[发明专利]一种基于层次图注意力网络的个性化服装推荐方法

权利要求书

1.一种基于层次图注意力网络的个性化服装推荐方法,其特征在于包括以下步骤：

(1)、构建层次结构以及节点的嵌入初始化：

将用户、套装和单品抽象为三层层次结构，利用用户、套装的ID信息，以及单品的视觉特征对三种不同类型的节点进行嵌入初始化；

(2)、层次图卷积：

利用图神经网络消息传递机制和注意力机制分别对层次结构中节点的状态进行更新；在单品层中，利用单品的类别信息以及单品之间的兼容度更新单品类节点的嵌入表示；在套装层中，汇聚套装中单品的信息到套装类节点，并利用注意力机制来区别不同单品对目标套装节点的影响，使得更新后的套装节点具有更强的嵌入表示；在用户层中，提取用户套装历史交互数据中的丰富信息，通过注意力机制区分用户对不同风格的套装的喜爱程度，汇聚套装的信息进一步细化用户的嵌入表示；

(3)、模型预测与优化：

利用最终得到的用户、套装和单品的嵌入表示，得到兼容性匹配和个性化推荐的预测分数；通过反向传播算法对模型中的参数进行优化，直至整个模型收敛。

2.根据权利要求1所述的基于层次图注意力网络的个性化服装推荐方法，其特征在于步骤1提出的层次节点嵌入初始化的方法如下：

1-1.将用户、套装和单品抽象为三层层次结构，这三种类型的节点分别位于顶层、中层和底层；

1-2.将用户、套装的ID信息映射为他们的初始化嵌入表示，这种可训练的嵌入表示用于记忆用户和套装的潜在特征；不同的单品从属于不同的服装类别，使用类别编码器从单品的视觉特征中提取有用的信息作为单品节点的初始化嵌入表示，具体公式如下：

e_(i)＝f_C(x_i) (公式1)

其中，x_i是单品i的视觉特征，f_C()是类别编码器。

3.根据权利要求1或2所述的基于层次图注意力网络的个性化服装推荐方法，其特征在于步骤2提出的层次图卷积方法如下：

2-1.单品间的消息传递：首先构建统一类别图作为一种先验知识体现单品间类别的关联程度；

G_c＝{(c，c′，w(c，c′))|c，c′∈C} (公式2)

其中，G_c表示统一类别图，C表示所有类别的集合，w(c,c')表示两个类别c和c'在统一类别图中的关联程度，g(c·c')表示两个类别同时出现在一个套装中的频率，g(c')表示类别c'出现在一个套装中的频率；

对于目标单品节点，从其邻居节点提取有用的信息汇聚到目标节点来更新目标单品节点的嵌入表示，注意力机制能够筛选出与目标节点更加亲密的邻居节点，即这些更加亲密的邻居节点能够给目标节点传递更多有用的信息；

m_i′→i＝w(i·i')σ(w₁(i⊙i′)) (公式4)

其中，m_i'→i表示邻居单品节点i'传递给目标单品节点i的信息，W₁是可训练权重参数；i^*是目标单品节点i更新后的嵌入表示，A_ii'是在信息传递过程中不同邻居单品节点i'对于目标单品节点i的注意力权重；

2-2.单品层到套装层的消息传递：目标套装节点从其包含的多个下层单品节点中获取有用的信息来更新自身的嵌入表示，使得更新后的套装节点具有更强的表达能力；注意力机制将区分出不同单品对套装风格的影响程度，使得更能够代表套装风格的单品在进行信息传递过程中有较大的影响权重；

其中，m_i→o表示单品节点i传递给目标套装节点o的信息，W₂是可训练权重参数，|N_o|是套装o包含的单品数量；o^*是目标套装节点o更新后的嵌入表示，A_oi是在信息传递过程中不同单品节点i对于目标套装节点o的注意力权重；

2-3.套装层到用户层的消息传递：通过汇聚用户历史交互套装节点的信息到目标用户节点，使得更新后的目标用户节点包含了用户穿衣风格偏好的信息；注意力机制能够从风格各异的历史交互套装中挖掘出能够代表用户穿衣风格偏好的套装，使得这些套装在信息传递过程中有较大的影响权重；

其中，m_o→u表示套装节点o传递给目标用户节点u的信息，W₃是可训练权重参数，|N_u|是用户u历史交互套装的数量；u^*是目标用户节点u更新后的嵌入表示，A_uo是在信息传递过程中不同套装节点o对于目标用户节点u的注意力权重。

4.根据权利要求1所述的基于层次图注意力网络的个性化服装推荐方法，其特征在于步骤3提出的模型预测与优化的方法如下：

3-1.模型预测：套装中不同单品对于整体兼容性匹配的贡献程度是不同的，因此利用更新后单品的嵌入表示分别得到注意力矩阵和得分矩阵来计算兼容性匹配的预测得分，具体公式如下：

A＝ρ(W₄σ(W₅I^T)) (公式10)

C＝σ(W₆σ(W₇I^T)) (公式11)

其中，表示一个套装所包含的单品更新后的嵌入表示矩阵，A是注意力矩阵，C是得分矩阵，是兼容性匹配的预测得分；

更新后的套装和用户的嵌入表示已经蕴含了丰富的潜在特征，具有很强的表达能力，预测个性化推荐得分的具体公式如下：

其中，u^*，o^*分别是用户和套装节点更新后的嵌入表示；

3-2.模型优化：使用贝叶斯个性化排序算法作为目标函数：