[发明专利]一种融入评论信息的图神经网络推荐方法

说明书

本发明公开了一种融入评论信息的图神经网络推荐方法，将用户评论文本作为节点信息的来源，使用BERT模型进行文本数据的特征提取工作，以得到每个节点的内容表述向量。再根据用户与物品的交互行为建立用户—物品二部图，通过在该二部图上搭建图神经网络聚合节点的一阶和三阶邻居信息，来学习用户和物品的结构表述，再将结构表述与内容表述相融合作为用户和物品的最终嵌入表示。最后，通过多层感知机MLP预测用户对各物品的交互概率。针对得到的预测结果，采用Top‑N排序，生成推荐物品列表。本发明能更精确捕捉用户偏好，找到用户的兴趣点，并对其进行更为准确有效的推荐。

技术领域

本发明涉及计算机信息推荐方法领域，具体是一种融入评论信息的图神经网络推荐方法。

背景技术

推荐系统可以解决信息过载问题，发展迅速。如手机上的软件，购物、音乐、视频等都是和推荐有关，其核心大都是通过分析用户的行为来研究用户的兴趣爱好，从大量的数据中给用户推荐所感兴趣的。

传统推荐算法有基于内容的推荐、基于协同过滤的推荐和混合推荐。基于内容的推荐所用是信息比对过滤技术，其物品的内容无需评分，但需要易提取的内容特征且结构性强，推荐精度不高且可扩展性差。协同过滤采用临近技术利用评分和用户和项目之间的交互信息进行推荐，但协同过滤有典型的数据稀疏和冷启动问题。混合推荐目的是通过组合后能避免或弥补各自推荐技术的弱点从而扬长避短，但是用的算法多，计算难度增加。而图数据的强大表达能力而受到越来越多的关注，图能刻画实物以及实物之间的关系，也可以用作跨越各种领域的大量系统表示，图分析侧重于节点分类、链接预测和聚类。将处理图数据的相关图神经网络算法应用到推荐系统上，可以弥补传统协同过滤算法在用户和物品结构描述上的缺陷，通过加入注意力机制对图数据进行聚合更新，可以将节点蕴含的信息更加突出的表现出来，在聚合高阶邻居时效果更好。

在现有的推荐技术中，一般基于评分信息或者用户浏览、购买记录捕捉用户喜好进行推荐，但是很少考虑融合用户的评论信息来获取用户的偏好和物品的特征，导致推荐效果不够理想。目前基于协同过滤的推荐系统中主要面临以下几个问题：

(1)对数据稀疏型问题和冷启动敏感。

(2)单一的利用用户与物品的交互信息，不能很好的利用其它有用信息。

(3)对于高阶邻居，不能很好识别用户的关注点。

发明内容

本发明目的就是为了弥补已有技术的缺陷，提供一种融入评论信息的图神经网络推荐方法，通过聚合各节点一阶邻居和三阶邻居，更全面的获取节点的结构表述，并通过使用BERT模型分析评论数据，作为各节点的内容表述。将结构表述和内容表述共同作为节点的最终嵌入表示，并使用多层感知机进行预测用户与物品的交互概率，从而进行个性化推荐，提高了推荐结果的准确率。

为了达到上述目的，本发明所采用的技术方案为：

一种融入评论信息的图神经网络推荐方法，包括以下步骤：

(1)、利用BERT模型从评论文本中提取语义特征，作为用户和物品的内容表述；

(2)、构建第一图卷积层和第一图注意力层学习用户的结构信息表述，并与步骤(1)得到的用户的内容表述进行融合，作为用户的最终嵌入表示；

(3)、构建第二图卷积层和第二图注意力层学习物品的结构信息表述，并与步骤(1)得到的物品的内容表述进行融合，作为物品的最终嵌入表示；

(4)、利用步骤(2)和步骤(3)得到的用户、物品的最终嵌入表示，通过多层感知机MLP预测用户对物品产生交互的概率；

(5)、利用步骤(4)得到交互的概率作为预测结果进行推荐。

一种融入评论信息的图神经网络推荐方法步骤(1)的具体步骤如下：