一种基于社区感知与多尺度图对比学习的推荐方法技术

本发明专利技术公开了一种基于社区感知与多尺度图对比学习的推荐方法，属于社交网络推荐技术领域，包括如下步骤：步骤1、获取社交网络中用户与商品之间的关系，根据用户与商品之间是否存在链接关系建立属性图；步骤2、通过社区感知图增强模块进行拓扑结构增强和节点特征增强，得到三个增强视图；步骤3、将三个增强视图经过图神经网络编码器获得节点表示；步骤4、通过多尺度图对比模块捕获多尺度表示进行模型参数的优化；步骤5、通过社交网络属性信息学习模块学习用户和商品信息的向量表示，进行个性化的推荐。本发明专利技术从以上步骤来探索社交网络中的多尺度信息，为用户推荐更准确的商品。

【技术实现步骤摘要】

本专利技术属于社交网络推荐，具体涉及一种基于社区感知与多尺度图对比学习的推荐方法。

技术介绍

1、随着互联网技术的飞速发展，社交网络已成为人们日常生活的重要组成部分。推荐系统作为社交网络的核心功能之一，通过分析用户的行为数据、兴趣偏好和社交关系，为用户提供个性化的内容推荐，从而提升用户体验和平台活跃度。然而，现有的推荐系统面临着诸多挑战，如数据稀疏性，社区结构破坏、多尺度信息利用不足等，通过图对比学习，可以有效地将多种属性信息利用起来，用于推荐任务或其他应用中。

2、在现有技术中，grace方法通过对图的拓扑结构进行随机边扰动进行数据增强。gca方法通过计算节点和边的中心性来进行数据增强。homogcl方法在对比目标上只对比了节点级的表示。ncla方法利用了图的同质性假设筛选了更多的正样本，但它忽略了全局的结构信息。这些现有技术方法常常因为图上的社区信息未被充分探索和多尺度信息未被充分挖掘，导致社交网络中用户的分类效果差强人意。

技术实现思路

1、为了解决上述问题，本专利技术提出了一种基于社区感知本文档来自技高网...

【技术保护点】

1.一种基于社区感知与多尺度图对比学习的推荐方法，其特征在于，搭建图神经网络推荐模型，并根据用户的行为和属性信息进行个性化推荐；图神经网络推荐模型包括社区感知图增强模块、图神经网络编码器、多尺度图对比模块、社交网络属性信息学习模块；推荐方法具体包括如下步骤：

2.根据权利要求1所述基于社区感知与多尺度图对比学习的推荐方法，其特征在于，所述步骤1中，建立的属性图为，表示节点集合，为第个节点，为节点总个数，表示边的集合，为第条边，为边总个数；构建节点特征矩阵，表示第个节点特征，为节点特征总个数；构建邻接矩阵，邻接矩阵的行代表用户节点，列代表商品节点，为中第行第列的值，表示第个用户...

【技术特征摘要】

1.一种基于社区感知与多尺度图对比学习的推荐方法，其特征在于，搭建图神经网络推荐模型，并根据用户的行为和属性信息进行个性化推荐；图神经网络推荐模型包括社区感知图增强模块、图神经网络编码器、多尺度图对比模块、社交网络属性信息学习模块；推荐方法具体包括如下步骤：

2.根据权利要求1所述基于社区感知与多尺度图对比学习的推荐方法，其特征在于，所述步骤1中，建立的属性图为，表示节点集合，为第个节点，为节点总个数，表示边的集合，为第条边，为边总个数；构建节点特征矩阵，表示第个节点特征，为节点特征总个数；构建邻接矩阵，邻接矩阵的行代表用户节点，列代表商品节点，为中第行第列的值，表示第个用户节点和第个商品节点之间是否存在链接，如果第个用户节点和第个商品节点之间存在链接，...

【专利技术属性】
技术研发人员：赵中英，孙硕，刘根，张齐齐，李超，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：