[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

说明书

本发明提供了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，建立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；建立加权图卷积神经网络用户模型，输出项目潜在特征向量矩阵；将用户潜在特征向量矩阵和项目潜在特征向量矩阵进行连接后输入到评分预测模型多层感知机中，将得到的预测评分与实际评分对比，通过优化函数对评分预测模型多层感知机进行优化，更新函数。本发明通过计算用户与用户、项目与项目之间的属性相似度来利用用户和项目的辅助信息，同时考虑了用户的兴趣变化对评分信息进行修正，增强了用户和项目的特征表示，解决现有的推荐模型仅利用用户项目的交互信息而忽略了用户和项目的自身属性特征的缺点。

技术领域

本发明涉及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，属于深度学习领域。

背景技术

近年来，随着云计算、大数据等IT技术高速发展，如今的互联网上的数据规模呈爆炸式增长。巨大的信息量中往往蕴含着丰富的使用价值和商业潜力，但同时也带来了互联网时代的“信息过载”问题。因此高效而准确的个性化推荐系统(Recommendation System，RS)也就应运而生，成为学术界和工业界上的关注热点。近年来，图神经网络(GNN,GraphNeural Network)的研究逐渐兴起，这是一种对图数据进行研究的神经网络。研究发现在推荐系统中，实体之间的关系如用户与用户、用户与项目和项目与项目都可以在图中表示出来。受图嵌入思想和卷积神经网络的启发，利用图卷积神经网络(GCN，GraphConvolutional Networks)在图领域对数据进行特征提取和表示已经成为GNN中的主要研究方法之一。目前，国内外对GCN在推荐领域中的研究已经取得了一定的进展，比如GC-MC和NGCF，这两种方法挖掘出了用户—项目二部图中蕴涵的连接关系，使用GCN直接在二部图中提取特征，但是都忽略了同质顶点相似性信息，丢弃了部分节点属性特征，即也忽视了用户与用户，项目与项目之间的实体关系。

有鉴于此，确有必要提出一种新的融合多特征信息的加权图卷积神经网络评分预测模型，以解决上述问题。

发明内容

本发明的目的在于提供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，以解决现有图卷积神经网络忽略了同质顶点相似性信息，丢弃了部分节点属性特征的问题。

为实现上述目的，本发明提供了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，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。

作为本发明的进一步改进，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；