[发明专利]异质信息网络中基于协同注意力机制的推荐

说明书

本发明旨在利用信息的异质性为用户提供个性化的推荐，已有的基于异质信息网络的推荐方法往往忽视了用户和项目的邻居信息，而且很少考虑融合元路径信息，推荐效果较差。因此，本发明提出了一种异质信息网络中基于协同注意力机制的推荐模型，该模型通过添加协同注意力机制和基于attention的特征融合部分，并且综合利用最大池化和平均池化充分利用异质信息，在推荐任务中取得了不错的效果。

技术领域

本发明设计了一种异质信息网络中基于协同注意力机制的推荐模型，属于推荐系统领域。

背景技术

早期，推荐系统中最经典的方法是矩阵分解，主要利用用户的历史交互信息进行推荐，传统的推荐方法通常会出现冷启动问题和数据稀疏问题，许多研究人员开始利用一些辅助信息用于推荐，如位置信息、社会信息和异构信息等。由于异质信息网络可以建模丰富的信息，在推荐系统中通常用来建模辅助数据信息，以实现更好的推荐效果。大部分基于异质信息网络的方法通常利用基于元路径的相似性来学习用户和项目的表示，对不同对象进行相似性度量，在研究异质信息网络中衡量对象间的结构相似性时，需要考虑连接两个对象的元路径种类，因为不同的元路径所表示的语义不同，在不同的语义情形下可能产生不同的相似性结果， PathSim方法用来评估基于对称路径的相同类型对等对象间的相似性；路径约束的随机游走模型PCRW，用于衡量文献异质信息网络中实体之间的相似性；HeteSim用来度量任意元路径下任意对象之间的相似性；基于元路径语义的推荐系统HeteRecom用来评估电影间的相似性。

另一方面，网络表示学习在结构特征提取方面取得了进展，越来越多的异质信息网络表示学习方法应用于推荐中，HERec基于元路径的随机游走生成节点序列以学习节点的嵌入表示，并将其集成到矩阵分解框架中用于商品推荐；HueRec假设用户或项目在不同元路径下有共同的特征，从而利用所有元路径学习统一的用户和项目的表示；LGRec融合用户和物品的直接交互信息和基于元路径的广义交互信息，利用协同注意力机制实现Top-N推荐； MCRec利用协同注意力机制来建模交互中的元路径和涉及到的用户和项目之间的相互影响； NeuACF利用深度神经网络学习用户和项目不同方面的潜在特征，并以注意力机制融合得到最终的表示。

以上方法虽然取得了一定的成果，但是主要存在以下两方面不足：第一，现有的方法将用户和项目的信息转换成低维稠密向量生成用户和项目的嵌入表达，没有对用户和项目信息进一步处理；第二，在基于元路径上下文往往提取元路径交互的重要特征，忽略了特征信息的完整性；第三，在用户、项目和元路径融合时往往存在冗余信息，降低了推荐效果。

发明内容

针对以上不足，我们提出了异质信息网络中基于协同注意力机制模型，该模型利用协同注意力机制以一种相互增强的方式提升用户和项目之间的表达，并以最大池化和平均池化相结合的方式利用异质信息网络提供的丰富元路径信息同时捕获元路径的重要特征和基本特征，最后，利用注意力机制处理融合之后的冗余信息。因此，该模型具有较优的推荐效果。

本发明采用的技术方案如下：

一种异质信息网络中基于协同注意力机制的推荐模型，其特征在于该发明包括以下步骤：

S1、读取数据集中的数据信息，生成用户和项目表示。

S2、将步骤S1中得到的用户和项目的表示采用协同注意力机制来进行生成表示。

S3、对步骤S2中得到的协同注意力机制生成表示分别对行和列进行最大池化操作，分别生成用户和项目的最终表示。

S4、在元路径的基础上得到的路径节点序列，采用卷积神经网络学习路径节点序列的表示。

S5、将步骤S4中得到的路径节点序列，分别采用最大池化和平均池化生成元路径的表示。

S6、对步骤S5中得到的元路径表示，采用注意力机制学习注意力权重，得到元路径上下文的最终表示。