[发明专利]一种基于双消息传播机制的图协同过滤推荐方法

权利要求书

1.一种基于双消息传播机制的图协同过滤推荐方法，其特征在于，该方法包括以下步骤：

S1)设计一种专门针对于推荐场景下的消息传播机制——双消息传播机制；

S2)基于双消息传播机制，设计一种基于双消息传播机制的图协同过滤推荐方法；

其中，在步骤S1)涉及的双消息传播机制中，构建一个双边用户–商品图DUIG，在DUIG中，除了用户–商品间存在边，用户–用户和商品–商品间也存在边；用户–商品间的边记作preference link，表示一次交互行为和偏好关系，用户–用户或商品–商品间的边记作similarity link，表示用户间或商品间的相似关系；在用户中，只有那些交互过相同商品的用户才会被similarity link连接；在商品中，只有那些被相同用户交互过的商品才会被similarity link连接；

构建好双边用户–商品图后，双消息传播机制便可以发挥作用了，即在双边用户–商品图DUIG中进行消息传播，在双消息传播机制中，存在两种不同的消息，即preferencemessage和similarity message，preference message挖掘了用户–商品间的偏好关系；similarity message挖掘了用户间或商品间的相似关系；preference message只在preference link上传播，similarity message只在similarity link上传播；

preference message和similarity message这两种消息其实是经过变换的用户或商品的向量表示，携带着用户或商品的特征，u₁,u₂,u₃表示三个不同的用户，i₁,i₂,i₃,i₄表示四个不同的商品，从u₁和u₂传播到i₁的两个preference messages就是经过变换后的u₁和u₂的向量表示，携带着u₁和u₂的特征到达i₁，这一过程表示为：

其中，和表示来自u₁和u₂的preference message，f^p(·)表示变换函数，和表示u₁和u₂的向量表示；类似的，similarity message通过相似的方式进行构建，用户u₂传向用户u₁的similarity message的构建方式如下：

其中，即为从u₂传播向u₁的similarity message；

其中，在步骤S2)中，对于一个输入的用户–商品对，为了预测该用户对该商品的偏好值，采用两个图神经网络来处理用户/商品的向量表示，基于双消息传播机制的图协同过滤推荐方法分为以下3个步骤：

S21)构建输入层：该输入层负责初始化用户和商品的向量表示；

S22)构建双消息传播层：该双消息传播层使用两个图神经网络SimNet和PreNet来处理用户/商品的向量表示，其中，SimNet负责挖掘用户间或商品间的相似关系，PreNet负责挖掘用户–商品间的偏好关系；对于用户u，基于双消息传播机制，其与商品的偏好关系由PreNet来挖掘，具体过程可表示为：

其中，p_u表示用来刻画用户u对商品的偏好的向量preference向量，I_u和U_i分别表示u交互过的商品集合和交互过i的用户集合，W₁是一个变换矩阵，σ是一个激活函数，e_i表示商品i的向量表示；类似的，u与其他用户的相似关系由SimNet来挖掘，具体过程可表示为：

其中，s_u表示用来刻画u与其他用户的相似度的向量similarity向量，N_u表示那些与u交互过相同商品的用户集合，W₂是一个变换矩阵，σ是一个激活函数，e_v表示商品v的向量表示，这里只介绍了对用户的操作，对商品的操作采用类似的方法；

S23)构建预测层：该预测层负责预测用户对商品的偏好值，首先，用户/商品的preference向量和similarity向量会被拼接起来形成该用户/商品的最终向量表示，然后用户对商品的偏好值通过内积计算出来，即：

其中，和为用户u和商品i的最终向量表示，其得到的方式为：

2.根据权利要求1所述的基于双消息传播机制的图协同过滤推荐方法，其特征在于，所述基于双消息传播机制的图协同过滤推荐方法进一步包括步骤S3)评价基于双消息传播机制的图协同过滤推荐方法，其中，步骤S3)采用3个数据集，分别是Amazon-book、Gowalla以及Yelp2018；采用的评价指标为使用top-N推荐任务汇总使用的两个评价指标：Recall@K和NDCG@K；所对比的方法包括：MF-BPR，NeuMF，NGCF，GRMF，LightGCN，Mult-VAE和基于双消息传播机制的图协同过滤推荐方法DGCF。