[发明专利]一种融合图神经网络推荐算法

说明书

本发明提出一种融合图神经网络推荐算法，包括：步骤一、将分类特征数据转换成独热向量对连续数据进行归一化；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；步骤三、嵌入初始化后的数据进入传播层，通过注入高阶连通性关系来细化嵌入；步骤四、细化嵌入后的数据输入到网络层，在网络层构造深度网络和交叉网络进行高阶的交叉特征；步骤五、合并层对网络层进行整合；步骤六输出层，合并层数据在传入输出神经元，输出用户‑项目对的得分。

技术领域

本发明涉及一种融合图神经网络推荐算法，属于推荐系统领域。

背景技术

在信息泛滥的时代，如何快速高效地萃取出有价值信息成为了人们的当务之急，传统的推荐系统由此应运而生；随着线上信息的体量、复杂度和动态性的不断增长，推荐系统已经成为了一种可以有效解决这种信息过载问题的关键性解决方案；近几年，深度学习的革命性进步在语音识别、图像分析和自然语言处理方面都受到了广泛关注；与此同时，近期的一些研究也说明了深度学习在处理信息检索和推荐任务中的有效性；由于其一流的性能表现和高质量的推荐结果，将深度学习应用于推荐系统已经获得了动力；与传统推荐模型相比，深度学习可以更好的理解用户需求、项目特征及其之间的历史性互动；用户和项目的向量表示是现代推荐系统的核心。

发明内容

本发明的目的是提出一种融合图神经网络推荐算法，是为了解决隐藏在用户-项目交互中的协作信号没有在嵌入过程中编码；由此产生的嵌入可能不足以捕获协作过滤效果。

步骤一、读取原始数据，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码。

步骤二、独热向量通过嵌入层，使用户和项进行嵌入初始化，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，即嵌入传播层，沿着图结构捕获连通性关系并细化用户和项的嵌入。

步骤四、网络层分为交互层和深度网络，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。

进一步的，在步骤二中，嵌入初始化的维度为32。

进一步的，所述步骤三中包括以下步骤：

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、连起来，构成用户的最终嵌入；对 i 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。

步骤四一、交叉层使用公式：

其中。

步骤四二、深度网络，所有层分为输入层、隐层和输出层，不同层之间是全连接的。

步骤四三，深度网络使用的激活函数是RELU函数。

附图说明