[发明专利]一种基于图卷积网络与注意力机制的推荐方法

说明书

本发明公开了一种基于图卷积网络与注意力机制的推荐方法，包括根据用户与物品交互数据，构造用户‑物品高阶连接性交互图；根据高阶连接性交互图的高阶连接信息进行建模，并生成推荐模型；将用户与物品交互数据对推荐模型进行训练；训练完成后，推荐模型通过内积内积得到用户‑物品之间的关联分数，最终根据关联分数判断是否将物品推荐给用户。本发明考虑在用户‑物品交互二部图中学习嵌入表示，在模型嵌入层便考虑了用户与物品之间的交互信息，通过嵌入传播在用户物品交互图上建模高阶连通性，使得模型可以学习到高维特征信息，以此获得更有效的嵌入，提高了推荐的准确性。

技术领域

本发明涉及计算机智能技术领域，具体涉及一种基于图卷积网络与注意力机制的推荐方法。

背景技术

随着近几年互联网中以指数级的速度增长的庞大数据的出现，我们社会迎来了“大数据”时代。在“大数据”时代中，我们面对如此庞大繁多的数据难免会遇到信息处理困难以及选择困难的问题，这个时候推荐系统就充当一个智能的信息过滤器，帮助我们从大数据中的找到我们需要的内容、物品、服务等等然后呈现在我们面前。目前推荐算法在电商领域，社交媒体，广告等领域都发挥着至关重要的作用。它通常是通过物品特征、用户偏好以及物品与用户之间的交互历史信息挖掘特征信息。

协同过滤算法是目前研究最多、应用范围最广泛的推荐算法之一。该算法依赖于用户所表现出来的历史数据，依据用户对物品的评分数据来寻找相似于目标用户或物品的对象来做候选推荐。随着越来越多的数据被感知，传统的协同过滤算法面临着巨大的挑战。主要包括:冷启动与稀疏性问题、可扩展性问题、多样性问题以及可解释性问题等。针对这些问题，很多学者在传统的协同过滤模型中加入很多辅助信息，如用户画像、物品属性特征等，然而随着辅助信息的增加，训练复杂度也越来越高，其推荐效果却不尽人意。

图结构数据是当前数据挖掘领域研宄的热点方向之一。图(Graph)是一种重要的信息组织结构，由节点(Node)和边(Edge)组成。图神经网络模型可以对数据进行高效的建模，精确地捕获到数据之间潜在的联系。基于GNN的推荐系统将用户和物品作为节点，物品与物品间、用户与用户间、用户与物品间的关系作为节点的状态信息，进而实现推荐。

与传统的协同过滤相比，将图网络应用到协同过滤中，能够捕获用户与用户、用户与物品、物品与物品之间的非线性关系的交互特征，为系统的性能(如召回率、精度等)提高带来了更多机会，克服了传统推荐技术中遇到的一些障碍。但是它的瓶颈依然集中在目前的模型在提取特征的能力上有待加强，且依然面临数据稀疏等问题，并且现有的模型没有聚合邻居节点的不同影响进行有效的建模。

发明内容

为解决现有技术中存在的上述问题，本发明提供一种基于图卷积网络与注意力机制的推荐方法，包括：

根据用户与物品交互数据，构造用户-物品高阶连接性交互图；

根据所述高阶连接性交互图的高阶连接信息进行建模，并生成推荐模型；

将所述用户与物品交互数据对所述推荐模型进行训练；

训练完成后，所述推荐模型通过内积内积得到用户-物品之间的关联分数，最终根据所述关联分数判断是否将物品推荐给用户；

其中，建模步骤包括：

构造嵌入层：所述嵌入层包括用户ID嵌入向量和物品ID嵌入向量；

构造加入注意力机制的嵌入传播层：所述嵌入传播层根据所述嵌入层输入的所述用户ID嵌入向量和物品ID嵌入向量，利用注意力机制为邻居节点分配不同的权重，并加权聚合邻居节点的特征信息更新所述用户ID嵌入向量和物品ID嵌入向量；

构造预测层：预测用户与物品之间的关联分数。

优选的是，所述根据用户与物品交互数据，构造用户-物品构造高阶连接性交互图包括：