[发明专利]基于异构信息网络的书籍推荐方法、系统及设备

权利要求书

1.一种基于异构信息网络的书籍推荐方法，其特征在于，包括步骤：

S1、基于各用户对书籍的评分信息和辅助信息构建异构信息网络，并根据所述异构信息网络设计带评分约束的元路径；所述辅助信息包括用户所属组、用户名、书籍名称、书籍作者、书籍类型，所述评分约束指元路径连接序列中连接用户和书籍的边的权重相同；

S2、基于所述异构信息网络和所述带评分约束的元路径构建多层网络，具体包括：通过矩阵乘法，利用带评分约束的元路径将所述异构信息网络转换为多层网络，具体构建方法为：

S21、用Φ^U表示以用户节点开始和结束的元路径集合，用Φ^I表示以书籍节点开始和结束的元路径集合，其中m和n分别表示两个集合中的元素数量；

S22、假设一条元路径为其中表示元路径中的一种节点类型；与之间的邻接矩阵可表示为由该元路径转换而成的同构网络表示为G_Φ,其邻接矩阵表示为M_Φ；用户书籍评分矩阵被视为用户和书籍之间的邻接矩阵，表示为M_UI，下标中的U表示用户，I表示书籍；

1)对于没有评分的元路径，对应的同构网络的邻接矩阵计算方法为：

2)对于有评分的元路径，即元路径中包含用户和书籍之间的连接，我们首先将M_UI按评分等级分解为若干个子矩阵，每个子矩阵中的元素计算方法为：

其中，M_UI(i,j)表示M_UI中的第i行，j列元素，k∈{1,2,..,r}表示具体的评分等级，M_UI,k表示评分等级k对应的子邻接矩阵；

3)对于带约束的元路径，对应的同构网络的邻接矩阵计算方法为：

其中，r表示总的评分等级数；

S23、通过上述方法，通过所述带评分约束的元路径，从异构信息网络中构造出多个语义不同的同构网络，按顶点类型将这些同构网络分为两个集合G^U和G^I，其中所述G^U和G^I为构建所得的多层网络；

S3、利用并行的图卷积网络来生成用户和书籍的子嵌入表示，生成用户和书籍的子嵌入表示具体包括：

S31、对于所述多层网络G^U和G^I中的每一层，通过聚合每个节点在该层网络中邻居的子嵌入表示来表示其本身，具体的方式为：

其中，表示用户类型节点u在第l_u(l_u∈{1,2,...,m}，m为G^U中总的网络层数)层网络中经过k层卷积层得到的子嵌入，表示项目类型节点i在第l_i(l_i∈{1,2,...,n}，n为G^I中总的网络层数)层网络中经过k层卷积层得到的子嵌入，k∈{1,2,...,K}表示当前卷积层数，K表示总卷积层数，l_u和l_i分别表示多层网络G^U和G^I中的第l_u和第l_i层同构网络，g表示聚合函数，u，i为节点编号，N_i,l表示项目节点i在第l_i层同构网络中的邻居节点集合，表示用户节点u在第l_u层同构网络中的邻居节点集合；和为初始的输入，通过一个查找层得到；

对于聚合函数g，本方法采用：

其中mean表示取平均值，f为激活函数ReLU，表示属于用户的在第l_u层同构网络的第k层聚合过程中的可训练的权重矩阵，表示属于项目的在第l_i层同构网络的第k层聚合过程中的可训练的权重矩阵；和分别表示用户和项目图卷积网络的最后一层输出，即节点的最终子嵌入，为了简便采用和表示；

S32、对于用户多层网络G^U，得到一组用户子嵌入表示对于用户多层网络G^I，得到一组用户子嵌入表示不同的子嵌入表示包含不同类型的语义信息；

S4、基于注意机制的非线性融合函数来融合所述子嵌入表示以生成最终的用户嵌入表示和书籍嵌入表示，生成最终的用户嵌入表示和书籍嵌入表示的具体步骤包括：

S41、采用注意力机制将各层同构网络的子表示融合为一个表示：

其中，和分别为用户节点u和书籍节点i融合各个子嵌入表示后的嵌入表示，和分别表示用户节点u和书籍节点i在G^U和G^I的第l层网络子嵌入的融合注意力系数；

所述注意力系数的计算方式为：

其中，上标U和I表示参数属于用户或项目，T表示转置运算，a为可训练的注意力向量，W_a为注意力层可训练的参数矩阵，b_a为可训练的偏置向量；

S42、每个节点的最终嵌入表示为：

其中，e表示最终嵌入表示，q为基础嵌入表示，由查找层获得，W_c为可训练的权重矩阵，b_c为可训练的偏置矩阵，ReLU为激活函数，λ为决定辅助信息重要性的系数，CONCAT为拼接操作；

S43、基于每个节点的最终嵌入表示，得到用户嵌入表示集合e^U和书籍嵌入表示集合e^I；

S5、基于损失函数，采用小批量采样结合Adam优化算法进行网络训练，学习得到优化的参数；优化的参数包括多层网络的子嵌入表示和所有权重矩阵和偏置向量、基础嵌入和所述损失函数为：

其中，L表示损失，S_b表示批量采样集合，r_u,i表示真实评分，表示用户u对项目i的预测评分；

所述用户对书籍的预测评分的具体计算方式为：，

其中表示用户u对书籍i的预测评分，表示用户u的嵌入表示，表示书籍i的嵌入表示，表示用户u的评分偏置项，表示书籍i的评分偏置项；S6、基于训练得到的参数，对于任一用户，根据上述预测评分的具体计算方式计算获得用户对书籍的预测评分，根据所述预测评分，将预测评分值较高的书籍推荐给用户。