[发明专利]一种社交用户的多行为偏好预测方法

权利要求书

1.一种社交用户的多行为偏好预测方法，其特征在于，包括：

通过社交网络中用户关系初始化各个用户在所有行为上的综合偏好；

利用二值掩码层对各个用户在所有行为上的综合偏好进行分离，得到初始的各个用户在每一行为上的偏好；利用多层图卷积网络中的信息发送和接受操作，迭代地聚合社交网络中当前用户的相邻用户的多面偏好的相似信息来更新当前用户在所有行为上的综合偏好，从而利用最终得到的各个用户在所有行为上的综合偏好分离出相应的各个用户在每一行为上的偏好；

利用贝叶斯个性化排序准则，并结合相应的各个用户在每一行为上的偏好，来联合学习社交网络中各个用户的多个行为偏好相似性，从而预测各个用户在每一行为上的偏好。

2.根据权利要求1所述的一种社交用户的多行为偏好预测方法，其特征在于，所述通过社交网络中用户关系初始化各个用户在所有行为上的综合偏好包括：

将每一用户看作一个节点，社交网络中用户关系表示为：G＝(V，E)；其中，V为社交网络中的节点集合，E为表示节点关系的边集合；

将所有节点投影到一个向量表示空间，并用矩阵作为所有节点的综合向量表示，其中，|v|是节点的数量，d₀是节点初始向量表征维度，U⁰的第i行表示节点v_i的综合向量表示，也即相应用户在所用行为上的综合偏好。

3.根据权利要求1或2所述的一种社交用户的多行为偏好预测方法，其特征在于，所述利用二值掩码层对各个用户在所有行为上的综合偏好进行分离，得到各个用户在每一行为上的偏好包括：

在基础的图卷积神经网络框架上对每层节点的综合向量表示都关联上一个实值的掩码权重矩阵其中d_k是第k层的节点向量的维度，C是用户行为类别的数量；初始化得到的一个用户在所有行为上的综合偏好被看成是相应节点v_i在图卷积神经网络第k＝0层的综合向量表示；

将实值的掩码权重矩阵通过一个硬阈值函数来得到二值掩码矩阵定义如下：

其中，表示二值掩码矩阵第p行第q列对应的元素值，表示实值的掩码权重矩阵第p行第q列对应的元素值；

通过硬阈值函数得到二值掩码矩阵后，利用来表示掩码矩阵所对应的第c行，从而得到节点在第c个行为上所对应的条件向量也即用户在第c个行为上的偏好，其表示为：

其中，⊙表示两个向量间点乘运算；表示节点v_i在图卷积神经网络第k层的综合向量表示。

4.根据权利要求3所述的一种社交用户的多行为偏好预测方法，其特征在于，信息发送操作时，节点v_i向连接边e_i，j上发送的多面偏好的相似信息表示为：

v→e：

其中，为在连接边e_i，j上行为c所占的权重值；

引入注意力机制网络来计算行为c所占的权重值，表示为：

其中，W和h是注意力机制网络的参数，为邻接节点v_i与v_j的每个条件向量拼接结果；ReLU为激活函数。

5.根据权利要求4所述的一种社交用户的多行为偏好预测方法，其特征在于，接受操作时，对当前节点v_i周围随机采样的固定大小的邻居节点集合N(i)，使用平均池化函数AGGR^k来汇聚节点周围的多面偏好的相似信息到单一向量再将当前节点v_i在图卷积神经网络第k层的综合向量和单一向量拼接起来，并通过一个非线性激活函数σ的全连接层来更新得到k+1层的综合向量上述过程表示为：

e→v：