一种基于图卷积的群体推荐方法

专利主权项内容

1.一种基于图卷积的群体推荐方法，其特征在于，通过构建用户推荐模型和群体推荐模型，为待推荐群体推荐物品，该方法包括以下步骤：步骤一，准备用户与物品交互数据以及群体与物品交互数据作为训练数据，训练数据中包括用户、物品/>、群体/>与群体/>；使用用户物品关系图/>表示用户与物品的交互关系；使用群体物品关系图/>表示群体与物品的交互关系；步骤二，将训练数据和用户物品关系图输入用户推荐模型卷积层得到用户/>的用户嵌入表示/>和物品/>的物品嵌入表示/>；步骤二包括：步骤二A，将训练数据和用户物品关系图输入用户推荐模型，随机初始化一个向量/>作为用户/>的用户初始嵌入表示，随机初始化一个向量/>作为物品/>的物品初始嵌入表示；步骤二B，初始化用户在用户推荐模型第0层卷积层的嵌入表示/>，初始化物品/>在用户推荐模型第0层卷积层的嵌入表示/>；定义用户/>在用户推荐模型第/>层卷积层的嵌入表示为/>，定义物品/>在用户推荐模型第/>层卷积层的嵌入表示为/><步骤二C，用户在用户推荐模型第/>层卷积层的嵌入表示/>为：
<物品在用户推荐模型第/>层卷积层的嵌入表示/>为：
<其中，为用户卷积归一化系数，/>代表与用户/>交互的物品集合，/>代表与物品交互的用户集合；步骤二D，将用户在用户推荐模型各层卷积层的嵌入表示融合得到用户/>的用户嵌入表示/>：
；将物品在用户推荐模型各层卷积层的嵌入表示融合得到物品/>的物品嵌入表示/>：
；其中，代表用户推荐模型中卷积层的总层数，/>代表聚合方法；步骤三，根据用户的用户嵌入表示/>和物品/>的物品嵌入表示/>，采用点积计算的方式量化用户/>对物品/>的偏好程度/>；步骤四，定义基于用户个性化推荐的损失函数对用户推荐模型进行预训练，得到用户/>的用户偏好嵌入/>和物品/>的物品特征嵌入/>；步骤五，使用聚合方法将群体的所有群体成员的用户偏好嵌入聚合成群体/>的群体初始嵌入/>；步骤六，通过共同群体成员计算群体与群体/>之间的余弦相似度得到群体/>与群体/>之间的偏好相似性/>；步骤七，将群体的群体初始嵌入/>、物品/>的物品特征嵌入/>、群体/>与群体/>之间的偏好相似性/>和群体物品关系图/>输入群体推荐模型卷积层得到群体/>的群体嵌入表示/>和物品/>的物品嵌入向量/>；步骤七具体包括：步骤七A，将群体的群体初始嵌入/>、物品/>的物品特征嵌入/>、群体/>与群体/>之间的偏好相似性/>和群体物品关系图/>输入群体推荐模型卷积层，将群体/>的群体初始嵌入作为群体/>的初始嵌入表示，物品/>的物品特征嵌入/>作为物品/>的初始嵌入向量；步骤七B，初始化群体在群体推荐模型第0层卷积层的嵌入表示/>，初始化物品/>在群体推荐模型第0层卷积层的嵌入向量/>；定义群体/>在群体推荐模型第/>层卷积层的嵌入表示为/>，定义物品/>在群体推荐模型第/>层卷积层的嵌入向量为/>；步骤七C，群体在群体推荐模型第/>层卷积层的嵌入表示/>为：
；物品在群体推荐模型第/>层卷积层的嵌入向量/>为：
；其中，为控制卷积传播中互为相似组的群体偏好比重的超参数，/>为群体卷积归一化系数，/>为与群体/>相交互的物品集合，/>为与物品/>相交互的群体集合，/>代表群体的相似组的集合，/>代表群体/>的相似组/>在群体推荐模型第/>层卷积层的嵌入表示；步骤七D，将群体在群体推荐模型各层卷积层的嵌入表示融合，得到群体/>的群体嵌入表示/>：
；将物品在群体推荐模型各层卷积层的嵌入向量融合，得到物品/>的物品嵌入向量/>：
；其中，代表群体推荐模型中卷积层的总层数；步骤八，根据群体的群体嵌入表示/>和物品/>的物品嵌入向量/>，采用点积计算的方式量化群体/>对物品/>的偏好程度/>>步骤九，定义基于群体推荐的损失函数对群体推荐模型进行训练，得到完成训练的群体推荐模型；步骤十，利用完成训练的群体推荐模型为待推荐群体推荐物品。 （来 自 马 克 数 据 网）