[发明专利]一种基于自适应图卷积网络的属性推理和产品推荐方法

说明书

本发明公开了一种基于自适应图卷积网络的属性推理和产品推荐方法，包括：1.构造异构数据：用户对产品的评分矩阵、用户属性矩阵、产品属性矩阵、用户属性索引矩阵、产品属性索引矩阵；2.对用户属性矩阵以及产品属性矩阵进行缺失值填充预处理；3.通过独热编码得到协同矩阵；4.根据属性矩阵和协同矩阵构造特征融合层；5.通过图卷积层进行特征传播；6.构造预测层进行属性推理和产品推荐；7.根据预测层输出结果更新节点属性矩阵；8.重复步骤4～7至属性推理和产品推荐效果达到最优。本发明能够充分挖掘图的高阶结构信息、节点属性之间的内在交互、节点属性和链接关系的潜在关联，从而实现更精准的属性推理和产品推荐。

技术领域

本发明涉及属性推理领域和产品推荐领域，具体地来说是一种基于自适应图卷积网络的属性推理和产品推荐方法。

背景技术

推荐系统有效的缓解信息过载的问题，已经被成功的应用到电商、音乐、电影、社交等平台。基于协同过滤的模型是一种最主流的推荐系统，通过挖掘用户的历史记录来进行个性化的产品推荐。基于协同过滤的推荐系统应用广泛，但是其性能往往限制于用户行为数据的稀疏性。

属性增强的协同过滤系统，利用用户(性别、年龄、职业等)和产品(价格、质量、种类)等丰富的属性特征对用户和产品进行表征建模，从而有效的缓解协同过滤中数据稀疏性的问题。但是用户和产品的属性特征常常是不完整的，有的用户并不愿意透露其个人信息，同样有的产品属性也未必可知。因此，属性增强的协同过滤系统也常常受到属性不完整的问题的限制。

通过把用户对产品的行为数据建模成用户-产品的二部图，现有的基于评分矩阵协同过滤模型可以转换成图的问题。图的属性推理是指根据图的结构和已知节点属性信息对未知的节点属性进行推理，可以有效的填补图中缺失的属性。现有的属性推理工作利用半监督图的学习(标签传播、图的正则化、深度模型等)，可以对缺失的属性进行预测，但是属性推理的准确度还有待提高。此外，属性推理和产品推荐并不是独立的任务，两者存在相互促进的关系。如何利用用户对产品的交互数据和不完整属性信息，完成精确的属性推理和产品推荐成为了急需解决的问题。

发明内容

本发明为解决现有技术的不足之处，提出一种基于自适应图卷积网络的属性推理和产品推荐方法，以期能够充分挖掘图的高阶结构信息、节点属性之间的内在交互、节点属性和链接关系的潜在关联，从而实现更精准的属性推理和产品推荐。

本发明为解决技术问题采用如下技术方案：

本发明一种基于自适应图卷积网络的属性推理和产品推荐方法的特点是按如下步骤进行：

步骤1、构造异构数据，包括：用户对产品的评分矩阵R、用户属性矩阵X、产品属性矩阵Y、用户属性索引矩阵A^X、产品属性索引矩阵A^Y：

令U表示用户集，且U＝{u₁,...,u_a,...,u_b,...,u_M}，u_a表示第a个用户，u_b表示第b个用户，M表示用户总数，1≤a,b≤M；令V表示产品集，且V＝{v₁,...,v_i,...,v_j,...,v_N}，v_i表示第i个产品，v_j表示第j个产品，N表示产品总数，1≤i,j≤N；令R_ai表示第a个用户u_a对第i个产品v_i的评分值，则用户对产品的评分矩阵R＝{R_ai}_M×N；