【技术实现步骤摘要】
本专利技术涉及数据推荐，特别是涉及一种基于评分增强的图神经网络数据推荐方法、装置及介质。
技术介绍
1、glrs（基于图学习的推荐系统（graphlearningrecommendationsystemglrs））采用先进的图形学习方法来建模用户的偏好和意图，以及待推荐项目的特征。与其他推荐系统（包括基于内容的过滤和协作过滤）不同，glrs构建在重要对象（如用户、项目和属性）的显式或隐式连接的图形上。图神经网络技术在推荐系统中得到了广泛的应用，因为推荐系统中的大部分信息本质上都是图结构，而gnn在图表示学习方面具有优势。图神经网络推荐的本质是图数据的连接预测问题，即预测某一用户节点与某一物品节点的链接存在与否以及链接强度，而图上除了节点有其特征以外，边上也蕴含这丰富的特征，这些特征可以是用户给物品的评分，也可以是本次交互发生的时间或者规模等信息，以往的图神经网络推荐算法在边特征的利用上还不足，而推荐场景下边特征最具代表性的便是用户评分。
2、动态网络被广泛应用于社会网络分析、推荐系统和流行病学等领域。将复杂网络表示为随时间变化的结构，使网络模型不仅可以利用结构模式，还可以利用时间模式。近年来gnn发展很快，尽管图神经网络很受欢迎，且动态网络模型已被证明具有诸多优点，但对于用于动态网络的图神经网络却较少得到关注。基于现有的研究可知，在推荐领域动态图的效果一般而言好于静态图，但目前对动态图推荐的研究还是少于静态图推荐的研究。而动态图一定会涉及到一个时间序列上的变化信息，对于随着时间而演变的数据，显然时间轴上越靠近当前时间
3、近年来，伴随电子商务、传统行业信息化转型、互联网广告等业务的繁荣兴盛，网络空间中各类应用和超多用户内容的快速迭代增长引发了数据规模的爆发。导致了十分严峻的“信息过载”问题，如何帮助用户快速从海量无需排布的信息中获取有价值的内容催生了推荐算法。推荐算法作为缓解“信息过载”问题最有前景的其中一个方法，引发了学术界和工业界的广泛关注，相关推荐技术也相继被推出。
4、推荐系统是搭乘着互联网的春风发展起来的。在1994年，最早出现了协同过滤推荐算法，它就是grouplens研究团队的新闻推荐系统，该成果最先提出了协同过滤的模型，这直接影响了随后几十年的推荐算法发展方向。
5、传统推荐方法包括基于内容的过滤的推荐、协同过滤推荐以及混合推荐。
6、基于内容的过滤的推荐，顾名思义其推荐的参考依据就是用户的行为内容和物品内容。用户的行为内容可以分为显示反馈（评论文本、打分）和隐式反馈（浏览、点击、再购、历史搜索记录）。物品内容可以是分类、标签、物品标题以及描述性文字。接着基于内容过滤的推荐系统可以计算用户行为内容和待推荐物品的内容的相似度，依据相似度排序推荐。计算项目的内容相似度是该算法的要义，主流的是使用向量夹角余弦距离的计算方式。
7、协同过滤推荐算法是三大类技术流中最先出现的，也是其中最广泛使用的。它的强大之处体现在精准预测用户接下来的点击内容并将其推荐给用户，它的推荐依据是用户行为信息，经常购买相似物品的用户分配到一个群组中，或经常被同样用户购买的物品也会被分配到同一个群组中。
8、基于内容的推荐的缺点是推荐结果缺乏新颖性。倾向于给出相同的推荐，并且要考虑到热门内容会干预用户的标签，需要对热门内容进行降权，以及内容上需要考虑噪声干扰。对于协同过滤的推荐算法，当用户仅对数据库中可用的项目中的一小部分进行评分时，就会导致数据稀疏性问题。各种推荐方法各有各自的适用场景，由此自然可以想到组合他们以达到互补的效果，为了适应现实的工业应用场景，实际中常常采用混合推荐。
9、当下，如何对传统的数据推荐方法进行改进以提升数据推送的准确性是当下亟需要解决的技术问题。
技术实现思路
1、提供了本专利技术以解决现有技术中存在的上述问题。因此，需要一种基于评分增强的图神经网络数据推荐方法、装置及介质，以充分发挥评分信息在图卷积推荐中的作用，同时在图神经网络推荐中利用上用户社交网络等辅助信息，提高数据推荐的准确性。
2、根据本专利技术的第一方面，提供一种基于评分增强的图神经网络数据推荐方法，所述方法包括：
