[发明专利]基于属性感知注意图卷积神经网络的个性化推荐方法

说明书

一种基于属性感知注意图卷积神经网络的个性化推荐方法，利用属性信息缓解了稀疏性问题；提出了基于用户‑商品‑属性交互图的图卷积神经网络推荐算法缓解了属性缺失问题；通过属性感知的注意力机制对用户偏好建模，提升了模型的推荐效果，并可以通过对用户的偏好建模进行推荐。

技术领域

本发明涉及推荐系统及深度学习领域，具体涉及一种基于属性感知注意图卷积神经网络的个性化推荐方法。

背景技术

年来，个性化推荐已经成为各类平台(电子商务，新闻媒体和社交网络)的核心技术。该技术对用户和商品之间的复杂交互关系建模，学习用户和商品的向量表示。然后，通过学习到的用户和商品向量间的点积计算估计用户和商品的相似度来实现个性化推荐。属性信息作为广泛存在的对商品的直接描述信息经常被用来解决推荐系统中的数据稀疏性问题。属性感知推荐方法可以分为两类：一类是可以对属性间的二阶交叉特征建模的基于因子分解机的方法；一类是学习属性的向量表示并连接不同属性的向量作为模型输入的基于深度神经网络的方法。但是，在真实应用场景中经常出现属性信息丢失的情况，目前的解决方法均因为在训练模型时引入了偏置信息导致不能获得最优模型。

发明内容

本发明为了克服以上技术的不足，提供了一种利用属性信息缓解了稀疏性问题，通过属性感知的注意力机制对用户偏好建模提升模型推荐效果的方法。

本发明克服其技术问题所采用的技术方案是：

一种基于属性感知注意图卷积神经网络的个性化推荐方法，包括如下步骤：

a)在商品交易数据集中的所有数据中随机选取80％的数据作为训练数据，剩余20％数据做测试数据，从训练数据中随机选取10％的数据作为验证集调试模型参数；

b)构建包含用户节点、商品节点和属性节点交互图的邻接矩阵；

c)建立并训练基于属性感知注意图卷积神经网络模型；

d)计算用户对商品的偏好程度，实现商品推荐。

进一步的，步骤b)包括如下步骤：

b-1)通过公式G＝(w,ε)构建无向图G，式中w为包含了用户节点u_i、商品节点v_j以及属性节点a_k的集合，ε为商品与商品属性之间的边以及用户和购买过的商品之间的边的集合，i∈{1,…,N_u}，j∈{1,…,N_v}，k∈{1,…,N_a}，N_u为用户节点的个数，N_v为商品节点的个数，N_a为属性节点的个数；

b-2)通过拉普拉斯矩阵利用公式建立用户节点、商品节点、属性节点交互图的节点关系，式中R为实数矩阵。

进一步的，步骤c)包括如下步骤：

c-1)通过公式计算用户u传递到商品v信息的向量m_v←u，式中W₁与W₂为可训练的参数矩阵，W₁,W₂∈R^d′×d，d与d′为参数矩阵的维度信息，为从用户传递至商品信息量的参数，e_u为用户u的表征，e_v为商品v的表征；

c-2)通过公式计算商品v的自连接的向量m_v←v，式中为商品v传递到商品v信息量的参数；

c-3)通过公式计算属性a传递到商品v信息的向量m_v←a，式中为从属性传递至商品信息量的参数，e_a为通过初始化或预训练得到的属性a的表征；

c-4)通过公式更新商品v的表征e_v，式中为与商品v相邻的用户集合，为与商品v相邻的属性集合；