[发明专利]一种基于异构图神经网络的社交推荐方法

说明书

本发明公开一种基于异构图神经网络的社交推荐方法，根据客户端上的本地数据构造局部异构图；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；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；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。本发明分散了数据存储，还全面融合了客户端的本地用户隐私数据，并使用服务器协同训练社交推荐，可以有效实现社交推荐并且保护了数据的隐私性。

技术领域

本发明属于数据处理技术领域，特别是涉及一种基于异构图神经网络的社交推荐方法。

背景技术

随着互联网和信息计算的快速发展，衍生了海量的数据，我们已经进入了一个信息爆炸的时代，每时每刻都有海量信息产生，用户从大量的信息中寻找对自己有用的信息也变得越来越困难。每个人的兴趣不尽相同，所以可以实现千人千面的推荐系统应运而生，并成为当下热点。推荐系统通过发掘用户的行为，将合适的信息推荐给用户，满足用户的个性化需求。它被设计成通过学习嵌入来预测用户对项目的潜在兴趣。另外，图形神经网络的最新发展也为推荐系统提供了强大的主干来从用户项目图中学习嵌入。然而，由于数据收集的困难，仅仅利用用户-项目交互会受到冷启动问题的困扰。因此，将社交信息与用户-项目交互融合以缓解它，这就是社交推荐问题。

社交推荐的目标是在给定社交互动和用户项目互动的情况下，预测用户对项目的评分。现有的社交推荐方法可分为基于社交矩阵分解的方法和基于图神经网络的方法。社交矩阵分解方法要么联邦分解评级和社交关系矩阵，要么用社交联系约束来规范用户或项目的嵌入。然而评分矩阵和社交关系矩阵存在数据高度稀疏与分布不均匀等特点，这些特点进一步导致了推荐性能低、冷启动等问题。图神经网络方法是直接从图中推断节点嵌入。然而，现有的使用图神经网络来同时聚合社交连接和用户项目交互，都需要集中存储用户的社交连接和项目交互，这导致了隐私问题。

发明内容

为了解决上述问题，本发明提出了一种基于异构图神经网络的社交推荐方法，分散了数据存储，还全面融合了客户端的本地用户隐私数据，并使用服务器协同训练社交推荐，可以有效实现社交推荐并且保护了数据的隐私性。

为达到上述目的，本发明采用的技术方案是：一种基于异构图神经网络的社交推荐方法，包括步骤：

S10,根据客户端上的本地数据构造局部异构图；

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；

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；

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。

进一步的是，在所述步骤S10中，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。

进一步的是，在所述步骤S20中,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；