[发明专利]一种图卷积神经网络推荐方法、系统、设备、介质及终端

权利要求书

1.一种融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，应用于客户端，所述融合时间上下文信息和流行度的图卷积神经网络推荐方法包括：将时间衰减函数和流行度函数输入构建的图卷积神经网络推荐模型的嵌入层；基于所述图卷积神经网络推荐模型将用户数据转换为邻接矩阵，对输入的所述时间衰减函数和流行度函数在图结构上进行传播聚合，直到前一层和聚合邻居节点信息后的输出结果一致，停止聚合。

2.根据权利要求1所述的融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，所述将时间衰减函数和流行度函数输入构建的图卷积神经网络推荐模型的嵌入层前，需进行：

从数据集中获取用户ID、项目ID、评分数据和时间戳项目交互记录数据；

对项目交互记录数据进行数据筛选、缺失值填充或者删除的预处理；

基于预处理后的项目交互记录数据构建时间衰减函数和流行度函数。

3.根据权利要求2所述的融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，构建时间衰减函数中，时间衰减函数公式为：

其中，t_u，i是u和i交互发生的时间，是u与其所有一阶邻居中最早的交互发生时间，是u与其所有一阶邻居中最晚的交互发生时间，使用的时间是U_nix时间戳；针对同一用户的不同交互发生的时间存在差别，使用Sigmoid()函数将时间数据缩放到(0.5，1)之间，T_u,i是对应的时间分数，衡量用户u与物品i交互发生的相对时间；然后将同一用户所有的时间分数T_u,i通过Softmax函数归一化获得对应的时间衰减函数权重因子β_u,i；从时间的角度，对于时间越近产生的交互,Sigmoid()函数的值更大，T_u,i和β_u,i的值更接近于1，从e_i传播到e_u的嵌入信息的衰减程度越小，对于越早产生的交互,Sigmoid()函数的值越小，T_u,i和β_u,i越接近于零，嵌入信息的衰减程度越大。

4.根据权利要求2所述的融合时间上下文信息和流行度的图卷积神经网络推荐方法，其特征在于，构建流行度函数中，流行度函数为：

pop＝ln(1+|N(i)|)；

N(i)是购买过此物品的人数，物品的点击量越大，pop的值越大，流行度所占的比重越大。