[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

说明书

本发明属于信息推荐系统技术领域，公开了一种图卷积神经网络推荐方法、系统、设备、介质及终端。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；基于图卷积神经网络推荐模型利用将用户数据转换的邻接矩阵对输入的所述时间衰减函数和流行度函数进行节点之间的聚合，再进入下一层，对聚合结果进行更新，直到前一层和聚合邻居信息后的输出的结果一致。本发明添加时间衰减函数进行聚合，使其在聚合一阶邻居的传播嵌入时区分邻近节点对目标节点的贡献度，能很好的捕捉到用户爱好随时间偏移的变化，流行度函数能极大的提高推荐精确度和用户满意度。

技术领域

本发明属于信息推荐系统技术领域，尤其涉及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、融合时间上下文信息和流行度的图卷积神经网络推荐系统、接收用户输入程序存储介质、计算机设备及用于商品购物的信息数据处理终端。

背景技术

随着大数据时代的到来，各种信息资源纷纷涌现，信息过载问题愈发凸显，用来筛选信息的推荐系统的出现即能有效的解决信息过载问题，也能根据交互信息为用户推荐用户感兴趣的物品。传统的推荐方法依赖于用户和物品交互的历史信息，这导致了数据稀疏或冷启动等问题的出现，而传统深度学习的推荐算法很少能够处理图结构信息，将图神经网络引入推荐系统中，通过图的节点之间的消息传递来捕捉图上的依赖关系为推荐系统带来了更好的实体表示和更强的解释能力，从而提升模型的预测精度。

但是在用户偏好会随着时间变化而改变问题和普遍存在着流行度长尾效应，即越热门的物品越容易被系统推荐，越冷门的物品越难以被系统推荐问题。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有技术在用户感兴趣的物品信息推荐中，越热门的物品信息有些没有价值的信息出现频率过高，对冷门的物品有用信息推荐较少，使得冷门的物品未来价值预测准确度差。

(2)现有技术对用户偏好的信息进行判断中，获得的信息不全面，准确性差，使得用户对物品的认知缺乏正确的引导方向。

(3)现有技术对物品推荐结果准确率低，不能满足用户的实际需求，使得现有的物品推荐系统实用性差。

发明内容

为克服相关技术中存在的问题，本发明公开实施例提供了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、融合时间上下文信息和流行度的图卷积神经网络推荐系统、接收用户输入程序存储介质、计算机设备及用于商品购物的信息数据处理终端。具体涉及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。

所述技术方案如下：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，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利用将用户数据转换的邻接矩阵，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，用来增强用户和物品嵌入向量的表示能力，在进行传播聚合时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。

在一个实施例中，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预处理，包括数据筛选、缺失值填充或者删除；

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。

在一个实施例中，构建时间衰减函数中，时间衰减函数公式为：