【技术实现步骤摘要】
本专利技术具体涉及一种基于评分偏差偏移的增强型社交推荐方法和模型。
技术介绍
1、社交推荐算法是一种利用用户社交行为和关系网络的算法，旨在为用户提供个性化的社交推荐内容。该算法利用用户之间的社交关系、好友活动、兴趣爱好等信息，通过分析和挖掘这些信息之间的关系，可以发现用户之间的共同兴趣、好友之间的相似性以及用户与特定主题或领域的关联程度，为用户推荐可能感兴趣的社交内容、好友动态、社交活动等。社交推荐算法在社交媒体、社交网络平台、在线社区等场景中可以广泛应用，提高了用户的满意度、社交互动频率，促进社交媒体平台的发展和用户参与度，同时也为了解用户行为和需求提供了有用的数据。
2、早期的社交推荐算法研究许多都采用矩阵分解来作为基本模型，这是因为矩阵分解能够灵活地结合先验知识。当基于矩阵分解的推荐模型融合了社交信息，可以捕捉到更具表现力的用户偏好向量，并在各种场景中取得显著的成效。尽管传统的社交推荐算法能有效地捕获线性信息，但它们对用户-项目交互以及社交领域的复杂性表现出学习上的局限性，限制了模型的表达能力和推荐性能。而与基于矩阵分解的方法相比，图神经网络可以同时建模用户-项目关系和用户-用户社交关系，并在处理非结构化数据时展现出强大的能力，从而更准确地推荐。此外，基于图神经网络的方法可以更好地融合多种信息源，如用户画像、文本内容等，提供更个性化、多样化的推荐结果。
3、图神经网络作为一种基于图结构的广义神经网络，提供了一种从相邻节点中提取特征信息并捕捉网络拓扑结构的有效机制。基于图神经网络的推荐算法将用户-项目
4、有鉴于此，本专利技术提出一种新的社交推荐方法和模型，是一种结合评分偏差偏移量的增强型社交推荐方法和模型，可以更全面地考虑用户真实偏好和项目的个性化差异。
技术实现思路
1、本专利技术的专利技术目的在于提供一种基于评分偏差偏移的增强型社交推荐方法，该方法利用图神经网络不仅可以建立用户-物品交互模型，还可以将评级偏差偏移量作为学习过程中的固有部分，更全面地考虑用户真实偏好和项目的个性化差异，从而准确刻画其特征以提高系统性能。
2、为了实现上述目的，所采用的技术方案为：
3、一种基于评分偏差偏移的增强型社交推荐方法，包括以下步骤：
4、s1用户建模：通过引入评级偏差偏移量，利用用户-项目去中心化图数据进行潜在表示的学习；通过嵌入查询表将评分偏差信息编码为向量表示，捕捉用户对项目的细微偏好；通过多层感知机和图注意力网络对用户潜在表示进行学习，结合多元关系路径进行元路径的语义嵌入表示；
5、s2项目建模：借助项目-用户去中心化图，学习项目的潜在表示；引入评级偏差偏移量，通过多层感知机和图注意力网络学习不同用户对同一项目的潜在表示，捕捉项目在不同语义空间下的特征；采用多元关系路径对项目潜在表示进行学习，使用多层感知机融合这些表示，输出项目的最终潜在表示；
6、s3融合元路径的图注意力网络：采用图注意力网络来聚合不同元路径的语义关系，通过定义聚合过程和注意力机制，捕捉节点在不同语义空间下的特征；通过多个图学习层的融合，整合各个元路径的信息；
7、s4评分预测：利用用户和项目的潜在表示，通过多层神经网络进行非线性关系建模，捕捉用户偏好和项目特征之间的关系；使用relu激活函数和多层神经网络将用户和项目的特征逐层传递；最后通过权重矩阵映射，计算出偏好评级。
8、进一步的，所述的步骤s1中，用户ue的评分偏差偏移公式如下所示：
9、式中，||表示绝对值函数，表示向上取整函数，ref为历史评分，a(ve)为平均评分。
10、再进一步的，所述的步骤s1中，使用嵌入查询表后，对用户ue和具有评级偏差偏移量的项目vf的交互进行建模，并用于用户ue后续潜在表示的建模，公式如下所示：
