[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

说明书

本发明实施例提供了一种基于图卷积神经网络的推荐方法、系统及存储介质，该方法包括：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。通过本发明，解决了因各机构之间无法直接共享数据导致基于图卷积神经网络进行个性化推荐的准确性下降的问题，图卷积神经网络能够兼顾各子节点模型的特点，提高了个性化推荐的准确性。

技术领域

本发明实施例涉及计算机领域，具体而言，涉及一种基于图卷积神经网络的推荐方法、系统及存储介质。

背景技术

图卷积神经网络提供了图嵌入这一可以用来进行图表征学习的技术。将传统的图分析引入，扩展了深度学习对于非欧几里得数据的处理能力，提供了对非规则数据提取特征的方法。图卷积神经网络被广泛应用于推荐系统、社交网络、金融风控、知识图谱、交通预测等领域。

但在实际场景中，图卷积神经网络所需的数据往往分布在不同机构。由于市场对数据安全、隐私保护的要求日趋严格，各机构之间无法直接共享数据，这也导致了该技术面临数据孤岛的困境，基于图卷积神经网络所进行的特征的抽取和学习结果也往往是不够准确、全面的，这导致基于图卷积神经网络进行个性化推荐的准确性下降。

发明内容

本发明实施例提供了一种基于图卷积神经网络的推荐方法、系统及存储介质，以至少解决因各机构之间无法直接共享数据导致基于图卷积神经网络进行个性化推荐的准确性下降的问题。

根据本发明的一个实施例，提供了一种基于图卷积神经网络的推荐方法，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。

在至少一个示例性实施例中，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。

在至少一个示例性实施例中，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。

在至少一个示例性实施例中，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。

在至少一个示例性实施例中，所述梯度包括模型梯度和图嵌入梯度。

在至少一个示例性实施例中，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。

在至少一个示例性实施例中，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。

在至少一个示例性实施例中，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。