3、获取数据集，所述数据集包括用户集、物品集和评分集，其中评分集中包括的评分值为用户集中的用户给物品集中的物品的评分；
4、构建基于评分增强的图神经网络推荐模型，所述基于评分增强的图神经网络推荐模型包括用户模块、物品模块和预测与训练模块，所述用户模块用于学习得到用户隐因子，所述物品模块用于通过用户聚合的方式学习得到物品隐因子，所述预测与训练模块将所述用户隐因子和所述物品隐因子拼接后输入至一个多层感知机中进行评分预测以及对模型进行训练；
5、利用所述数据集对基于评分增强的图神经网络推荐模型进行训练，以训练后的模型进行数据推荐。
6、优选地，通过如下方法实现用户隐因子的学习：
7、根据用户交互过的所有物品以及交互过程中的评分来学习物品空间的用户隐因子：
8、，
9、其中是物品空间的用户隐因子，是用户交互过的所有物品，是用户交互过的物品的编号，是用户和物品之间的评分激活交互，是物品聚合函数，表示非线性激活函数，和是神经网络的权重和偏置；
10、将每一个评分表示为一个稠密向量得到评分嵌入向量；
11、根据物品嵌入向量和评分嵌入向量，通过如下公式计算用户和物品之间交互的评分激活交互：
12、，
13、其中表示两个向量的拼接；表示多层感知机，用于融合物品信息和评分信息；
14、利用评分激活交互与用户特征，通过如下公式计算第 k层的记忆向量：
15、，
16、其中，表示第 k层的记忆向量，表示第 k-1层的记忆向量，表示第 k层的评分激活交互，表示第 k层的用户特征；
17、通过如下公式计算初始记忆向量：
18、，
19、其中，表示初始记忆向量，表示初始的评分激活交互，表示初始的用户特征；
20、通过如下公式计算第 k层的评分激活交互：
21、，
22、其中，和是神经网络参数，是评分激活表示端的隐藏层状态，是归一化指数函数，是第一注意力权重，是第 k-1层评分激活表示端的记忆向量；
23、通过如下公式计算第 k层的用户特征：
24、，
25、其中，和是神经网络参数，是用户特征表示端的本文档来自技高网...
【技术保护点】
1.一种基于评分增强的图神经网络数据推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，通过如下方法实现用户隐因子的学习：
3.根据权利要求1所述的方法，其特征在于，通过用户聚合的方式学习得到物品隐因子，包括：
4.根据权利要求1所述的方法，其特征在于，所述预测与训练模块将所述用户隐因子和所述物品隐因子拼接后输入至一个多层感知机中进行评分预测的过程如下：
5.根据权利要求4所述的方法，其特征在于，所述预测与训练模块对模型训练过程所使用的损失函数如下：
6.一种基于评分增强的图神经网络数据推荐装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述模型构建模块被进一步配置为：
8.根据权利要求6所述的装置，其特征在于，所述模型构建模块被进一步配置为：
9.根据权利要求6所述的装置，其特征在于，所述模型构建模块被进一步配置为：
10.一种可读存储介质，其特征在于，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被
...【技术特征摘要】
1.一种基于评分增强的图神经网络数据推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，通过如下方法实现用户隐因子的学习：
3.根据权利要求1所述的方法，其特征在于，通过用户聚合的方式学习得到物品隐因子，包括：
4.根据权利要求1所述的方法，其特征在于，所述预测与训练模块将所述用户隐因子和所述物品隐因子拼接后输入至一个多层感知机中进行评分预测的过程如下：
5.根据权利要求4所述的方法，其特征在于，所述预测与训练模块对模型训练过程所使用的损失函数如下：...
【专利技术属性】
技术研发人员：刘伯成，沈俊杰，朱小刚，郑福祥，林志涌，侯婧雯，罗宁，徐若暄，铁冉冉，李祖瑾，
申请(专利权)人：南昌大学，
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。