申请/专利权人：西安电子科技大学

申请日：2022-07-21

公开（公告）日：2024-04-19

公开（公告）号：CN115098787B

主分类号：G06Q30/0601

分类号：G06Q30/0601;G06F16/9535;G06N3/042;G06N3/045;G06N3/0464;G06F18/2415;G06F18/214;G06F18/22

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2022.10.14#实质审查的生效;2022.09.23#公开

摘要：本发明提出了一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，实现步骤为：1构建用户信息、物品信息以及用户‑物品交互信息；2构建用户‑物品虚拟边交互二部图；3构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型；4对基于余弦排名损失和虚拟边图神经网络的物品推荐模型进行迭代训练；5获取向用户推荐的物品列表。本发明通过使用用户‑物品虚拟边交互二部图，挖掘了用户‑物品的潜在交互可能，关注了节点间的隐式反馈以获得更好的嵌入表征向量；同时通过使用余弦排名损失函数，过滤冗余样本以自适应的计算损失函数值，提高了物品推荐的准确性。

主权项：1.一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，其特征在于，包括如下步骤：1获取用户信息、物品信息以及用户-物品交互信息：从真实数据集中提取M个用户u＝{u1,...,um,...,uM}、N个物品i＝{i1,...,in,...,iN}，以及每个用户um与每个物品in或N中的部分物品的D条用户-物品交互信息L＝{L1,...,Ld,...,LD}，其中M≥500，um表示第m个用户，N≥500，in表示第n个物品，Ld表示第d条用户-物品交互信息；2构建用户-物品虚拟边交互二部图：2a构建以M个用户u和N个物品i为节点，以D条用户-物品交互信息L为边且形式为矩阵的用户-物品交互二部图其中，R表示大小为M×N、第m行第n列阵元为Rm,n的原始矩阵，表示实数域，RT表示R的转置结果，当um与in存在交互时Rm,n＝1，不存在交互时Rm,n＝0；2b构建得分矩阵Asimi，并通过Asimi构建用户-物品得分矩阵Asimi_u和物品-用户得分矩阵Asimi_i，然后通过原始矩阵R和用户-物品得分矩阵Asimi_u组成的用户最终矩阵Au，以及RT和Asimi_i组成的物品最终矩阵Ai构建形式为矩阵的用户-物品虚拟边交互二部图其中，Au＝R+Asimi_u表示大小为M×N、第m行第n列阵元为的用户最终矩阵，当um与in存在交互时不存在交互时Ai＝RT+Asimi_i表示大小为N×M、第n行第m列阵元为的物品最终矩阵，当um与in存在交互时不存在交互时3构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型H：3a构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型H的结构：构建包含并行排布的属性辅助网络F和虚拟边图卷积神经网络GCN，以及与属性辅助网络F和GCN的输出端顺次连接的拼接层C和预测层P的物品推荐模型H，其中，属性辅助网络F包括并行排布的用户属性辅助全连接层和物品属性辅助全连接层；虚拟边图卷积神经网络GCN包含顺序层叠的K个图卷积层，K＞0；3b定义物品推荐模型H的余弦排名损失函数CRL： 其中，表示用户um和物品的预测交互概率，表示用户um和物品的余弦相似度，O表示与同一用户um有交互的物品和无交互的物品构成的对比训练样本，R+表示有交互的用户-物品对集合，R-表示无交互的用户-物品对集合，σ表示激活函数，thr表示过滤负样本的阈值，Θ表示模型可训练的用户嵌入向量权值参数和物品嵌入向量权值参数，Θ＝{ΘU；ΘI}，ΘU、ΘI分别表示用户嵌入向量权值参数、物品嵌入向量权值参数，||·||2表示向量的模平方，β为系数；4对物品推荐模型H进行迭代训练：4a初始化迭代次数为t，最大迭代次数为T，T≥1000，当前物品推荐模型为Ht，第m个用户um的用户嵌入向量为第n个物品in的物品嵌入向量为并令t＝0，Ht＝H，4b将用户-物品虚拟边交互二部图Gvirtual、第t次迭代中的用户嵌入向量和物品嵌入向量作为物品推荐模型H的输入进行前向传播：4b1属性辅助网络F中的用户属性辅助全连接层、物品属性辅助全连接层对第t次迭代中的用户嵌入向量物品嵌入向量分别进行加权操作，得到用户属性嵌入向量物品属性嵌入向量同时虚拟边图卷积神经网络GCN通过用户-物品虚拟边交互二部图Gvirtual，对第t次迭代中的第m个用户um的用户嵌入向量为物品嵌入向量分别进行图卷积操作，得到第K层用户图嵌入向量物品图嵌入向量4b2拼接层C对第t次迭代中的用户属性嵌入向量与用户图嵌入向量以及对第t次迭代中的物品属性最终嵌入向量物品图嵌入向量分别进行拼接，得到用户最终嵌入向量以及物品最终嵌入向量4b3预测层P对第t次迭代中用户最终嵌入向量和物品最终嵌入向量点积计算得到用户um和物品in的预测交互概率并通过计算得到用户um和物品in的余弦相似度4c采用余弦排名损失函数CRL，根据预测交互概率和余弦相似度计算余弦排名损失值LCRL，再采用反向传播，通过损失值LCRL计算基于余弦排名损失和虚拟边图神经网络的物品推荐模型的参数梯度并使用梯度下降法，通过对物品推荐模型H的权值参数Θ进行更新，得到本次迭代的物品推荐模型；4d判断t≥T是否成立，若是，得到训练好的物品推荐模型H*，否则t＝t+1，并执行步骤4b；5获取向用户推荐的物品：按照由大到小的顺序对训练好的物品推荐模型H*最终输出的M×N条预测交互概率中每个用户um与N个物品中不存在交互关系物品的预测交互概率进行排序，并选取前TopK个预测交互概率对应的物品作为向用户um推荐的物品，其中，TopK≥1。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于余弦排名损失和虚拟边图神经网络的物品推荐方法

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