[发明专利]一种基于接受度增强的图神经网络的动态推荐方法

说明书

本发明公开了一种基于接受度增强的图神经网络的动态推荐方法，包括以下步骤：构建物品动态图；构建原始物品动态图；获取物品的表示向量；获取用户的表示向量和模型预测与优化。本发明将用户与物品的交互以物品动态图的形式进行动态建模，建立的有向图可以表明用户选择的物品的动态转移关系，通过挖掘该物品动态图，分析出用户的兴趣转移走向，有效解决用户的兴趣随时间流逝发生漂移的问题；该方法将与用户交互的物品分为长期序列与短期序列，并分别从二者挖掘到了用户的固有兴趣与短期兴趣，同时兼顾二者，使得推荐的物品既符合用户需要，又满足用户当下需求；该方法通过群体智慧来提升推荐效果，提升了推荐的准确性与多样性。

技术领域

本发明涉及基于大数据和深度学习的推荐系统技术领域，特别涉及一种基于接受度增强的图神经网络的动态推荐方法。

背景技术

随着信息技术的普及，人们在日常生活中每天都会暴露在大量的数据信息当中，例如各种新闻、视频网站，广告信息等等。然而这些信息不可避免地会造成信息过载问题，所谓信息过载问题是指网络中过剩的信息干扰了用户快速准确地找寻对其有用的信息。高效的推荐方法是解决信息过载问题的有效途径之一，它可以为用户搜寻并推荐满足其个性化需求的物品，目前已经被广泛应用于各种在线信息平台中。

一种传统的推荐方法是协同过滤，它基于假设——在过去具有相似行为的用户在未来对物品的选择上也会有相似的偏好。协同过滤为每个用户和每个物品分配一个表示向量，然后通过内积或神经网络等特定的匹配函数对这些用户和物品进行匹配。然而这种基于协同过滤的推荐方法通常以一种静态的方式对用户和物品的交互进行建模，只能捕捉用户长期的固有兴趣，无法动态的跟踪用户的短期偏好，无法解决用户兴趣转移的问题。本发明为了快速跟踪用户的兴趣偏好，将对用户和物品的交互进行动态序列化建模，并设计了一种动态推荐方法。

为了通过对用户和物品的交互进行的动态序列化建模，快速的把握用户的短期兴趣，对用户和物品的交互数据的准确性会有更高的要求，然而用户对物品的选择会存在一定的随机性与不准确性，即用户会在候选集中会相对随机地选中某个物品，被选中的物品可能并不符合用户的兴趣偏好。用户和物品的交互数据中不准确的物品会带来较大的噪声或者扰动，影响最终推荐的质量。本发明为了降低噪声扰动的影响，引入接受度的概念，对用户选择物品的接受程度进行计算，并对动态序列进行重构，以完成对不准确物品的过滤，降低数据扰动的影响。

图神经网络是深度学习技术在近几年的最新发展，它可以有效的处理图数据，被广泛应用于社交网络、推荐系统等领域中。它的核心思想是构建一个多层的迭代的框架，在每一层中每个节点会融合邻居节点的信息以完成自身信息的更新，通过多层的迭代后会获得节点低维稠密的向量表示。针对序列问题，利用门控信息来进行更新的门控图神经网络(Gated Graph Neural Network，GGNN)具有突出的表现力，它将Gate Recurrent Unit(GRU)与图神经网络结合，可以有效处理图数据，又可以兼顾图中的序列化信息。因此本发明考虑引入GGNN完成动态推荐过程。

本发明提供了一种基于接受度增强的图神经网络的动态推荐方法。先将用户和物品的交互数据以序列的形式建立原始物品动态图，以表明用户兴趣的动态变化过程。再利用接受度重构物品动态图，并通过门控图神经网络GGNN 解析物品动态图，获取物品的表示向量。然后针对每一用户，根据与其的过去交互的所有物品来获取用户的长期偏好，再根据其短期内交互的物品，利用接受度重构短期交互序列，获取其短期兴趣，最后融合用户的长期偏好和短期兴趣获得用户的表示向量。本发明一方面对物品进行动态建模，可以挖掘到用户兴趣的动态变化过程，并引入接受度的概念完成了对噪声数据的过滤，提升了短期交互建模过程的鲁棒性，另一方面同时兼顾到了用户的长期偏好与短期兴趣，可以快速准确地跟踪用户的需求。

发明内容