11、式中，mlp是多层感知机，是项目vf的嵌入向量，为用户ue的评分差异向量。
12、再进一步的，所述的步骤s1中，结合多元关系路径进行元路径的语义嵌入表示的公式如下所示：
13、最终潜在表示
14、进一步的，所述的步骤s2中，借助项目-用户去中心化图，学习项目的潜在表示的过程为：用户uk和用户ul的评级偏差计算为rkl-a(uk)后，利用该图中反映的信息来学习项目vk的潜在表示对项目vk的评级偏差偏移量的公式为：
15、再进一步的，所述的步骤s2中，学习不同用户对同一项目的潜在表示的过程为：先获得项目vk的评级差异向量将其与用户ul的嵌入表示拼接，并注入到mlp中，就学习到了用户ul与具有评级偏差偏移量的项目vk的评级差异交互表示okl，其公式为：
16、再进一步的，所述的步骤s2中，输出项目的最终潜在表示的过程为：通过三种元路径path6、path7和path8，分别反映不同节点间的关联关系，进而获得每个元路径的初步项目表示和后，采用另一个mlpcombv融合这三种表示，输出项目vk的最终潜在表示zk，其公式为：
17、进一步的，所述的步骤s3中，利用图注意网络来聚合来自不同元路径的语义关系，从而捕捉与每个节点相关的各种特征，其聚合过程所采用的公式如下：
18、
19、式中，relu是激活函数，和分别表示神经网络的权重矩阵和偏置向量，d是嵌入大小，pj是用户ui和项目vj的交互嵌入；
20、βij表示每个j∈n(i)在学习表示中的重要性权重，其公式为：
21、所述的步骤s3中，图形注意力网络是指使用双层神经网络对βij进行参数化，该网络的输入是嵌入pi和pj，其公式为式中，和分别表示权重矩阵和偏置向量，表示拼接操作
22、进一步的，所述的步骤s4中，偏好评级采用以下公式计算：
23、f2＝relu(w2·f1+b2)，
24、本专利技术还有一个专利技术目的在于提供一种基于评分偏差偏移的增强型社交推荐模型，是社交推荐的sr-bs模型，能产生更优秀的推荐结果。
25、为了实现上述目的，所采用的技术方案为：
26、一种基于评分偏差偏移的增强型社交推荐模型，包括：用户建模模块、项目建模模块和评分预测模块；
27、其中，所述的用户建模模块，利用去中心化图的数据引入评级偏差偏移量，利用构建的社交关系图和项目相似图挖掘本文档来自技高网...
【技术保护点】
1.一种基于评分偏差偏移的增强型社交推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的增强型社交推荐方法，其特征在于，
3.根据权利要求2所述的增强型社交推荐方法，其特征在于，
4.根据权利要求3所述的增强型社交推荐方法，其特征在于，
5.根据权利要求1所述的增强型社交推荐方法，其特征在于，
6.根据权利要求5所述的增强型社交推荐方法，其特征在于，
7.根据权利要求6所述的增强型社交推荐方法，其特征在于，
8.根据权利要求1所述的增强型社交推荐方法，其特征在于，
9.根据权利要求1所述的增强型社交推荐方法，其特征在于，
10.一种基于评分偏差偏移的增强型社交推荐模型，其特征在于，包括：用户建模模块、项目建模模块和评分预测模块；
【技术特征摘要】
1.一种基于评分偏差偏移的增强型社交推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的增强型社交推荐方法，其特征在于，
3.根据权利要求2所述的增强型社交推荐方法，其特征在于，
4.根据权利要求3所述的增强型社交推荐方法，其特征在于，
5.根据权利要求1所述的增强型社交推荐方法，其特征在于，
6.根据权利...
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。