一种基于表征解耦的图协同过滤推荐方法技术

本发明专利技术涉及一种基于表征解耦的图协同过滤推荐方法，属于计算机技术领域

【技术实现步骤摘要】
一种基于表征解耦的图协同过滤推荐方法


[0001]本专利技术属于计算机
，涉及一种基于表征解耦的图协同过滤推荐方法
。

技术介绍

[0002]随着图学习
(Graph Learning
，
GL)
方法，特别是图学习中的图神经网络
(Graph Neural Networks
，
GNN)
的提出，其在复杂关系提取和链路预测等许多图任务中取得了巨大成功，由于推荐系统的大部分数据具有图结构的特性，将图学习方法应用到推荐领域是一种很自然的做法
。
因此，图学习方法已逐渐成为推荐领域内一种被广泛研究的新兴推荐范式，即基于图学习的推荐系统
。
当用户与项目的交互信息被构建成图结构形式，再结合以图神经网络为主要代表的图学习方法，即可捕获
、
学习和模拟用户与项目之间高阶的
、
复杂的关系，更加有效地学习用户的长期兴趣偏好和项目的特征属性，以提升推荐系统的推荐性能
。
[0003]随着可解释性机器学习领域被人们广泛关注，推荐系统的可解释性也被作为研究的热点
。
基于图协同过滤的模型生成的嵌入表征由于图卷积网络本身的特性，无法将表征与其所代表的语义一一对应
。
于是，便有研究人员将自然语言处理领域当中的语义解耦方法引入基于图协同过滤的推荐模型中，使得模型生成的表征通过解耦能够与其语义一一对应，从而增加了表征的可解释性
。
但当前基于解耦的模型仍受限于用户项目交互数据稀疏以及噪声等问题的影响，性能仍有很高的提升空间
。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于表征解耦的图协同过滤推荐方法，解决解耦模型在对图片中的语义解耦时受用户项目交互数据稀疏以及噪声影响不能实现性能最大化的技术问题
。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于表征解耦的图协同过滤推荐方法，该方法包括以下步骤：
[0007]S1
：获取数据集，所述数据集包含用户信息
U
和项目信息
I
；
[0008]S2
：对所述
S1
获取数据集中的文本数据进行预处理，将预处理后的数据集划分为训练集
train.txt
和测试集
test.txt
，训练集用作模型训练，测试集用作模型性能测试，将两个数据集分别进行以下步骤的操作；
[0009]S3
：根据数据集构建用户
‑
项目交互矩阵，根据所述用户
‑
项目交互矩阵构建用户
‑
项目交互二分图，根据所述用户
‑
项目交互二分图构建邻接矩阵；结合所述构建的用户
‑
项目交互矩阵
、
邻接矩阵来生成用户
‑
项目的嵌入，表示用户
u
的初始嵌入，表示项目
i
的初始嵌入；
[0010]S4
：将所述
S3
中初始嵌入和输入到第一图卷积模块进行图卷积操作，通过迭代聚合二分图中相邻节点的特征来学习用户和项目的嵌入；
[0011]S5
：构建
top
‑
K
生成器，利用第一图卷积模块输出的用户和项目嵌入重新构建用户
‑
项目交互二分图
、
用户
‑
用户二分图以及项目
‑
项目二分图；
[0012]S6
：根据所述
S5
中重新构建的三个新的交互图，生成新的邻接矩阵，将所述生成新的矩阵和所述
S4
中的得到用户和项目嵌入一同输入第二图卷积模块中进行图卷积操作得到新的用户和项目的嵌入；
[0013]S7
：将所述
S6
中得到的新的用户和项目嵌入以及所述
S5
中新构建的用户
‑
项目交互二分图输入图解纠缠层进行图表征解耦操作，得到用户和项目的最终表征，模型预测被定义为用户和项目最终表征的内积，并通过内积得到最终的推荐结果
。
[0014]进一步的，在所述
S3
中，用户
‑
项目交互矩阵，表示为：
R∈R^(|N|
×
|M|)
，其中，
N
和
M
分别表示用户和项目的数量；
r
ui
∈R
为非零条目，表示用户
u∈U
曾经与项目
i∈I
交互；若不交互，则该条目为零；
[0015]用户
‑
项目的交互二分图，表示为：
G
＝
(W,E)
，其中，
W
为节点集包含用户节点和项目节点，
E
为边的集合；对于非零的
r
ui
，用户
u
和项目
i
之间存在一条边；
r
ui
为用户
‑
项目交互矩阵
R
当中的一个元素，
u
代表第
u
行，
i
代表第
i
列；
[0016]邻接矩阵，表示为：
A∈R
(|N|+|M|)
×
(|M|+|N|)
。
[0017]进一步的，在所述
S4
