[发明专利]一种基于增强图学习的协同过滤推荐方法

说明书

本发明公开了一种基于增强图学习的协同过滤推荐方法，包括：1.构造用户对产品的二部图，包括：用户节点集、产品节点集、邻接矩阵；2.通过独热编码得到嵌入矩阵作为节点特征；3.根据当前节点特征计算相似矩阵，并做稀疏化；4.稀疏化的相似矩阵作为残差项和邻接矩阵相加，得到增强后的邻接矩阵；5.根据增强后的邻接矩阵构造图卷积层进行特征传播，得到节点表征；6.根据节点表征到预测层得到评分矩阵，从而实现产品推荐。本发明能够基于节点之间的相似度自适应的学习图结构信息，增强图鲁棒性和完整性，从而学习更精准的节点表征，进而提高推荐性能。

技术领域

本发明涉及个性化推荐领域，具体地说是一种基于增强图学习的协同过滤推荐方法。

背景技术

在信息爆炸的互联网时代，信息过载成为了制约用户有效获取外界信息的一个问题。推荐系统旨在挖掘用户的历史行为，向用户推荐符合其兴趣偏好的产品，以帮助用户从海量数据中获取想要的信息。基于协同过滤的推荐模型是一种最主流的推荐系统，其对用户潜在兴趣的建模可以进行个性化的推荐。协同过滤模型被广泛应用在推荐场景中，但是其性能受限于数据的稀疏性。

基于图的协同过滤模型，将用户对产品的交互行为数据建模成用户-产品的二部图，通过图神经网络对用户兴趣进行学习，可以很好地缓解数据稀疏性的问题，是现今最为出色的一类推荐模型。尽管基于图的协同过滤模型取得了出色的推荐性能，图的结构学习仍然是值得重视的。现有基于图的推荐模型都是在固定的图结构上进行建模学习的，但是在真实场景中，图的结构常常是充满噪声且不完整的，固定的图结构并不能使得推荐系统达到最优。

精准的图学习有助于更加精准的还原真实数据，从而帮助实现更加精准的推荐性能。传统图重构模型包括节点的权重学习以及拓扑结构学习，其特点在于依赖节点的特征进行边的重构。在基于协同过滤的推荐系统中，用户节点和产品节点缺少特征信息，传统基于特征点的图重构方法难以奏效，这为图的学习带来了困难。

发明内容

本发明是为解决现有基于图的推荐模型的不足，提出一种基于增强图学习的协同过滤推荐方法，以期能够更加充分的挖掘用户和产品之间的协同关系，根据节点之间的相似度学习图结构信息，增强图鲁棒性和完整性，从而学习更精准的节点表征，进而提高推荐性能。

本发明为解决技术问题采用如下技术方案：

本发明一种基于增强图学习的协同过滤推荐方法的特点是按如下步骤进行：

步骤1、构造用户对产品的二部图，包括：用户节点集U＝{u₁,...,u_a,...,u_b,...,u_M}、产品节点集V＝{v₁,...,v_i,...,v_j,...,v_N}、邻接矩阵A；其中，u_a表示第a个用户，u_b表示第b个用户，M表示用户总数，1≤a≤b≤M；v_i表示第i个产品，v_j表示第j个产品，N表示产品总数，1≤i≤j≤N；令R_ai表示第a个用户u_a对第i个产品v_i的评分值，从而得到用户对产品的评分矩阵R＝{r_ai}_M×N；并根据式(1)计算所述邻接矩阵A：

步骤2、通过独热编码得到嵌入矩阵作为节点特征：

步骤2.1、通过独热编码的方式对用户节点集U进行初始化，得到用户嵌入矩阵P＝{p₁,...,p_a,...,p_M}，其中，p_a表示第a个用户u_a的d维用户嵌入向量；