[发明专利]一种基于图神经网络的协同过滤模型设计方法

权利要求书

1.一种基于图神经网络的协同过滤模型设计方法，其特征在于，包括以下步骤：

S1、提出基于图神经网络的协同过滤模型统一设计框架，该框架包含初始化、图神经网络、多组件和交互函数四个模块；

S2、基于以上的统一设计框架，提取多个设计维度，分别分布于四个模块中，每个设计维度含有多个设计选择，建立设计空间；

S3、采用受控随机搜索评估设计空间；

S4、通过缩小设计维度的设计选择来压缩设计空间，产生性能良好的模型。

2.根据权利要求1所述的基于图神经网络的协同过滤模型设计方法，其特征在于，步骤S1中初始化模块通过嵌入矩阵ID查找将用户和商品的独热ID投影成为稠密实值嵌入向量，即e_u＝lookup(ID(u))和e_i＝lookup(ID(i))，其中e_u和e_i分别为用户u和商品i的初始嵌入。

3.根据权利要求1所述的基于图神经网络的协同过滤模型设计方法，其特征在于，步骤S1中图神经网络将用户和商品的初始嵌入输入到图神经网络中，通过图神经网络层的传播来更新嵌入表示，并结合各图神经网络层的输出得到表示，过程如下：

其中，和分别代表用户u和商品i经过l层图神经网络更新后的表示，m(·)代表编码商品i到用户u的消息流的消息函数，σ是激活函数，是用户u的邻居，f(·)是邻居信息聚合方法，g(·)是经过L层传播后，聚合L+1个表示的层聚合函数。

4.根据权利要求3所述的基于图神经网络的协同过滤模型设计方法，其特征在于，步骤S1中多组件模块通过将用户和商品表示分解为多个组件，执行K次独立的嵌入过程，得到K个组件对应表示为h_u，1，h_u，2，…，h_u，K，将它们组合起来得到最终表示，如下所示：

h_u＝c(h_u，1，h_u，2，…，h_u，K)

其中，c(·)为组件聚合函数。

5.根据权利要求1所述的基于图神经网络的协同过滤模型设计方法，其特征在于，步骤S1中交互函数模块执行用户-商品匹配，并预测用户-商品对的评分，以反映用户偏好，如下所示：

其中，p(·)为交互函数，预测用户-商品对(u，i)的评分为

6.根据权利要求1所述的基于图神经网络的协同过滤模型设计方法，其特征在于，步骤S2中的设计维度分别为：初始嵌入维数d，消息函数m(·)，聚合函数f(·)，激活函数σ(·)，层数L，层间聚合函数g(·)，组件数K，组件聚合函数c(·)和交互函数p(·)，初始嵌入维数d分布在初始化模块中，消息函数m(·)，聚合函数f(·)，激活函数σ(·)，层数L、层间聚合函数g(·)和组件数K分布在图神经网络模块中，组件聚合函数c(·)分布在多组件模块中，交互函数p(·)分布在交互函数模块中。

7.根据权利要求6所述的基于图神经网络的协同过滤模型设计方法，其特征在于，初始嵌入维数d的设计选择包括64、128和256，消息函数m(·)的设计选择包括Identity和Hadamard，聚合函数f(·)的设计选择包括None、GCN、GAT、GIN和GraphSAGE，激活函数σ(·)的设计选择包括Identity、Sigmoid、Tanh、ReLU、PReLU和LeakyReLU，层数L的设计选择包括1、2、3和4，层间聚合函数g(·)的设计选择包括Stack、Concat、Sum和Mean，组件数K的设计选择包括1、2、3和4，组件聚合函数c(·)的设计选择包括Concat、Mean和Att，交互函数p(·)的设计选择包括Dot Product、Concat+MLP和Sum+MLP。