[发明专利]一种融合图神经网络推荐算法

权利要求书

1.一种融合图神经网络推荐算法，其特征在于，所述识别方法包括以下步骤：

步骤一、读取原始数据原始的训练数据中，由于每一维特征的来源以及度量单位不同，会造成特征值的分布范围差异很大，必须先对样本进行预处理，对连续数据将各维度特征归一化到同一取值区间；对分类特征数据进行独热编；

步骤二、将独热向量通过嵌入层，使用户和项进行嵌入初始化，在嵌入空间中查找最近邻，这可以很好的用于根据用户的兴趣来进行推荐；用于可视化不同离散变量之间的关系；

步骤三、构建图神经网络的消息传递体系结构，以便沿着图结构捕获连通性关系并细化用户和项的嵌入；信息传播：直观上，与用户交互过的项目可以体现用户的偏好，类似的，与项交互过的用户也可以看作是项的特性，并且可以用于度量两个项目之间的协作相似性；信息构建：对于一个连接的用户-项目对；嵌入合并：通过堆叠i嵌入传播层，用户(和项)能够接收从其i个间接邻居传播的消息；

步骤四、网络层分为交互层和深度网络，交互的目的是以一种显示、可控且高效的方式，自动构造有限高阶交叉特征，交互层使得使得可以处理梯度消失的问题，使网络可以“更深”；深度网络，通过神经网络来进行拟合；

步骤五、合并层将交互层和深度网络的输出合并成一维向量；

步骤六、将一维向量转换成输出用户-项目对的得分。

2.根据权力1所述的一种融合图神经网络推荐算法，其特征在于步骤二中嵌入初始化是一个将离散变量转为连续向量表示的一个方式；在神经网络中，嵌入初始化是非常有用的，因为它不光可以减少离散变量的空间维数，同时还可以有意义的表示该变量同时通过较少的维度表示出每个类别。

3.根据权力1所述的一种融合图神经网络推荐算法，其特征在于，所述步骤三包括以下步骤：

步骤三一、对于一个连接的用户-项目对，定义i到u的信息嵌入为：

为可训练权矩阵，提取有用信息进行传播，为转换大小；表示用户u和项目i的紧挨的邻居，括号前面的是系数是拉普拉斯标准化；

步骤三二、消息聚合在此阶段，整合从用户u的邻域传播的消息，以改进用户u的表示：

是用户u在一阶嵌入传播层获得的表示除了从邻居传播的消息外，还考虑了 u的自连接:，保留了原始特征的信息；

步骤三三、嵌入合并通过堆叠i嵌入传播层，用户(和项)能够接收从其i个间接邻居传播的消息；在第i步中，用户u的表示递归式为:

步骤三四、由于在不同层中获得的表示强调通过不同连接传递的消息，所以它们在反映用户偏好方面有不同的贡献；因此，将它们串联起来，构成用户的最终嵌入；对 item 也做同样的操作；

其中为串联操作；使用加权平均来进行串联。

4.根据权利要求1所述的一种融合图神经网络推荐算法，其步骤四，每层的神经元个数都相同，都等于输入x_0的维度d，也即每层的输入输出维度都是相等的；2) 受残差网络结构启发，每层的函数 f 拟合的是x_(l+1)-x_l的残差，使得可以处理梯度消失的问题，使网络可以“更深”；即：

，其中。