一种基于图对比学习的多样化推荐方法技术

现如今，图计算尤其是图神经网络等技术获得了快速的发展以及广泛的应用。随着研究人员对推荐系统的不断研究，他们不满足于追求推荐系统的准确性，开始在其他方向研究推荐系统。推荐系统的多样性研究逐渐丰富起来。本发明专利技术提出了一种基于图对比学习的多样化推荐方法，通过对图卷积神经网络(GCN)进行改造，利用图对比学习的方法进行多样化的推荐。具体来说本专利将GCN邻居聚合阶段应用基于最大熵的邻居选择模块，选择多样化的邻居子集聚合；设计层注意力模块利用高阶邻居信息缓解过平滑问题；利用类平衡损失函数实现长尾物品的学习；设计图对比学习方法缓解数据稀疏等问题。

【技术实现步骤摘要】

本专利技术设计多样化推荐领域，尤其设计基于图对比学习的多样化推荐。

技术介绍

1、推荐系统是web应用程序的重要工具，可帮助用户浏览海量的在线信息。这些系统为用户可能感兴趣的项目提供个性化推荐，例如在线零售平台上的产品、帖子在社交网站和视频共享平台上。生成这些推荐的最常见方法之一是协同过滤(cf)，系统使用类似用户或项目的偏好来为给定用户推荐新项目。

2、协作过滤(cf)模型传统上依赖矩阵分解(mf)从交互数据中学习潜在用户和项目嵌入。然而，随着图神经网络(gnn)的兴起，人们越来越有兴趣使用这些模型沿着用户-项目交互图传播信息并学习用户-项目交互的更复杂的表示。pinsage、ngcf和lightgcn是基于gnn的cf模型的例子，它们在个性化推荐方面显示出了有希望的结果。这些模型使用图卷积网络(gcn)在用户-项目交互图上传播嵌入，从而允许它们捕获其他替代cf模型无法捕获的用户和项目之间的高阶交互。特别是，pinsage和ngcf使用多层gcn来捕获有关用户-项目交互图的局部和全局信息，而lightgcn通过省略非线性变换器并仅使用相邻嵌入本文档来自技高网...

【技术保护点】

1.一种基于图对比学习的多样化推荐方法，其特征在于包含以下步骤：

2.根据权利要求1所述的一种基于图对比学习的多样化推荐方法，其特征在于步骤S1的具体方法为：

3.根据权利要求1所述的一种基于图对比学习的多样化推荐方法，其特征在于步骤S2中的具体步骤为：

4.根据权利要求1所述的一种基于图对比学习的多样化推荐方法，其特征在于步骤S3中的具体步骤为：

5.根据权利要求1所述的一种基于图对比学习的多样化推荐方法，其特征在于步骤S4中的具体步骤为：

【技术特征摘要】

1.一种基于图对比学习的多样化推荐方法，其特征在于包含以下步骤：

2.根据权利要求1所述的一种基于图对比学习的多样化推荐方法，其特征在于步骤s1的具体方法为：

3.根据权利要求1所述的一种基于图对比学习的多样化推荐方法，其特...

【专利技术属性】
技术研发人员：周锦灏，邵长城，陈平华，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：