申请/专利权人：北京工业大学

申请日：2020-06-23

公开（公告）日：2024-06-25

公开（公告）号：CN111881363B

主分类号：G06F16/9536

分类号：G06F16/9536;G06Q30/0601;G06V10/80;G06V10/82;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2020.11.20#实质审查的生效;2020.11.03#公开

摘要：一种基于图交互网络的推荐方法应用于用户个性化推荐领域。互联网产业的快速发展以及网络数据量的持续增长，传统的推荐方法和深度学习方法难以满足复杂的应用环境，在准确率和空间复杂度方面存在着不足。因此本发明提出了一种基于图交互网络的推荐方法，采用该方案可以保证个性化推荐准确率的同时，降低模型空间复杂度，有着广阔的应用前景。

主权项：1.一种基于图交互网络的推荐方法，其特征在于，设计应用了以下几个模块：用户偏好信息和物品属性信息优化模块、U-I交互特征提取模块、交互推测模块、Top-N推荐模块；首先将用户和物品关系数据进行图结构化建模；用户偏好信息和物品属性信息优化模块通过堆叠两层均值卷积层提取用户特征和物品特征表达；U-I交互特征提取模块利用图注意力机制，融合目标用户特征和待推荐物品特征得到图交互网络上的隐含特征表达，也就是U-I关系对的交互向量；交互推测模块通过DNN网络学习交互特征向量的分布规律，建模U-I之间非线性关系，得到用户对目标物品的预测评分；最后通过top-N推荐模块对目标物品进行排序实现对用户的个性化推荐任务；1.用户偏好信息和物品属性信息优化第一个模块是用户偏好和物品属性特征优化模块，用户偏好信息建模的目的是根据用户交互行为得到精确的用户偏好特征表示；通过两层均值卷积层得到用户和物品特征表达；其中用户偏好和物品属性相符合的用户、物品之间在特征空间中的分布会更接近；首先将U-I交互数据进行图结构化建模，发生交互行为的用户物品之间建立连接关系；然后，初始化用户偏好特征和物品属性特征，用户特征和物品特征都是128维的高维向量；通过均值卷积层优化用户和物品的特征表示，其中每一层目标节点特征学习是基于该节点上一层邻居节点特征和该节点特征进行平均化处理得到，每一层均值卷积层的节点特征维度相同；2.U-I交互特征提取模块第二个模块是U-I交互特征提取模块，提取目标用户和待推荐物品之间的交互特征表达；U-I交互特征提取模块直接在图交互网络上利用注意力机制网络，融合目标用户特征及其一阶邻居特征、待推荐物品特征及其一阶邻居特征，得到其交互特征表达；首先，拼接用户特征和用户一阶邻居节点特征，以及拼接待推荐物品特征和其一阶邻居节点特征；将拼接特征输入到自注意力网络中得到该模块的attention系数，其中自注意力网络采用的是两层全连接层网络建模；最后，通过学习得到的attention权值系数聚合对应的U-I目标节点特征和其邻居节点特征得到最终的交互特征向量；3.交互推测模块第三个模块是交互推测模块，学习U-I交互特征的信息分布，计算用户对目标物品的推测评分；通过经典的DNN网络融合用户和物品的特征信息，得到推测结果；在得到用户和目标物品的交互特征表达后，直接将交互向量输入到DNN网络中，得到模型的初步预测；通过sigmoid函数对模块预测值进行归一化处理，将用户对目标物品的预测评分建模为偏好概率表达；4.Top-N推荐模块最后一个模块是top-N推荐模块，得到目标用户对待推荐列表所有物品的评值预测后；对所有物品根据评分进行降序排序，将前N个物品推荐给该用户，实现该用户的个性化推荐；具体实施步骤如下：首先根据U-I交互数据进行图结构化建模；为有交互记录的用户和物品之间建立连接关系，其中每个用户和物品都是以无向图的节点的形式存在；1.用户偏好信息和物品属性信息建模完成图结构化建模后，随机初始化U-I关系图节点特征,任一节点特征都是128维的高维向量；根据无向图节点连接关系，搭建两层均值卷积层网络，每一层均值卷积层网络中的所有节点特征都是通过聚合上一层网络中的该节点特征及其一阶邻居节点特征得到，其中聚合方式为平均化处理，聚合方式的数学表达式为： 其中表示第K层均值卷积层的用户节点u的特征；Nu表示用户节点u的一阶物品邻居节点；Nv表示物品节点v的一阶用户邻居集合；表示第K层均值卷积层的物品节点v的特征；MEAN表示均值化处理，即相关U-I特征每个维度求其平均值；2.U-I交互特征提取模块用户物品特征建模完成后，针对无向图中的目标用户和待推荐物品节点，融合图注意力机制，聚合用户、物品特征及其一阶邻居特征得到其交互特征表达；首先，拼接用户特征和用户一阶邻居节点特征，以及拼接待推荐物品特征和其一阶邻居节点特征，将拼接得到特征输入到自注意力网络中得到用户和物品节点特征对应的attention系数，并对其进行softmax归一化处理；其中，图注意力网络采用的是两层全连接层进行建模；attention系数建模数学表达式为： 其中，W1，W2表示两层attention网络第一层、第二层的参数矩阵，b1，b2表示两层attention网络第一层、第二层的偏差系数，σ表示的是非线性激活函数，采用的是Relu激活函数；表示的是无向图中目标用户ui的节点特征；ha表示的是节点a的特征，节点a是用户ui及其一阶邻居Ni的集合中任一节点；Ni表示用户ui的一阶物品邻居集合；表示拼接处理；表示的是待推荐物品vj的节点特征；hb表示的是节点b的特征，节点b是物品vj及其一阶邻居Nj的集合中任一节点；Nj表示物品vj的一阶用户邻居集合；和表示将拼接得到的特征通过attention网络初步得到的权重系数；随后进行softmax归一化处理，得到目标用户及其一阶邻居的attention系数αia和待推荐物品及其一阶邻居的attention系数βjb；在得到用户及其一阶邻居和目标物品及其一阶邻居的attention系数后，融合attention系数加权目标节点特征得到最终的交互特征表达；其数学表达式为： zij为得到的目标用户ui及其待推荐物品vj的交互特征表达；3.交互推测模块将交互特征输入到DNN网络中，得到用户对该物品的预测评分，然后通过sigmoid归一化处理将模型的预测评分建模为用户对目标物品的概率表达；其数学表达式为：g1＝zij8g2＝σW1·g1+b19g3＝σW2·g2+b210rij'＝sigmoidW3·g311其中W1，W2，W3表示DNN网络的参数矩阵，b1，b2表示的是DNN网络中的偏差系数，σ表示的是非线性激活函数，采用的是Relu激活函数；g1，g2，g3是DNN网络每一层输出的交互向量表达；rij'是经过sigmoid归一化后得到的最终的概率预测评值表达；4.Top-N推荐模块在得到模型对每个用户的所有物品的预测评值后，根据模型输出值对参与评比的物品进行由大到小排序，通过top-N推荐机制取排序完成后的前N个物品推荐给该目标用户，进而完成对该用户的个性化推荐。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于图交互网络的推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD