[发明专利]一种基于异构图神经网络的社交推荐方法

权利要求书

1.一种基于异构图神经网络的社交推荐方法，其特征在于，包括步骤：

S10,根据客户端上的本地数据构造局部异构图，包括步骤：

S11,客户端的本地数据包括存储评级数据和社交数据，每个客户端和用户相关联；

S12,建立客户端的局部异构图，局部异构图包括用户节点和项目节点，有两种边类型，分别为用户-项目边类型和用户-用户边类型，包含客户端用户的一阶邻居；

S20，客户端向服务器请求模型参数，使用图注意力网络模型对局部异构图进行嵌入学习，以处理本地图的异构性和客户端的个性化信息，包括步骤：

S21,对于第n个客户端，根据局部异构图获取它的项目嵌入和用户嵌入；

S22,将获取的嵌入输入到图注意力网络模型进行嵌入学习，得到用户社交关系的注意力权重和项目邻居关系的注意力权重；

S23,将用户社交关系和项目邻居的关系聚合，将隐藏嵌入与它们的关系向量连接起来，并使用自我注意机制来学习聚合的权重；

S24,利用聚合结果获取用户的推断节点嵌入；

S25,将用户的推断节点嵌入和项目嵌入之间进行点积来预测本地项目评分；

S30,一个用户和一个客户端相关联，在客户端加入伪项目标签后，使用损失函数计算客户端的梯度，之后通过一个本地差分隐私模型后上传到服务器，包括步骤：

S31,首先采样不在相邻评级项目中的q个项目作为伪项目；然后，我们使用局部模型来预测这些伪项目的评级，预测的评级被四舍五入为伪评级；

S32,然后通过均方根误差计算真实值和预测值的误差；

S33,根据所得到的误差，计算出客户端的梯度；

S34,计算得出的梯度输入本地差分隐私模型中；基于梯度添加动态噪声获取，优化梯度；

S40,服务器收集多个客户端的梯度，进一步更新模型参数训练社交推荐模型；通过社交推荐模型输出的本地客户端嵌入进行社交推荐。

2.根据权利要求1所述的一种基于异构图神经网络的社交推荐方法，其特征在于，在所述步骤S22中,将获取的嵌入输入到图注意力网络模型进行嵌入学习，得到用户社交关系的注意力权重和项目邻居关系的注意力权重，包括步骤：

使用关注层学习每个邻居的权重，获取社交对的注意力得分；进而计算中心节点的所有邻居权重，得到用户社交关系的最终注意力权重；

使用关注层学习每个邻居的权重，获取项目对的注意力得分；进而计算中心节点的所有邻居权重，得到项目邻居关系的最终注意力权重。

3.根据权利要求2所述的一种基于异构图神经网络的社交推荐方法，其特征在于，在所述步骤S23中,将用户社交关系和项目邻居的关系聚合，将隐藏嵌入与它们的关系向量连接起来，并使用自我注意机制来学习聚合的权重，公式如下：

其中，γ_u,γ_t,γ_s分别为隐藏用户社交嵌入、隐藏项目邻居嵌入和中心节点自身嵌入的注意力权重；用户社交和项目邻居的隐藏嵌入分别为和v_u表示社交关系向量，v_t表示用户-项目关系向量，v_s表示中心节点向量，h_s表示中心节点本身嵌入，c表示注意力层的权重向量。

4.根据权利要求1所述的一种基于异构图神经网络的社交推荐方法，其特征在于，在所述步骤S40中，包括步骤：

S41,服务器从多个客户端收集梯度，然后聚合这些梯度；

S42，聚合之后，服务器将模型参数更新；这个学习过程被操作多次，直到收敛。