【技术实现步骤摘要】
本专利技术涉及推荐领域，特别涉及一种基于图注意力网络的双序列协同关系推荐方法。
技术介绍
1、随着信息的爆炸式增长，用户往往被众多的选择所淹没，以致很难找到期望的信息。推荐系统被广泛用于缓解信息过载并帮助用户选择期望的信息，受到了研究者的广泛关注。近年来，图神经网络被引入到推荐系统中，该模型基于用户-商品交互构造图，在图上进行嵌入传播以建模高阶协同信息，从而生成精确的嵌入向量。
2、尽管当前的序列推荐方法取得了良好的成果，但仍存在一些不足。首先大多数模型采用协同过滤来建模关联性，但是协同过滤仅能建模一阶的关联性，不能捕捉高阶的协同关系，且现有的序列推荐模型往往假设商品的属性是静态的，仅建模用户的动态喜好，而商品的属性随着不同社交群体的交互，所体现出来的属性是动态变化的，同时建模用户端序列与商品端序列难以捕捉用户的兴趣变化与商品的动态属性，提高推荐的精准度，较为不便。
技术实现思路
1、本专利技术的目的在于提供一种基于图注意力网络的双序列协同关系推荐方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于图注意力网络的双序列协同关系推荐方法，包括以下具体使用步骤：
3、步骤一：将用户-商品交互经过预处理得到用户相似图与商品相似图，通过融合用户-用户图和商品-商品图上的高阶协同特征，以增强表示学习，并得出嵌入层即图注意力网络模型；
4、步骤二：通过双序列模型同时考虑注意力网络模型中的用户端和商品端序
5、步骤三：预测层通过将双序列模型层进行内积得到偏好分数，从而得出最终的嵌入表示。
6、优选的，所述用户-用户图和商品-商品图使用jaccard指数从用户商品的交互数据集中分离出相关联的用户以及相关联的商品，并构建成图。
7、优选的，所述嵌入层包括用户嵌入和商品嵌入。
8、优选的，所述用户嵌入在在用户-用户所构建的图上通过嵌入传播得到高阶的用户节点表示，所述商品嵌入通过在商品-商品所构建的图上堆叠层的图注意力网络进行嵌入传播，得到融合高阶协同信息的商品嵌入表示。
9、优选的，所述双序列建模包括用户端序列和商品端序列，用户序列与商品序列同时进行建模，所述用户端序列中的元素是物品，所述商品端序列的元素是用户，两条所述序列进行交互训练。
10、优选的，所述用户端序列将嵌入层得到的商品嵌入作为用户端序列建模的输入，以循环神经网络作为序列信息建模的基础模型，融入注意力机制缓解rnn的单调性假设问题，同时为建模序列间交互特征，重新定义递归转换函数，所述商品端序列与用户端序列建模方式相同。
11、优选的，所述预测层包括有预测函数和损失函数。
12、优选的，所述预测函数将候选商品集中的商品按照与目标用户的交互概率进行降序排序，取出top k的商品生成推荐列表进行推荐。
13、优选的，所述损失函数对于隐式反馈，并使用二元交叉熵进行表示。
14、优选的，所述预测函数和损失函数所得出的最终用户信息和项目信息送入融合模型，输出项目的推荐概率，判断是否将项目推荐给用户。
15、本专利技术的技术效果和优点：
16、本专利技术利用嵌入层、双序列模型层和预测层相配合的设置方式，在全局利用用户-商品交互，以得到丰富的嵌入表示，同时对以往模型忽略的商品特征进行建模，将用户-商品交互经过预处理得到用户相似图与商品相似图，在图上应用高阶图注意力网络，以增强表示学习，将融合高阶协同特征的嵌入表示作为序列信息抽取模块的输入，为同时建模用户的动态喜好与商品特征的时序动态，构建以商品为中心的用户端序列与以用户为中心的商品端序列，两条序列以交互的方式进行训练，在抽取序列中时序特征的同事捕捉序列间特征，经过模型的训练，能够在丰富用户、商品固有特征的同时，能够捕捉其特征的时序动态。
本文档来自技高网...【技术保护点】
1.一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，包括以下具体使用步骤：
2.根据权利要求1所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述步骤一中的用户-用户图和商品-商品图使用Jaccard指数从用户商品的交互数据集中分离出相关联的用户以及相关联的商品，并构建成图。
3.根据权利要求1所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述步骤一中的嵌入层包括用户嵌入和商品嵌入。
4.根据权利要求3所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述用户嵌入在在用户-用户所构建的图上通过嵌入传播得到高阶的用户节点表示，所述商品嵌入通过在商品-商品所构建的图上堆叠层的图注意力网络进行嵌入传播，得到融合高阶协同信息的商品嵌入表示。
5.根据权利要求1所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述步骤二中的双序列建模包括用户端序列和商品端序列，用户序列与商品序列同时进行建模，所述用户端序列中的元素是物品，所述商品端序列的元素是用户，两条所述序列进行交互训
6.根据权利要求5所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述用户端序列将嵌入层得到的商品嵌入作为用户端序列建模的输入，以循环神经网络作为序列信息建模的基础模型，融入注意力机制缓解RNN的单调性假设问题，同时为建模序列间交互特征，重新定义递归转换函数，所述商品端序列与用户端序列建模方式相同。
7.根据权利要求1所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述嵌入层包括有预测函数和损失函数。
8.根据权利要求7所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述预测函数将候选商品集中的商品按照与目标用户的交互概率进行降序排序，取出top K的商品生成推荐列表进行推荐。
9.根据权利要求7所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述损失函数对于隐式反馈，并使用二元交叉熵进行表示。
10.根据权利要求7所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述预测函数和损失函数所得出的最终用户信息和项目信息送入融合模型，输出项目的推荐概率，判断是否将项目推荐给用户。
...【技术特征摘要】
1.一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，包括以下具体使用步骤：
2.根据权利要求1所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述步骤一中的用户-用户图和商品-商品图使用jaccard指数从用户商品的交互数据集中分离出相关联的用户以及相关联的商品，并构建成图。
3.根据权利要求1所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述步骤一中的嵌入层包括用户嵌入和商品嵌入。
4.根据权利要求3所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述用户嵌入在在用户-用户所构建的图上通过嵌入传播得到高阶的用户节点表示，所述商品嵌入通过在商品-商品所构建的图上堆叠层的图注意力网络进行嵌入传播，得到融合高阶协同信息的商品嵌入表示。
5.根据权利要求1所述的一种基于图注意力网络的双序列协同关系推荐方法，其特征在于，所述步骤二中的双序列建模包括用户端序列和商品端序列，用户序列与商品序列同时进行建模，所述用户端序列中的元素是物品，所述商品端序列的元素是用户，两条所述序列进行交互训练。
6...
【专利技术属性】
技术研发人员：吴越红，周威，刘昌通，牛一凡，施国庆，
申请(专利权)人：天翼云科技有限公司，
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。