[发明专利]一种基于图卷积与神经协同过滤的信息推荐方法

权利要求书

1.一种基于图卷积与神经协同过滤的信息推荐方法，其特征在于，包括以下步骤：

1)、获取用户与物品之间的评分信息以及用户与物品的特征，根据用户与物品之间的评分信息构建用户-物品的评分矩阵；

2)、对用户-物品的交互矩阵进行处理，得到用户-用户邻接矩阵以及物品-物品邻接矩阵；

3)、以用户-用户邻接矩阵与物品-物品邻接矩阵、以及用户与物品的特征为图卷积编码器的输入，通过图卷积编码器计算用户编码矩阵以及计算物品编码矩阵；

所述步骤3)具体为：

3.1、为每个评分级别分配转换规则，关于用户i′到用户i关于边i′→i的消息可以通过如下方式获得：

上式中c_ii′为归一化常量，值可为或者其中表示节点i的邻居集合；是一个关于r∈{1,...,r_max}的用户卷积权值参数矩阵，x_i′是节点i′的特征矩阵；

3.2、关于物品j′到物品j关于边j′→j的消息：

上式中，c_jj＇为归一化常量，参数与用户-用户消息中的定义相同；

3.3、在消息传递的步骤之后，需要将每个用户或物品节点关于的r的所有邻居节点或输入的消息μ累加，具体操作为顺序地把所有消息累加为一个单一的特征表示：

对于用户i，有

对于物品j，有

其中accum(·)表示累加操作，可以是堆叠操作stack(·)，即对多个进行连接操作变成一个向量或者沿着矩阵的第一维进行操作；或者sum(·)，即对所有消息进行求和操作；σ(·)则代表一个逐元素的激活函数，为RELU(·)＝max(0,·)；

3.4、将模型中间输出h_i，h_j进行转化：

对用户编码，计算公式为u_i＝σ(W^uh_i)，

对物品编码，计算公式为v_j＝σ(W^vh_j)；

3.5、得到用户编码矩阵U和物品编码矩阵V；

4)、将用户编码矩阵以及物品编码矩阵作为神经网络解码器的输入，经过多层神经网络后得到预测的评分矩阵；

5)、根据得到预测的评分矩阵评分的高低，向用户推送信息。

2.根据权利要求1所述的基于图卷积与神经协同过滤的信息推荐方法，其特征在于，所述步骤2)具体为：

2.1、获取用户-物品评分矩阵R；

2.2、生成一个元素全为0的M×M矩阵P_r，生成一个元素全为0的N×N矩阵Q_r；

2.3、使用集合{j|用户j与用户i同时评价过相同物品且评分为r}中所有j填充第i行矩阵，令P_r,ij＝1；

2.4、使用集合{j|物品j与物品i同时被相同用户评价过且评分为r}中所有j填充第i行矩阵，令Q_r,ij＝1

2.5、循环步骤2.3至2.4，直到填充结束，得到|r_max|个用户-用户邻接矩阵与|r_max|个物品-物品邻接矩阵，即|r_max|对用户-用户邻接图与物品-物品邻接图。

3.根据权利要求1所述的基于图卷积与神经协同过滤的信息推荐方法，其特征在于，所述步骤4)具体为：

4.1使用神经网络替代内积对用户和物品的交互进行建模，模型中GMF层与MLP层使用编码相同的输入，但是处理数据的方式不同，分别为相乘和连接；

4.2、模型中GMF为传统矩阵分解层，输出计算函数为u_i⊙v_j，其中u_i和v_j分别为用户i经过编码的特征向量与物品j经过编码的特征向量，⊙为向量逐元素相乘操作，MLP层为多层感知机层，输出结果为其中a、W与b为网络的权重向量；

4.3、将两种不同的神经网络编码层分开学习编码，把最后一个隐藏层连接，神经矩阵分解模型的数学形式如下所示：

其中，和分别为用户i与物品j经过GMF编码的部分，和分别为用户i与物品j经过MLP编码的部分；MLP层间使用RELU作为激活函数，输出使用Logistic或者Probit函数把最后一层的输出向量转化为0到1之间的预测评分则损失函数如下所示：

其中，Y为用户-物品评分矩阵R中观测到的用户交互，Y^-为全部或者采样的未观测数据。