[发明专利]一种融合注意力机制的图神经网络模型推荐方法

说明书

本发明揭示了一种融合注意力机制的图神经网络模型推荐方法，该方法包括以下步骤：S1：输入数据预处理，输入数据预处理分为两个部分，用户物品模型和用户社交模型。针对当前推荐系统准确率不高，无法准确利用社交网络信息和时序信息的问题，该方法可以把用户与项目的时序信息考虑在内，并且能够融入用户的社交网络信息。本技术方案充分利用了时序信息和社交网络信息，加入多头注意力机制对用户进行推荐时，着重考虑在不同方面朋友对用户的影响，而非考虑朋友之间的相互影响，使得该算法有更好的性能。

技术领域

本发明涉及一种融合注意力机制的图神经网络模型推荐方法，可用于推荐算法技术领域。

背景技术

在推荐系统中，基于图神经网络(GNN)的推荐算法是推荐系统应用的热门算法之一。2009年，图神经网络被提出，2017年GCN模型的出现使得图神经网络得到更加快速的发展。NGCF模型将GCN引入推荐算法，在用户项目图中进行高阶连通性的表达建模，从而以显性方式将协作信号有效地注入到嵌入过程中；BGANR算法利用注意力机制，同时加入偏差以更好地捕获节点之间的高阶连接性。GraphRec模型在GNN的基础上提出了一种具有一定原则的方法，该方法能够将用户商品图中的交互和观点同时捕捉到，同时对两个图进行建模，并且能够对异质的强度进行建模。

图神经网络作为一种从卷积神经网络(CNN)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图模型来反映实体及其之间的联系。而随着有关注意力机制的文献发表，研究者们也开始考虑利用注意力机制来对现有相关社会化推荐算法进行改善。CHENG等人在CHENGZ Y，DING Y，HE XN，et al.A^3NCF Anadaptive aspect attention model for ratingprediction[C]//Proceedings of the 27thInternational Joint Conference onArtificial Intelligence，Louisiana，Feb 2-Feb 7，2018.Menlo Park:AAAI，2018:3748-3754.中提出把注意力机制融入了推荐系统中，并进行了卓有成效的研究工作，验证了注意力机制在各种社会化推荐任务中的良好效果。

发明内容

本发明的目的就是为了解决现有技术中存在的上述问题，提出一种融合注意力机制的图神经网络模型推荐方法。

本发明的目的将通过以下技术方案得以实现：一种融合注意力机制的图神经网络模型推荐方法，该方法包括以下步骤：

S1：输入数据预处理，输入数据预处理分为两个部分，用户物品模型和用户社交模型；

S2：在S1步骤得到的用户物品模型中，计算用户u_i在集合V上的邻域节点集合N^V₍u_i)＝Neigh^v(ui)，N^V₍u_i)集合中的物品节点v_j按时间t升序排列，得到长度为L的物品序列S(u_i)＝[v₁，v₂，…，v_L]；对序列S(u_i)中的物品元素v_j通过onehot编码方式进行编码，然后进入嵌入层得到相应的嵌入向量以及对应评分的嵌入表示将与拼接并输入感知机降维，得到一个包含评分分值的物品信息表示e′_j并且更新物品序列S；

S3：将S2步骤更新后的物品序列S作为门控循环单元的输入，同时输入初始隐藏状态h₀，得到门控循环单元在每个时刻最后输出构成的长度为L的序列其中k为门控循环单元的堆叠层数；

门控循环单元在时刻t进行下列计算: