[发明专利]一种图网络冷启动推荐方法

说明书

本发明公开了一种图网络冷启动推荐方法，包括：将预打分的用户‑物品数据输入至训练后的图网络，得到推荐结果；训练包括：获取待训练的节点集或局部子图的采样局部图；对采样局部图进行距离重标记得到重标记标签；将采样局部图的节点分配初始特征；获取初始特征的预测标签和预测评分；利用预测标签和重标记标签计算节点分类误差，利用预测评分和物品‑用户的真实评分计算评分预测误差；利用节点分类误差和评分预测误差计算得到整体误差，利用整体误差对图网络的参数进行更新。本发明通过局部图采样和双任务学习，在推导式图推理任务的基础上进一步实现了归纳式节点推理和连接预测能力，具备对图外节点的特征表示能力。

技术领域

本发明涉及信息技术领域，尤其涉及一种图网络冷启动推荐方法。

背景技术

最近几年，随着图网络的兴起，一系列基于图网络的算法应运而生。其中，由于推荐系统中数据格式与图网络结构的天生契合性，将图网络应用到推荐领域成了众多研究者的首要目标。其中，以GC-MC作为代表性的模型在推荐领域验证数据集上取得了极为优异的表现。

然而，这类图网络推荐算法的一个显著问题在于其并不能有效地应对推荐环境中冷启动与稀疏标签性问题。其深层原因在于这些方法其本质上属于推导式(transductive)算法，只能在一个整体图中进行特征学习，对于图外节点并没有推理和特征传递的能力，例如在GC-MC中由于需要使用独热编码作为节点的初始特征，这使得特征的维度被固定住了，如果存在新增加的节点，该方法几乎没有办法为其分配合适的初始特征。从推荐系统层面上讲，基于这类算法的方法便无法实现对处于用户增长期的系统或平台提供有效的服务，需要大量地进行模型训练以匹配实时的用户容量。

此外，由于现有的诸多方法需要对整个交互矩阵进行建模存储，当用户、物品数量增长到一定规模后，其对存储空间的要求也成倍数的增加，这对存储介质和设备带来了不小的挑战。

发明内容

本发明的目的在于克服现有技术的不足，提供一种图网络冷启动推荐方法。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供一种图网络冷启动推荐方法，包括以下步骤：

将预打分的用户-物品数据输入至训练后的图网络，得到推荐结果；所述图网络的训练包括以下子步骤：

获取待训练的节点集或局部子图的采样局部图，所述采样局部图中的节点包括用户节点和物品节点；

对采样局部图进行距离重标记得到重标记标签，其中物品节点和用户节点的重标记规则不同；

将采样局部图的节点分配初始特征；

获取初始特征的预测标签和预测评分；

利用预测标签和重标记标签计算节点分类误差，利用预测评分和物品-用户的真实评分计算评分预测误差；

利用节点分类误差和评分预测误差计算得到整体误差，利用整体误差对图网络的参数进行更新。

进一步地，所述获取待训练的节点集或局部子图的采样局部图，包括：

获取推荐系统中用户-物品交互信息矩阵M；矩阵大小为n_u×n_v，n_u为用户总数，n_v为物品总数，M中第i行第j列的值r_ij为用户u_i对物品v_j的评分，0代表没有交互；通过交互矩阵构建用户-物品交互图G；交互评分的值限定在评分集合R；

从用户集合U与物品集合V中随机选取q个节点，q∈[2，Q]，Q为预设常数，并确保q个节点有若干评分交互；该q个节点组成初始节点集或局部子图N；