[发明专利]基于余弦排名损失和虚拟边图神经网络的物品推荐方法

说明书

本发明提出了一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，实现步骤为：(1)构建用户信息、物品信息以及用户‑物品交互信息；(2)构建用户‑物品虚拟边交互二部图；(3)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型；(4)对基于余弦排名损失和虚拟边图神经网络的物品推荐模型进行迭代训练；(5)获取向用户推荐的物品列表。本发明通过使用用户‑物品虚拟边交互二部图，挖掘了用户‑物品的潜在交互可能，关注了节点间的隐式反馈以获得更好的嵌入表征向量；同时通过使用余弦排名损失函数，过滤冗余样本以自适应的计算损失函数值，提高了物品推荐的准确性。

技术领域

本发明属于计算机技术领域，涉及一种物品推荐方法，具体涉及一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，可用于电影推荐、商品推荐、新闻推荐等技术领域。

背景技术

互联网拥有海量且庞大的信息，但是仅仅数量巨大没有意义，只有提取出有用的信息才能发挥其真正的价值。在推荐算法出现之前，工业界通常使用搜索引擎来发现信息，但是搜索引擎需要人为地先输入关键词，才能输出结果，这就导致需要用户先清楚自己对什么感兴趣。但用户的认知范围不够大，导致用户错过许多本该感兴趣的信息。此外，搜索引擎根据关键词提供的信息并不具备个性化特征。而推荐算法则是挖掘分析用户的兴趣偏好，在海量信息中为用户推荐其可能感兴趣的物品或内容，从而解决信息过载问题。

在物品推荐方法中，在用户浏览物品后，会给用户推荐他们可能喜欢的物品，不仅免去了用户不断查找类似物品的烦恼，而且也使得用户可以货比多家。在物品推荐方法中，通常以召回率(recall)和归一化折损累计增益(NDCG)为评估指标进行对比仿真。recall主要衡量的是所有真实正样本中，模型预测正确的比例，当该指标越靠近1，则说明模型推荐的准确性越高；NDCG主要衡量的是模型推荐的物品的排序结果，推荐物品的排序位置与真实位置越接近，该指标越靠近1，则说明模型推荐的准确性越高。

物品推荐领域中，基于机器学习模型的物品推荐方法是目前主流的方法，近几年随着图神经网络的快速发展，加之用户与物品的交互天然地可以用于构建图结构数据，将图神经网络应用于物品推荐成为一种新的解决方法。例如，He等人在其发表的论文Lightgcn:Simplifying and powering graph convolution network forrecommendation(Proceedings of the 43rd International ACM SIGIR conference onresearch and development in Information Retrieval，2020，pp.639-648.)中，提出了一种简化的图卷积网络的物品推荐方法LightGCN。该方法基于嵌入传播层，并通过物品嵌入聚合用户嵌入，然后将这种层多个叠加，用户嵌入就可以在高阶连通上被更好地提取出来；对物品也是进行类似操作，最终将用户和物品的嵌入表示求内积，得到每个用户对每个物品的交互概率，为用户推荐交互概率最高的前k个物品。该方法利用二部图神经网络将用户-物品的历史交互信息编码进嵌入表示，且考虑了用户-物品的高阶连通性以及用户与更外层的物品间的相似性，在一定程度上提高了物品推荐的准确性，但其存在的不足之处是，只考虑了用户-物品间的显式反馈，且使用的贝叶斯排名损失函数在计算中会用到冗余样本，导致物品推荐的准确性仍然较低。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，用于解决现有技术中存在的因忽略用户-物品间隐式反馈，以及使用贝叶斯排名损失函数在计算中会用到冗余样本导致的物品推荐准确性较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取用户信息、物品信息以及用户-物品交互信息：