基于GNN深度互学习的多模态推荐方法、系统及介质技术方案

本发明专利技术涉及机器学习技术领域，具体涉及一种基于GNN深度互学习的多模态推荐方法、系统及介质，方法包括：获取多模态的用户‑项目二部图，将多模态用户‑项目二部图分解为多个单模态的用户‑项目二部图；基于图注意力网络计算单模态的用户嵌入和项目嵌入；构建MR‑GNN模型，对于全部模态中的每个模态，基于该模态的用户嵌入和项目嵌入确定最终损失函数，根据最终损失函数依次更新每个模态对应的GNN模型、用户嵌入参数和项目嵌入参数，直到MR‑GNN模型收敛，得到训练好的MR‑GNN模型；基于训练好的MR‑GNN模型对目标用户推荐目标物品；本发明专利技术能够提高多模态推荐系统的性能和效果。

【技术实现步骤摘要】

本专利技术涉及机器学习，具体涉及一种基于gnn深度互学习的多模态推荐方法、系统及介质。

技术介绍

1、有效的预测结果和推荐服务可以提高金融决策和多媒体内容服务的服务质量。在资本市场中，许多机构投资者对上市公司进行股权投资，这可能涉及以文本、图像和声音形式存在的信息。分析这样复杂的多模态信息对零售投资者来说是一个巨大挑战。因此，将机构投资者的投资趋势推荐给关注有限的零售投资者可以节省投资成本并提高投资效率。

2、对于在线多媒体平台，如tiktok和youtube，推荐服务由于大量的内容可用性(如短视频)而发挥着至关重要的作用。为每个用户提供个性化推荐可以极大地增强其用户体验。通常，这些推荐模型通常被称为基于协同过滤(cf)的模型，它们是在用户-项目二部图上进行训练以学习用户和项目嵌入。然后，可以通过计算用户和项目嵌入之间的相似性来获取每个用户的推荐列表。然而，一个主要障碍在于用户-项目二部图的稀疏性，这使得准确的用户和项目嵌入的训练过程变得复杂。为了解决这个问题，一个潜在的解决方案涉及利用项目丰富的多模态特征来减轻交互数据中的稀疏问题，这是与多模本文档来自技高网...

【技术保护点】

1.一种基于GNN深度互学习的多模态推荐方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于GNN深度互学习的多模态推荐方法，其特征在于，S200中，所述单模态的用户嵌入通过以下方式得到：

3.根据权利要求2所述的一种基于GNN深度互学习的多模态推荐方法，其特征在于，S200中，所述单模态的项目嵌入通过以下方式得到：

4.根据权利要求3所述的一种基于GNN深度互学习的多模态推荐方法，其特征在于，S400中，所述对于全部模态中的每个模态，基于该模态的用户嵌入和项目嵌入确定最终损失函数，根据所述最终损失函数依次更新每个模态对应的GNN...

【技术特征摘要】

1.一种基于gnn深度互学习的多模态推荐方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于gnn深度互学习的多模态推荐方法，其特征在于，s200中，所述单模态的用户嵌入通过以下方式得到：

3.根据权利要求2所述的一种基于gnn深度互学习的多模态推荐方法，其特征在于，s200中，所述单模态的项目嵌入通过以下方式得到：

4.根据权利要求3所述的一种基于gnn深度互学习的多模态推荐方法，其特征在于，s400中，所述对于全部模态中的每个模态，基于该模态的用户嵌入和项目嵌入确定最终损失函数，根据所述最终损失函数依次更新每个模态对应的gnn模型、用户嵌入参数和项目嵌入参数，直到mr-gnn模型收敛，得到训练好的mr-gnn模型，包括：

5.根据权利要求4所述的一种基于gnn深度互学习的多模态推荐方法，...

【专利技术属性】
技术研发人员：张荣标，刘文彬，闫敬文，
申请(专利权)人：厦门惠趣租科技有限公司，
类型：发明
国别省市：