【技术实现步骤摘要】
本专利技术涉及推荐系统的，尤其是指一种基于改进图卷积神经网络的物品推荐方法。
技术介绍
1、随着信息通讯技术的飞速发展，互联网上的信息量呈指数级增长。如何利用推荐系统从大量杂乱的信息中找到有效的内容、为用户提供个性化的信息以改善用户体验是当下亟需解决的热点问题。协同过滤是最经典的推荐算法之一，但它存在泛化能力差和长尾效应等问题，限制了其在不同场景下的应用。近年来，研究者们开始使用图卷积神经网络来改进协同过滤模型，将用户和物品交互数据建模为图，以此学习到有效的用户和物品节点表示来进行推荐。虽然现有的图卷积神经网络取得了比较好的效果，但仍存在一些问题。首先，它们不能很好地解决数据稀疏性问题，而在真实场景下的数据往往都是比较稀疏的。其次，它们过于依赖节点间的显式交互而非能丰富图形信息的高阶关系，这限制了网络的表达能力和泛化能力。此外，在卷积的过程中，它们不能有效整合用户和物品交互的关键协同信号，这可能导致推荐结果的不准确性和不稳定性。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足，提出了一种基于改进图卷积神经网络的物品推荐方法，该方法利用线性传播和残差偏好学习降低网络复杂度，结合结构邻居对比学习机制整合用户-物品二部图上丰富的邻域信息，缓解了数据稀疏性对模型的影响，利用注意力残差偏好学习机制学习用户和物品的关键协同信号，提高了网络的推荐性能。
2、本专利技术通过下述技术方案实现：基于改进图卷积神经网络的物品推荐方法，包括以下步骤：
3、1)采
4、2)利用步骤1)的原子文件构建用户-物品二部图，将用户-物品二部图输送到改进图卷积神经网络进行参数学习；其中，改进图卷积神经网络是在以往图卷积神经网络的基础上添加了注意力残差偏好学习机制，以此来捕获到不同传播层对预测结果的奉献程度，同时缓解图卷积神经网络深层次的过平滑问题；在训练的过程中采用了结构邻居对比学习机制，考虑了用户和物品节点的结构邻域，即节点在结构上链接的高阶邻居，丰富了图信息的同时也能够有效缓解用户物品交互数据的稀疏性；经过参数训练后，得到一个能够用于推荐的最优网络；
5、3)通过步骤2)得到的最优网络即可为用户-物品二部图中的任意用户推荐其可能感兴趣的物品，即将一个待推荐的用户-物品二部图输入到该最优网络中，就会准确给出所有用户的推荐列表。
6、进一步，在步骤1)中，将原子文件划分为训练集、测试集和验证集，为了保证原子文件的随机性和代表性，划分原子文件时采用了随机抽样和交叉验证的方法，增强了网络的泛化能力和鲁棒性。
7、进一步，在步骤2)中，所述改进图卷积神经网络采用了注意力残差偏好学习机制和基于infonce的结构邻居对比学习机制，其中：
8、注意力残差偏好学习机制表示为：
9、
10、上式的注意力残差偏好学习有助于缓解图卷积神经网络深层次的过平滑问题，式中，<,>表示向量内积运算，和分别表示用户u和物品i在第k+1层线性传播层的嵌入表示，和则分别表示用户u和物品i在第k层和第k+1层的评分预测，α′k为注意力得分，具体定义如下：
11、
12、
13、式中，αk为归一化前的注意力得分，l为卷积层层数，w为从输入层到隐藏层的权重矩阵，为用户u在第k层卷积层的嵌入表示，b为偏置向量，ht为输出层的权重向量的转置；用户u和物品i在第k+1层的嵌入表示由前一层嵌入表示聚合而来，聚合操作表示如下：
14、
15、
16、式中，和分别为用户u和物品i在第k层的嵌入表示，du和di分别表示用户u和物品i节点的度，ru和ri分别表示用户u和物品i节点在图上的邻居节点，wk为每一层的参数，表示线性传播；
17、基于infonce的结构邻居对比学习机制表示为：
18、
19、
20、式中，和分别为用户侧和物品侧的结构邻居对比损失，u、i分别表示用户集和物品集，v和j分别表示用户和物品集中的用户和物品，和分别表示用户u、物品i和物品j在改进图卷积神经网络中第k层的嵌入表示，分别表示用户u、用户v、物品i和物品j在改进图卷积神经网络中的初始嵌入表示，τ是softmax函数的温度超参；
21、总的结构邻居对比损失函数为用户侧结构邻居对比损失和物品侧结构邻居对比损失的加权和，如下：
22、
23、式中，为总的结构邻居对比损失，α是一个超参，用来平衡用户侧和物品侧这两种损失的权重；通过加权用户侧和物品侧的结构邻居对比损失，即考虑到了用户和物品节点的结构邻域，使得网络更加完善，同时还丰富了图信息，能够有效缓解用户物品交互数据的稀疏性；
24、将结构邻居对比学习损失视为补充，并利用多任务学习策略来协同基于成对排序的bpr排名损失和结构邻居对比损失，如下：
25、
26、式中，为最终的总损失，s(x)是一个sigmoid函数，da表示用户a的成对训练集，m为用户集，和为用户a跟物品i和j的预测评分，λ1、λ2是控制结构邻居对比损失和正则化项的权重超参，θ为改进图卷积神经网络的参数。
27、本专利技术与现有技术相比，具有如下优点与有益效果：
28、1、本专利技术使用线性传播操作替代传统图卷积神经网络中的非线性传播操作，降低了网络复杂度的同时提高了网络的推荐性能。
29、2、本专利技术在残差偏好学习的基础上添加了注意力机制，捕获到了不同传播层对预测结果的奉献程度，同时学习到的残差偏好能够有效缓解网络在不同传播层进行卷积操作过程中的过平滑问题，增强了网络的鲁棒性。
30、3、本专利技术利用结构邻居对比学习机制在图卷积中显式地捕获节点潜在的相关性，丰富了节点的邻域关系，提高了网络的推荐准确性和稳定性，使得网络更加完善。
本文档来自技高网...【技术保护点】
1.基于改进图卷积神经网络的物品推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进图卷积神经网络的物品推荐方法，其特征在于：在步骤1)中，将原子文件划分为训练集、测试集和验证集，为了保证原子文件的随机性和代表性，划分原子文件时采用了随机抽样和交叉验证的方法，增强了网络的泛化能力和鲁棒性。
3.根据权利要求2所述的基于改进图卷积神经网络的物品推荐方法，其特征在于：在步骤2)中，所述改进图卷积神经网络采用了注意力残差偏好学习机制和基于InfoNCE的结构邻居对比学习机制，其中：
【技术特征摘要】
1.基于改进图卷积神经网络的物品推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进图卷积神经网络的物品推荐方法，其特征在于：在步骤1)中，将原子文件划分为训练集、测试集和验证集，为了保证原子文件的随机性和代表性，划分原子文件时采用...
【专利技术属性】
技术研发人员：古万荣，李观明，毛宜军，王国华，
申请(专利权)人：华南农业大学，
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。