[发明专利]基于图卷积神经网络的推荐方法、系统及存储介质

权利要求书

1.一种基于图卷积神经网络的推荐方法，其特征在于，包括：

在多个子节点分别基于图卷积神经网络进行模型训练，得到各子节点对应的梯度；

将各子节点对应的所述梯度汇聚到中心节点进行聚合，得到各子节点对应的聚合后的梯度；

所述中心节点将各子节点对应的聚合后的梯度分发到各子节点，各子节点根据聚合后的梯度更新模型参数，以得到训练后的模型；

基于训练后的模型确定推荐对象，并推送所述推荐对象。

2.根据权利要求1所述的方法，其特征在于，将各子节点对应的所述梯度汇聚到中心节点进行聚合包括：

使用本地差分隐私将各子节点对应的所述梯度汇聚到中心节点进行聚合。

3.根据权利要求1所述的方法，其特征在于，各子节点根据聚合后的梯度更新模型参数，以得到训练后的模型包括：

各子节点根据聚合后的梯度更新模型参数；

基于更新后的所述模型参数返回执行在多个子节点分别基于图卷积神经网络进行模型训练的步骤，直到训练后的模型满足训练终止条件，则得到训练后的模型。

4.根据权利要求3所述的方法，其特征在于，所述训练终止条件包括以下之一：

所述训练后的模型满足业务要求；

所述训练后的模型达到收敛条件。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述梯度包括模型梯度和图嵌入梯度。

6.根据权利要求5所述的方法，其特征在于，在多个子节点分别基于图卷积神经网络进行模型训练包括：

在多个子节点，分别将各自具有的多项用户相关数据作为输入，基于图卷积神经网络进行模型训练。

7.根据权利要求6所述的方法，其特征在于，对于一个子节点，将所述子节点具有的多项用户相关数据作为输入，基于图卷积神经网络进行模型训练包括：

将所述多项用户相关数据输入嵌入层，得到所述多项用户相关数据分别对应的图嵌入向量，并根据所述图嵌入向量计算所述图嵌入梯度；

将所述多项用户相关数据分别对应的图嵌入向量中的全部或部分输入图卷积层，得到卷积后的映射向量；

基于卷积后的映射向量预测对不同对象的打分，并基于所述打分和消费数据计算目标函数的损失；

根据所述目标函数的损失计算所述模型梯度。

8.根据权利要求7所述的方法，其特征在于，所述多项用户相关数据包括：

具有消费记录的目标用户的数据；

所述目标用户的一个或多个相邻用户的数据；

所述目标用户消费的一个或多个对象的数据；

所述目标用户存在潜在消费倾向的一个或多个对象的数据。

9.根据权利要求8所述的方法，其特征在于，所述多项用户相关数据分别对应的图嵌入向量中的部分包括：

具有消费记录的目标用户的数据对应的图嵌入向量；

所述目标用户的一个或多个相邻用户的数据对应的图嵌入向量；

所述目标用户消费的一个或多个对象的数据对应的图嵌入向量。

10.一种基于图卷积神经网络的推荐系统，其特征在于，包括中心节点和多个子节点，其中，每个子节点包括：

模型训练模块，用于基于图卷积神经网络进行模型训练，得到所述子节点对应的梯度；

聚合模块，用于将所述子节点对应的所述梯度汇聚到所述中心节点进行聚合，得到所述子节点对应的聚合后的梯度；

参数更新模块，用于接收所述中心节点分发的所述各子节点对应的聚合后的梯度，根据聚合后的梯度更新模型参数，以得到训练后的模型；

推荐模块，用于基于训练后的模型确定推荐对象，并推送所述推荐对象。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至9任一项中所述的方法。