[发明专利]一种融入标签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标签信息的图神经网络推荐方法，包括以下步骤：步骤1、构建用户‑物品交互图以及物品‑物品关联图；步骤2、学习用户‑物品交互图中节点的特征表示；步骤3、学习所述物品‑物品关联图中节点的特征表示；步骤4、利用用户‑物品交互图中节点的特征表示、物品‑物品关联图中节点的特征表示构建多层感知机预测用户对物品的交互偏好值；步骤5、基交互偏好值向用户推荐物品。相较于使用单一交互数据的传统推荐方法，本发明能进行更合理更精确的推荐，并在一定程度上缓解物品冷启动问题。

技术领域

本发明涉及基于图神经网络的推荐方法领域，具体是一种融入标签信息的图神经网络推荐方法。

背景技术

随着信息时代的到来，人们从网络上获取信息变得越来越便利。然而，互联网上信息的爆炸式增长也给用户带来了信息过载的问题，海量的信息使得用户很难从中过滤并找出自己感兴趣的信息。推荐系统的出现使得这一类问题得到缓解。推荐系统通过从用户的历史行为中挖掘用户的偏好信息，主动向用户推荐其可能感兴趣的物品，使得用户不再需要从海量信息中自己查找。

传统的推荐方法如协同过滤推荐技术，一般利用用户对物品的交互数据来获取用户偏好，其实现简单，推荐过程也较快，但存在数据稀疏问题和冷启动问题。其推荐效果也亟待提升。随着深度学习的发展，越来越多的神经网络算法被应用到推荐系统中，因此，本专利中提出了一种使用图神经网络的推荐方法。图神经网络作为一种从卷积神经网络和图嵌入思想启发而来的新型拓展神经网络，可以在图领域对数据进行特征提取和表示，是一种高效、易扩展的新型的神经网络结构，在学习图数据方面表现出了强大的功能。与传统的深度学习方法相比，图神经网络可以通过构建的图模型来反映实体及其之间的联系。

在现有的推荐技术中，一般基于评分信息或者用户浏览、购买记录等交互信息捕捉用户喜好进行推荐，但是很少考虑物品的标签信息，导致模型无法捕获物品与物品之间的关联关系，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)仅使用单一的交互数据，对物品标签信息利用较少。

(2)没有考虑物品与物品之间的关联关系，面临数据稀疏和物品冷启动问题。

发明内容

本发明的目的是提供一种融入标签信息的图神经网络推荐方法，以解决现有技术基于协同过滤的推荐系统存在的交互数据单一以及冷启动的问题。

为了达到上述目的，本发明所采用的技术方案为：

一种融入标签信息的图神经网络推荐方法，包括以下步骤：

步骤1、构建用户-物品交互图以及物品-物品关联图，其中用户-物品交互图中以用户、物品分别作为节点，物品-物品关联图中以物品作为节点

步骤2、利用第一图注意力网络学习所述用户-物品交互图中节点的特征表示；

步骤3、利用第二图注意力网络结合门控循环单元，学习所述物品-物品关联图中节点的特征表示；

步骤4、利用步骤2学习得到的用户-物品交互图中节点的特征表示、步骤3学习得到的物品-物品关联图中节点的特征表示构建多层感知机，并通过多层感知机预测用户对物品的交互偏好值；

步骤5、基于步骤4预测得到的所述交互偏好值对物品进行Top-N排序，选取前N个物品推荐给用户。

本发明步骤1中，基于用户的历史购买记录构建用户-物品交互图，并基于物品标签构建物品-物品关联图。其中：

利用用户的历史购买记录构建用户—物品交互图，当用户购买某一个物品时，用户—物品交互图中该用户节点与该物品节点有一条无向边相连。

利用物品被打上的标签构建物品—物品关联图，当两个物品具有相同的标签时，物品—物品关联图中这两个物品节点之间有一条无向边相连。