一种自适应数据增强的图协同过滤推荐方法技术

本申请涉及机器学习技术领域，特别是涉及一种自适应数据增强的图协同过滤推荐方法。所述方法，包括：基于用户‑项目的原始二部图，使用GCN生成用户‑项目的原始二部图的嵌入表示，并进行偏好预测；基于用户‑项目的原始二部图和噪声度量函数，执行边缘丢弃分别得到噪声缓解视图和噪声感知视图，并使用GCN分别得到噪声缓解视图的嵌入表示和噪声感知视图的嵌入表示；基于用户‑项目的原始二部图的嵌入表示、噪声缓解视图的嵌入表示和噪声感知视图的嵌入表示，进行对比学习；基于偏好预测的推荐损失函数和对比学习损失函数，训练生成自适应数据增强的协同过滤推荐模型。本申请的图协同过滤推荐方法，能够过滤噪声数据，同时避免过拟合。

【技术实现步骤摘要】

本申请涉及机器学习，特别是涉及一种自适应数据增强的图协同过滤推荐方法。

技术介绍

1、推荐系统作为缓解信息过载、提升用户体验的核心技术，广泛应用于社交平台、电子商务和内容推荐等领域，其核心目标是通过分析用户历史行为（如点击、购买、评分）预测用户兴趣并生成个性化推荐列表。

2、在众多推荐技术中，协同过滤（collaborative filtering, cf）通过挖掘用户与项目的交互模式实现推荐，而图协同过滤（graph collaborative filtering, gcf）进一步将用户和项目建模为二部图结构，利用图卷积网络（graph convolutional network, gcn）聚合多跳邻居信息，捕捉高阶协作信号，显著提升了推荐性能。

3、例如，ngcf通过消息传递机制引入图结构信息，lightgcn则简化了gcn架构以提高效率，而引入注意力机制的gcf模型能够加权聚合邻居信息以增强表征能力。

4、然而，现有方法依赖随机或人工设计的增强策略（如固定概率的边丢弃），难以动态适应不同数据分布，可能破坏图结构的关本文档来自技高网...

【技术保护点】

1.一种自适应数据增强的图协同过滤推荐方法，包括：

2.根据权利要求1所述的自适应数据增强的图协同过滤推荐方法，其特征在于，所述基于用户-项目的原始二部图，使用GCN生成用户-项目的原始二部图的嵌入表示，并进行偏好预测的具体步骤采用如下公式：

3.根据权利要求2所述的自适应数据增强的图协同过滤推荐方法，其特征在于，所述图神经网络为省略非线性激活和特征变换的简化图神经网络。

4.根据权利要求1所述的自适应数据增强的图协同过滤推荐方法，其特征在于，所述基于用户-项目的原始二部图和噪声度量函数，执行边缘丢弃分别得到噪声缓解视图和噪声感知视图，并使用GCN分别...

【技术特征摘要】

1.一种自适应数据增强的图协同过滤推荐方法，包括：

2.根据权利要求1所述的自适应数据增强的图协同过滤推荐方法，其特征在于，所述基于用户-项目的原始二部图，使用gcn生成用户-项目的原始二部图的嵌入表示，并进行偏好预测的具体步骤采用如下公式：

3.根据权利要求2所述的自适应数据增强的图协同过滤推荐方法，其特征在于，所述图神经网络为省略非线性激活和特征变换的简化图神经网络。

4.根据权利要求1所述的自适应数据增强的图协同过滤推荐方法，其特征在于，所述基于用户-项目的原始二部图和噪声度量函数，执行边缘丢弃分别得到噪声缓解视图和噪声感知视图，并使用gcn分别得到噪声缓解视图的嵌入表示和噪声感知视图的嵌入表...

【专利技术属性】
技术研发人员：沈逸旸，沈利东，赵朋朋，刘心茹，沈利辉，
申请(专利权)人：江苏亿友慧云软件股份有限公司，
类型：发明
国别省市：