[发明专利]一种基于图神经网络的协同过滤推荐系统

说明书

本发明公开一种基于图神经网络的协同过滤推荐系统，包括用户‑项目二部图生成模块、嵌入信息生成模块、隐式关系构建模块、数据融合模块和推荐模块；本发明使用基于注意力的记忆网络学习分别构建的用户‑用户和项目‑项目图，以获取相邻对之间的关系信息。该模型同时学习所有三种图形，通过信息融合层统一多属性和隐式关系信息，实现端到端推荐。

技术领域

本发明涉及数据挖掘领域，具体是基于图神经网络的建模多属性和隐含关系信息的协同过滤推荐系统。

背景技术

由于推荐系统中用户和项目的交互可以自然地建模为用户-项目二分图，许多新兴的研究致力于探索协同过滤方法的图方面。使得图卷积神经领域在推荐系统中取得了相当有效的成果。实际上，用户-项目的交互通常源于更多复杂的潜在因素，比如用户的特定偏好。现有方法曾提出使用用户-项目二分图来理解动机的差异，但没有明确提出影响差异的因素并对其建模，同时又忽略了用户对和项目对之间的相似性。多重限制使他们无法更有效地捕捉细粒度的用户偏好。

在信息过载的互联网环境下，用户希望更高效地获取感兴趣的信息，公司也希望产品能够最大限度地吸引和留住用户，从而实现发展。推荐系统就是这样诞生的，它是为了产生个性化的项目推荐和处理信息过载问题而设计的。由于推荐系统在实践中收到了有效的反馈，它不仅在学术界引起了极大的兴趣，而且在工业界也得到了广泛的发展。

对于许多现代推荐系统来说，常用且有效的解决方案是协同过滤(CF)技术，其基本假设是“过去共享相似购买的人在未来往往有相似的选择”。矩阵分解算法在CF算法的基础上增加了隐向量的概念。向量是从用户-项目交互的记录中推断出来的，但只考虑了用户和项目的特征，缺少用户-项目交互的明确组合。本质上，这种用户-项目交互信息可以自然地建模成图。图可以包含更明确的交互信息，同时增加用户和项目之间的连通性。最近，图形卷积神经网络已经成为各种图形学习任务的最佳性能架构之一。GC-MC使用两个多链接图形卷积层来聚合用户特征和项目特征。NGCF建立了用户-项目二分图来收集一阶邻域信息。

尽管它们有效，但仍然存在两个重要的局限性。首先，这些方法未区分不同用户的购买动机。但是在现实世界中，用户决策背后的动机是多方面的。人的个人属性会极大的影响喜好。例如，一个热爱科学和技术并以此谋生的人，购买高科技产品的数量和可能性比购买仅仅外观可爱的东西要高得多。但另一个有文艺属性的人的选择可能相反。一个人会根据自己不同的属性喜欢不同属性的物品。属性来源于一个人的性格、职业、专业方向等，并不是短时间内培养出来的兴趣。而且，由于属性影响的选择往往会占多数且更稳定。因此，这些不区分购买动机的方法不可避免地会丢失细粒度的有价值信息。最近的工作通过设置多个组件来捕捉更复杂的交互特征，但是仍然没有做到使用更全面和有效的信息来提供可解释的建议。第二，这些方法只考虑二部图中节点的特征，把图当作一个独立的个体。忽略二分图外的用户-用户和项目-项目关系也是一个非常重要的信号。隐式关系可以通过用户-用户和项目-项目图来建模，以反映更复杂的交互特征。

图1展示了一个简单的例子。如果忽略用户的潜在属性，不考虑购买动机的差异，那便无法比较用户u1购买产品i3或i4的可能性。然而，假设考虑到潜在属性对偏好的影响——用户u1、u3和u4更喜欢高科技产品，而用户u2更喜欢艺术品——可以确定项目i4比i3更适合u1。因为，从用户-物品交互层面来看，物品i4是由偏爱高科技产品的用户购买的，更符合用户u1的购买动机。从用户-用户和物品-物品层面，根据购买物品属性的相似性，可以推断出u3和u1的偏好更相似。这种类似的关系可以通过隐式关系建模来捕捉。因此有必要设计一个能够在两个层次上描述细粒度用户偏好的推荐系统。

发明内容

本发明的目的是提供一种基于图神经网络的协同过滤推荐系统，包括用户-项目二部图生成模块、多属性嵌入信息生成模块、隐式关系构建模块、数据融合模块和推荐模块；

所述用户-项目二部图生成模块获取用户对若干待推荐项目的评分，生成用户-项目二部图并传输至多属性嵌入信息生成模块和隐式关系构建模块；