中，图卷积操作，表示为：
[0018][0019][0020]其中，和分别表示在
k
层传播后用户
u
和项目
i
的嵌入；
N
u
为与用户
u
相关联的项目的集合；
[0021]迭代聚合二分图中相邻节点的特征来学习用户和项目的嵌入，表示为：
[0022][0023]其中，
AGG
是一个聚合函数，是图卷积的核心，用于获取第
k
层的目标节点及邻居节点的嵌入，是对称的归一化项，矩阵
L
为邻接矩阵
A
的拉普拉斯矩阵，
D
为矩阵
A
的度矩阵；
[0024]经
K
层图卷积后，一个用户项目的最终嵌入为它们在图卷积模块中每一层得到的嵌入的加权，表示为：
[0025][0026][0027]其中，
α
k
≥0
是分配给第
k
层的一个超参数，控制当前层输出的嵌入占最终嵌入的比重
。
[0028]进一步的，所述
S5
，具体为：构建
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于表征解耦的图协同过滤推荐方法，其特征在于：该方法包括以下步骤：
S1
：获取数据集，所述数据集包含用户信息
U
和项目信息
I
；
S2
：对所述
S1
获取数据集中的文本数据进行预处理，将预处理后的数据集划分为训练集
train.txt
和测试集
test.txt
，训练集用作模型训练，测试集用作模型性能测试，将两个数据集分别进行以下步骤的操作；
S3
：根据数据集构建用户
‑
项目交互矩阵，根据所述用户
‑
项目交互矩阵构建用户
‑
项目交互二分图，根据所述用户
‑
项目交互二分图构建邻接矩阵；结合所述构建的用户
‑
项目交互矩阵
、
邻接矩阵来生成用户
‑
项目的嵌入，表示用户
u
的初始嵌入，表示项目
i
的初始嵌入；
S4
：将所述
S3
中初始嵌入和输入到第一图卷积模块进行图卷积操作，通过迭代聚合二分图中相邻节点的特征来学习用户和项目的嵌入；
S5
：构建
top
‑
K
生成器，利用第一图卷积模块输出的用户和项目嵌入重新构建用户
‑
项目交互二分图
、
用户
‑
用户二分图以及项目
‑
项目二分图；
S6
：根据所述
S5
中重新构建的三个新的交互图，生成新的邻接矩阵，将所述生成新的矩阵和所述
S4
中的得到用户和项目嵌入一同输入第二图卷积模块中进行图卷积操作得到新的用户和项目的嵌入；
S7
：将所述
S6
中得到的新的用户和项目嵌入以及所述
S5
中新构建的用户
‑
项目交互二分图输入图解纠缠层进行图表征解耦操作，得到用户和项目的最终表征，模型预测被定义为用户和项目最终表征的内积，并通过内积得到最终的推荐结果
。2.
根据权利要求1所述的一种基于表征解耦的图协同过滤推荐方法，其特征在于：在所述
S3
中，用户
‑
项目交互矩阵，表示为：
R∈R^(|N|
×
|M|)
，其中，
N
和
M
分别表示用户和项目的数量；
r
ui
∈R
为非零条目，表示用户
u∈U
曾经与项目
i∈I
交互；若不交互，则该条目为零；用户
‑
项目的交互二分图，表示为：
G
＝
(W,E)
，其中，
W
为节点集包含用户节点和项目节点，
E
为边的集合；对于非零的
r
ui
，用户
u
和项目
i
之间存在一条边；
r
ui
为用户
‑
项目交互矩阵
R
当中的一个元素，
u
代表第
u
行，
i
代表第
i
列；邻接矩阵，表示为：
A∈R
(|N|+|M|)
×
(|M|+|N|)
。3.
根据权利要求2所述的一种基于表征解耦的图协同过滤推荐方法，其特征在于：在所述
S4
中，图卷积操作，表示为：中，图卷积操作，表示为：其中，和分别表示在
k
层传播后用户
u
和项目
i
的嵌入；
N
u
为与用户
u
相关联的项目的集合；迭代聚合二分图中相邻节点的特征来学习用户和项目的嵌入，表示为：
其中，
AGG
是一个聚合函数，是图卷积的核心，用于获取第
k
层的目标节点及邻居节点的嵌入，是对称的归一化项，矩阵
L
为邻接矩阵
A
的拉普拉斯矩阵，
D
为矩阵
A
的度矩阵；经
K
层图卷积后，一个用户项目的最终嵌入为它们在图卷积模块中每一层得到的嵌入的加权，表示为：的加权，表示为：其中，
α
k
≥0
是分配给第
k
层的一个超参数，控制当前层输出的嵌入占最终嵌入的比重
。4.
根据权利要求3所述的一种基于表征解耦的图协同过滤推荐方法，其特...

【专利技术属性】
技术研发人员：袁正午，杨浩，王秋粮，唐培贤，曾凡昶，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：