[发明专利]融合多特征信息的加权图卷积神经网络评分预测模型

权利要求书

1.一种融合多特征信息的加权图卷积神经网络评分预测模型，其特征在于，包括以下步骤：

步骤1：建立用于提取用户特征的加权图卷积神经网络用户模型，所述加权图卷积神经网络用户模型输出用户潜在特征向量矩阵U；

步骤2：建立用于提取项目特征的加权图卷积神经网络项目模型，所述加权图卷积神经网络项目模型输出项目潜在特征向量矩阵V；

步骤3：将所述步骤1中的用户潜在特征向量矩阵U和所述步骤2中的项目潜在特征向量矩阵V进行连接，得到连接矩阵，将所述连接矩阵输入到评分预测模型中的多层感知机中，得到用户对项目的预测评分；

步骤4：将步骤3得到的预测评分与实际评分进行对比，通过优化函数对步骤3中的所述多层感知机的参数进行优化，以更新所述评分预测模型。

2.根据权利要求1所述的融合多特征信息的加权图卷积神经网络评分预测模型，其特征在于：所述步骤1具体包括：

步骤11：获取用户对项目的历史评分数据，设m个用户对n个项目的评分矩阵为R，R∈R^m×n，评分取值为{1，2，…，I}，I为最大评分数，所述评分矩阵R中行向量为每个用户对全部项目的评分，对用户未评分的项目以0填充；

步骤12：建立用于提取用户特征的加权图卷积神经网络用户模型；

步骤13：建立所述加权图卷积神经网络用户模型的用户特征矩阵X_u，并输入所述加权图卷积神经网络用户模型；

步骤14：建立用户相似度矩阵并作为用户邻接矩阵A_u，并输入所述加权图卷积神经网络用户模型，所述用户邻接矩阵A_u∈R^m×m；

步骤15：通过图卷积函数得到用户潜在特征向量矩阵U。

3.根据权利要求2所述的融合多特征信息的加权图卷积神经网络评分预测模型，其特征在于：步骤13中所述用户特征矩阵X_u的构建具体步骤为：

步骤131：引入基于用户兴趣变化的时间加权函数：

其中，函数自变量t为用户对项目的当前评分时间和参考时间的时间间隔，参数T_max为用户对项目最新评分时间和参考时间的时间间隔，参数T_min为用户对项目最早评分时间和参考时间的时间间隔；

步骤132：利用用户对项目评分时间通过时间加权函数f(t)对所述评分矩阵R进行修正，实现评分按时间衰减以此反应用户的兴趣变化，修正公式：

r′_ij＝f(t)·r_ij

其中，f(t)表示用户i在t时刻对项目j的评分时间权重，r_ij表示用户i对项目j的初始评分，得到用户—项目修正评分矩阵R₁；

步骤133：将步骤132中的用户—项目修正评分矩阵R₁作为用户特征进行编码，生成的低维嵌入向量作为用户图卷积层的输入，采用的编码函数为：

其中，是待学习的用户编码矩阵，得到用户特征矩阵X_u。

4.根据权利要求2所述的融合多特征信息的加权图卷积神经网络评分预测模型，其特征在于：步骤14中作为输入邻接矩阵的用户相似度矩阵A_u的构建具体步骤为：在用户同质图中，用户节点n_i和n_j之间的连接边的权值由他们的相似度来确定且不考虑连边的有向性，已知节点n_i和n_j之间的相似度α_ij,从而可知邻接矩阵A_u

其中

5.根据权利要求4所述的融合多特征信息的加权图卷积神经网络评分预测模型，其特征在于：通过图卷积函数得到所述用户潜在特征向量矩阵U：

其中，是加权图卷积神经网络用户模型的标准化对称邻接矩阵，且W₀、W₁是参数矩阵。