值大于0表示两商品节点之间直接相连的关系，且元素值为1对应的用户行为是用户在一段时间内点击了这两个商品，元素值为2对应的用户行为是用户将两个商品同时放入购物车，元素值为3对应的用户行为是用户同时下单了这两个商品；基于用户行为，对商品关系图
G
中各节点提取元路径；步骤
(3)
：对特征矩阵
X
进行初始类型分类：根据电子商务中原始商品分类，从特征矩阵
X
中抽取同类型节点以及这些节点在特征矩阵
X
中原始的边关系，形成同类型特征矩阵
X1
；步骤
(4)
：采用内部特征模块，提取同类型节点间的特征
X
N
；步骤
(5)
：采用外部特征模块，采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，提取不同类型节点间的特征
E
；步骤
(6)
：采用元路径模块，挖掘元路径中的高级语义信息，进一步更新网络拓扑结构，提取关系矩阵
X
M
；步骤
(7)
：采用图卷积模块，根据同类型节点间的特征
X
N
、
不同类型节点间的特征
E、
关系矩阵
X
M
，输出分类结果；步骤
(8)
：根据商品节点分类结果进行商品推荐
。2.
根据权利要求1所述方法，其特性在于步骤
(4)
具体是：4‑1内部特征模块通过注意力机制学习同类型节点特征，更新节点特征：给定一对同类型节点
v1,v2，注意力机制学习节点
v1,v2的两者相关性即节点
v1对节点
v2的贡献；的计算公式如下所示：其中分别是节点
v1,v2的嵌入向量，
att()
表示注意力机制；4‑2对通过
SoftMax
函数进行归一化处理，得到节点的权重值其公式如下：其中
i
表示节点的个数；
exp()
表示归一化函数；4‑3对节点的权重值与阈值比较，即判断两个同类型节点之间的相关性，若大于阈值，则认为这两个同类型节点存在强相关性，不做任何处理，反之则认为这两个同类型节点为弱相关节点，将同类型特征矩阵
X1
中对应的元素更新为0；4‑4通过一个全连接层输出更新后同类型特征矩阵
X
N
。
3.
根据权利要求2所述方法，其特性在于步骤
(5)
具体是：5‑1采用随机注意力机制结合节点特征空间学习中长距离依赖关系，具体过程如下：5‑1‑1在节点特征空间中，经过节点特征映射后，根据节点的特征矩阵
X
和节点相似度
cos
sim
，取相似度最高的
k
个节点建立图
G
F
，其邻接矩阵为
A
F
；所述节点相似度
cos
sim
采用余弦相似度的计算，公式如下所示：其中
X
i
和
X
j
分别表示邻接矩阵
A
F
中节点
i
和节点
j
的特征向量；5‑1‑2对特征矩阵
X
基于邻接矩阵
A
F
不断更新，得到节点嵌入信息
E
F
；5‑2采用随机注意力机制结合网络拓扑空间学习中长距离依赖关系具体过程如下：5‑2‑1在网络拓扑空间中，根据特征矩阵
X
建立网络拓扑结构
G
T
，其邻接矩阵为
A
T
；5‑2‑2对特征矩阵
X
根据邻接矩阵
A
T
不断更新，得到节点嵌入信息
E
T
；5‑2‑3在网络拓扑中，用门机制来决定注意力模块中提取的各个节点特征向量之间的注意力值是否有效，
attValue
为1表示有效，为0表示无效，以此阻断网络拓扑结构上不相邻节点或是弱相关节点对应的注意力数值向后传递；其中是网络拓扑结构
G
T
中节点
u1,u2的嵌入向量，
att()
表示注意力机制，
θ
表示阈值；5‑3采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，是通过带参数共享的
GCN
，提取网络拓扑空间和节点特征空间的公共信息，得到公共嵌入
E
FT
；具体过程如下：5‑3‑1分别对邻接矩阵
A
F
和
A
T
通过共享参数
GCN
进行公共嵌入信息的提取；5‑3‑2初始化，迭代次数
m
＝0，公共嵌入信息5‑3‑3使用激活函数得到公共嵌入信息
E
FT
，公式如下：，公式如下：其中
Relu
表示激活函数，是网络拓扑空间和节点特征空间的共享权重矩阵，做对称归一化处理，分别表示节点特征空间和网络拓扑空间第
m
次迭代后更新特征矩阵
X
；5‑...

【专利技术属性】
技术研发人员：胡海洋，汪启航，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：