基于图神经网络与元学习的用户多行为推荐方法技术

本发明专利技术公开了一种基于图神经网络与元学习的用户多行为推荐方法，其特征在于，包括推荐系统，所述推荐系统包括元知识编码网络模块

【技术实现步骤摘要】
基于图神经网络与元学习的用户多行为推荐方法


[0001]本专利技术涉及用户多行为分析的
，具体涉及一种基于图神经网络与元学习的用户多行为推荐方法
。

技术介绍

[0002]推荐系统
(Recommendation System
，
RS)
自问世以来一直扮演着重要角色，一个优秀的推荐系统可以给服务提供者带来很多利益，例如提高经济效益，以及为产品提升竞争力
。
另一方面，越来越多的手机应用程序被专利技术和普及，其中网络购物软件和网络社交平台受到许多用户的喜爱
。
这些应用程序一直收集用户数据，并希望从这些数据中获利，种种行为使得大数据的增长率达到了前所未有的新高度
。
在大数据时代，谁能更好地利用大数据谁就可以带来更多意想不到的收货，这也是商品推荐系统之所以受到高度关注的重要原因之一
。
[0003]推荐系统主要用于处理信息过载
、
挖掘长尾和改善用户体验
。
以电商平台为例，传统的推荐系统通常使用协同过滤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图神经网络与元学习的用户多行为推荐方法，其特征在于，包括推荐系统，所述推荐系统包括元知识编码网络模块
、
用户行为交互关系学习网络模块
、
元知识迁移网络模块
、
训练推荐模块和评价模块；元知识编码网络模块的数据输出端与用户行为交互关系学习网络模块的数据输入端相连，用户行为交互关系学习网络模块的数据输出端与元知识迁移网络模块的数据输入端相连，元知识迁移网络模块的数据输出端与模型训练推荐模块的数据输入端相连，模型训练推荐模块的数据输出端与评价模块的数据输入端相连；元知识编码网络模块用于从初始的数据中提取元知识，并利用这些元知识初始化
Embedding
；用户行为交互关系学习网络模块用于基于元学习的处理信息传播和汇总用户和物品之间相关性的图神经网络，并且能够表征同一用户的多种行为之间的相关性对于不同物品的影响；元知识迁移网络模块用于信息传播和元知识迁移的元学习，并依此生成辅助预测任务的权重数据；模型训练推荐模块用于对大量的样本数据进行训练和优化并预测推荐；评价模块用于对训练后的模型利用评价指标进行评价
。2.
根据权利要求1所述的基于图神经网络与元学习的用户多行为推荐方法，其特征在于，在元知识编码网络模块中包括：其中，
V
i,k
是元学习器训练得到的参数矩阵；
W
表示元学习器的第一参数；
H
i,k
为包含上下文信息感知的
Embedding
；为元学习器的第二参数；其中，
H
i,k
为包含上下文信息感知的
Embedding
；
E
b
表示所有行为的初始化嵌入向量；
||
表示将向量合并成矩阵的并置运算；
E
i
表示用户
i
的初始化的嵌入向量；
E
j
表示物品
j
的初始化的嵌入向量；
k
表示第
k
种用户
‑
物品交互行为；表示用户
i
在第
k
种行为下产生交互的所有物品；表示物品
j
在第
k
种行为下与之产生交互的所有用户；表示用户或物品的
Embedding
聚合的标准化项
。3.
根据权利要求2所述的基于图神经网络与元学习的用户多行为推荐方法，其特征在于，在元知识编码网络模块中还包括数据重构，数据重构包括：
其中，表示包含上下文的协同信息的用户
Embedding
；表示重构后的邻接矩阵；
E
i
表示用户
i
的初始化的嵌入向量；表示重构后的第一正交矩阵；表示重构后的奇异值矩阵；表示重构后的第二正交矩阵；
ApproxSVD()
表示奇异值分解；
V
表示邻接矩阵；表示最大奇异值的个数
。4.
根据权利要求1所述的基于图神经网络与元学习的用户多行为推荐方法，其特征在于，在用户行为交互关系学习网络模块中包括：于，在用户行为交互关系学习网络模块中包括：其中，表示用户
i
的包含用户行为信息的嵌入向量；表示物品
j
的包含用户行为信息的嵌入向量；
E
i
表示用户
i
的初始化的嵌入向量；
E
j
表示物品
j
的初始化的嵌入向量；
σ
()
表示第一激活函数；表示数据标准化；表示用户
i
在第
k
种行为下产生交互的所有物品；表示物品
j
在第
k
种行为下与之产生交互的所有用户
。5.
根据权利要求1所述的基于图神经网络与元学习的用户多行为推荐方法，其特征在于，在用户行为交互关系学习网络模块中还包括基于多头注意机制的用户行为关系学习，基于多头注意机制的用户行为关系学习的方法为：
其中，表示第二中间变量；
Q
h
表示注意力机制中的变量
query
；表示用户
i
包含用户源行为信息的嵌入向量；表示用户
i
包含目标行为信息的嵌入向量；
K
h
表示注意力机制中的变量
key
；
d/H
表示注意力机制中的步长；其中，表示输入值分配权重；
Softmax()
是第二激活函数；表示第三中间变量；其中，表示将1～
H
向量拼接；
H
i,k
表示每一个行为在所有行为中的特征表示；
H
表示注意力头的数量；表示源行为
k
对目标行为的第
h
个权重的表示；
V
h
表示注意力机制中的变量
value
；表示注意力机制中每个步长下的用户行为向量的嵌入式表示；表示向量的第
h
个切片，
:
表示从前项到后项过程中产生得到变量；其中，表示输出结果；
H
i,k
表示每一个行为在所有行为中类中的特征表示；
K
表示用户
‑
...

【专利技术属性】
技术研发人员：刘小洋，肖伟，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：