[发明专利]基于图神经网络和注意力机制的推荐系统评分预测方法

说明书

本发明公开了基于图神经网络和注意力机制的推荐系统评分预测方法，包括S1、基于度和时间信息，将“用户‑项目评分图”转换为“用户‑项目评分可信度图”，并为图中的每个顶点采样邻居顶点；S2、利用采样结果结合时间信息，对“用户‑项目评分可信度图”中各个顶点状态进行更新；S3、基于注意力机制实现用户对项目的进行评分预测，并更新评分预测模型；S4、利用评分预测模型实现用户对项目的评分预测。本发明给出了图神经网络在通用推荐系统中的应用途径，结合用户和项目的静态特征，利用图神经网络的图表示学习能力学习用户项目交互网络中隐特征的重要程度，更关注地为推荐系统服务。

技术领域

本发明属于推荐系统技术领域，具体涉及一种基于图神经网络和注意力机制的推荐系统评分预测方法。

背景技术

推荐系统旨在为用户推荐潜在关联项目，其中项目是指电影、音乐、网页和商品等可供推荐的各类资源。在推荐系统中，用户对项目的评分预测是进行推荐和排名的前提，该过程也被描述为矩阵填充，即对评分矩阵中暂缺的评分数据进行填充，传统的图表示学习方法，基于矩阵分级等技术生成或学习得到用户和项目的向量表示，进而利用向量和点积运算实现评分预测。这类评分预测方法注重于挖掘静态的用户项目交互网络结构特征，存在三点问题：其一，没有充分利用用户顶点和项目顶点本身的静态特征，评分预测的精度提升很容易达到瓶颈；其二，很少考虑时间信息，对时间不敏感的特点使得这类模型无法捕获网络的演变特性，难以保证基于预测评分的推荐过程长期有效；其三，使用点积运算进行评分预测完全依赖于用户和项目的表示学习过程，却忽略了在评分预测任务中对用户项目表示重要程度的衡量。

发明内容

针对现有技术中的上述不足，本发明提供的基于图神经网络和注意力机制的推荐系统评分预测方法充分利用了用户和项目的静态特征以及时间度信息，实现更准确的评分预测，解决了背景技术中的上述问题。

为了达到上述发明目的，本发明采用的技术方案为：基于图神经网络和注意力机制的推荐系统评分预测方法，包括以下步骤：

S1、基于度和时间信息，将“用户-项目评分图”转换为“用户-项目评分可信度图”，并为“用户-项目评分可信度图”中的每个顶点采样邻居顶点；

S2、利用采样结果结合时间信息，基于图神经网络分别从用户视角和项目视角对“用户-项目评分可信度图”中各个顶点状态进行更新；

S3、基于注意力机制实现推荐系统中用户对项目的评分预测模型的构建，并完成模型训练及相关参数的更新；

S4、利用训练完成的评分预测模型，实现推荐系统中用户对象项目的评分预测。

进一步地，所述步骤S1中，将“用户-项目评分图”转换为“用户-项目评分可信度图”的方法具体为：

A1、获取“用户-项目评分图”的数据集合；

其中，“用户-项目评分图”的数据集合包括N个用户U＝{u₁,u₂,…,u_p,…,u_N}和M个项目I＝{i₁,i₂,…,i_q,…,i_M}一起构成的顶点集V＝U∪I、用户对项目的评分集R＝{r_pq|u_p∈U,i_q∈I,0≤r_pq≤F}和归一化的时间戳集T＝{t_pq|u_p∈U,i_q∈I,0t_pq1}；