[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

说明书

本发明公开了一种基于图卷积与神经协同过滤的信息推荐方法，结合图卷积神经网络模型的优点，能够通过直观的方式对多种信息进行融合处理，不仅能够接收用户的特征信息，而且能够接收用户的属性信息，对稀疏的评分数据有较好的推荐性能；另外使用了多种技巧对模型的输入与参数进行优化建模，克服了可能遇到的细节问题。另外，由于引入非线性的基于神经网络的协同过滤方法作为模型的解码器部分，能够很好的利用图卷积编码器输出的用户和物品编码，通过end‑to‑end的模型，所有过程都是运行在同一框架下，不需分别训练。经过输入数据的处理和模型的训练与预测，可以得到完整的评分预测矩阵。

技术领域

本发明涉及信息推荐技术领域，尤其涉及一种基于图卷积与神经协同过滤的信息推荐方法。

背景技术

由于网络上许多在线服务可以给予用户丰富的选择，提供高精确度与个性化的推荐结果一直被普遍认为是互联网中许多重要应用的基石，例如在娱乐、购物、学术领域应用机器学习方法的推荐系统(RS，RecommenderSystem)。对于个体而言，使用推荐系统允许用户以更有效的方式获取和利用信息。除此之外，许多公司已经广泛地使用推荐系统的技术，通过主动地推荐产品或服务来定位目标用户。随着近年来各种机器学习技术与数据挖掘技术在大数据处理领域中不断取得进展，推荐系统中使用的智能方法也一直在进步。

推荐系统的主要目标是主动地根据用户的偏好提供有价值并且有针对性的信息。协同过滤(CF，Collaborative filtering)是推荐算法中比较成功的一种途径。然而，基于协同过滤的方法在性能上通常受到冷启动和数据稀疏性的限制。为了解决这些问题，使用辅助信息如文本内容信息或社交网络信息是一种非常有潜力的方向。近年来许多基于深度学习的方法尝试融合辅助信息进行推荐，相对传统方法取得了性能上的提高，但是很少有模型能够处理图结构信息。现有基于图卷积的协同过滤工作仍旧基于传统的矩阵分解方法，使用线性内积计算的方法组合编码向量，通过这种方式预测评分也会导致推荐性能的降低。而现有的非线性神经协同过滤(NCF，NEURAL COLLABORATIVE FILTERING)，虽然使用非线性的神经网络进行协同过滤过程，但是模型的推荐过程中没有考虑辅助信息，因此不能很好地利用辅助信息与评分信息对未知评分进行预测。以上问题都对推荐系统模型的发展产生了制约。

发明内容

针对上述缺陷或不足，本发明的目的在于提供一种基于图卷积与神经协同过滤的信息推荐方法，在推荐算法中融合关于用户和物品不同种类的辅助信息，以加强评分预测性能。

为达到以上目的，本发明的技术方案为：

一种基于图卷积与神经协同过滤的信息推荐方法，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；

4)、将用户编码矩阵以及计算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。

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；