【技术实现步骤摘要】
本专利技术涉及数据处理，特别是涉及一种基于生成对抗网络的社交推荐方法。
技术介绍
1、推荐系统作为大数据时代获取信息的重要工具之一，受到广泛的关注和研究。在社交推荐系统中，异构图是核心的数据结构，异构图可适当表达用户与用户之间的社交关系，以及用户与项目间的交互联系。充分挖掘异构图中具有社交关系的用户群体的社交和交互信息能显著提升社交推荐系统结果的准确率和精确率。
2、但是，在现实世界中具有明确社交关系的用户只占少数，大量用户群体中没有明确的社交标签，而他们之间却交互着相同的项目，基于异构图的社交推荐系统，无法反馈这些信息，导致推荐结果的质量不高。
技术实现思路
1、为此，本专利技术的实施例提出一种基于生成对抗网络的社交推荐方法，以提升推荐结果的质量。
2、根据本专利技术一实施例的基于生成对抗网络的社交推荐方法，包括以下步骤：
3、步骤1，通过第一元路径和第二元路径，将基于用户与用户社交、用户与项目交互的异构图拆分为第一同质子图和第二同质子图，所述第一同质子图是用于描述用户之间有社交链接关系的用户关系图，所述第二同质子图是用于描述用户之间没有社交链接关系、但共享相同项目的用户关系图；
4、步骤2，基于异构图，通过图神经网络进行预训练，得到用户嵌入向量和项目嵌入向量，基于第一同质子图，通过图神经网络进行预训练，得到第一元路径嵌入向量，基于第二同质子图，通过图神经网络进行预训练，得到第二元路径嵌入向量，再基于第一元路径嵌入向量和第二元路径嵌
5、步骤3，在生成对抗网络的生成器中，通过直通式gumbel-softmax将联合嵌入向量转换为用户独热向量和项目独热向量；
6、步骤4，确定生成对抗网络中生成器的损失函数和判别器的损失函数；
7、步骤5，将用户独热向量、项目独热向量、用户嵌入向量、项目嵌入向量分别输入至生成器和判别器，并基于生成器的损失函数和判别器的损失函数，迭代更新生成对抗网络的目标函数，最后通过生成对抗网络输出最终的推荐项目列表。
8、根据本专利技术实施例的基于生成对抗网络的社交推荐方法，通过元路径将复杂的异构图分解为两个简单的同质子图，分别是用于描述用户之间有社交链接关系的用户关系图，以及用于描述用户之间没有社交链接关系、但共享相同项目的用户关系图，能够充分发掘和利用蕴涵在无社交标签用户群体中的结构和语义信息，从而提升社交推荐的结果质量，每个同质子图都关联特定用户社交的结构和语义信息，然后通过图神经网络进行预训练得到联合嵌入向量，再通过直通式gumbel-softmax将联合嵌入向量转换为用户独热向量和项目独热向量，能够确保社交推荐在反向传播过程中是可训练的，确定好生成对抗网络中生成器和判别器的损失函数后，将用户独热向量、项目独热向量、用户嵌入向量、项目嵌入向量分别输入至生成器和判别器，当生成对抗网络中的生成器和判别器之间实现平衡时，即得到了高质量的推荐结果。
本文档来自技高网...【技术保护点】
1.一种基于生成对抗网络的社交推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤2具体包括：
3.根据权利要求2所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤3具体包括：
4.根据权利要求3所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤4中，生成器的损失函数满足以下条件式：
5.根据权利要求4所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤5中，生成对抗网络的目标函数的表达式为：
6.根据权利要求5所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤5中，生成对抗网络的生成器和判别器的参数分别通过随机梯度上升和下降来更新，表达式为：
【技术特征摘要】
1.一种基于生成对抗网络的社交推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤2具体包括：
3.根据权利要求2所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤3具体包括：
4.根据权利要求3所述的基于生成对抗网络的社交推荐方法，其特征在于...
【专利技术属性】
技术研发人员：钱忠胜，朱辉，吴沛霞，付庭峰，王晓闻，刘金平，
申请(专利权)人：江西财经大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。