[发明专利]一种在图神经网络中引入物品类别信息的推荐方法

说明书

一种在图神经网络中引入物品类别信息的推荐方法，确定输入数据并构建潜在因子模块、类别信息模块、类别加权聚合模块和评分预测模块，输入数据为表现用户、物品以及辅助信息之间交互关系的用户‑物品交互图，潜在因子模块对用户选择商品的意图进行建模；类别信息模块获得物品的类别信息；类别加权聚合模块将知识图谱和物品先验知识向量进行加权聚合；评分预测模块将潜在因子模块和类别加权聚合模块得到用户和物品的向量表示进行整合计算，在给定交互行为集合以及知识图谱上学习一个函数，该函数能够预测一个用户有多大可能性购买或选择一个物品。本发明在推荐场景中引入物品的类别信息，既符合实际推荐场景的需要，又能够提升模型的可解释性。

技术领域

本发明属于计算机技术领域，特别涉及一种在图神经网络中引入物品类别信息的推荐方法。

背景技术

随着互联网相关产业飞速发展，人们的生活进入了信息化、智能化时代，各种各样的网络平台为人们生活提供了极大的便利。用户在使用网上平台时，一般只对少数特定物品信息感兴趣，面对大量的无关信息会导致用户使用体验下降。为了解决信息爆炸给用户带来的选择困难，在较短时间内为用户提供其感兴趣的数据信息，推荐方法在各个领域平台逐渐流行起来。

传统推荐方法通常包括两种思路，一种是根据内容进行推荐，另一种则是基于协同过滤进行推荐。两者的根本区别在于是否使用了用户或者物品的辅助信息，例如用户的个人资料、物品的类别、品牌、价格等信息。随着计算机相关技术进步，基于深度学习的推荐方法已逐渐成为主流。

图神经网络作为一种专门处理图数据结构的新型神经网络模型，可以灵活地对更加贴近人类社会生活的场景数据进行建模。知识图谱是以图的结构形式表示世界中实体以及其之间关系的大型数据网络。实体表示各种应用场景下的事物或概念，关系则表示实体之间的某种联系。因而知识图谱可以结构化地表示客观世界的一切场景信息，通过嵌入表示和关系推理，为深度学习中的其他任务提供先验知识，从而提升整个任务的精度和效果。

然而，在现有图神经网络和知识图谱推荐方法中，知识图谱辅助用户与商品交互推荐系统中无法挖掘用户意图与商品类别间交互信息，缺乏从物品类别信息的角度建立物品与用户意图之间的联系，导致在推荐中不能有效反映用户意图对不同类物品的偏好。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种在图神经网络中引入物品类别信息的推荐方法，在推荐场景中引入物品的类别信息，既符合实际推荐场景的需要，又能够提升模型的可解释性。

为了实现上述目的，本发明采用的技术方案是：

一种在图神经网络中引入物品类别信息的推荐方法，包括如下步骤：

步骤1，确定输入数据

所述输入数据为表现用户、物品以及辅助信息之间交互关系的用户-物品交互图，所述用户-物品交互图包括关系数据和知识图谱；所述关系数据表示用户和物品之间的交互行为；所述知识图谱表示物品与其辅助信息之间的关系；所述交互行为指用户对物品的隐式反馈；所述辅助信息是指与物品相关的一系列特征描述；

步骤2，构建潜在因子模块

所述潜在因子模块用于对用户选择商品的意图进行建模，用户选择物品总会出于某种意图，得到该模块中用户和物品的向量表示；

步骤3，构建类别信息模块

所述类别信息模块用于获得物品的类别信息，所述类别信息模块采用物品先验知识向量作为物品的特征信息；

步骤4，构建类别加权聚合模块

所述类别加权聚合模块用于将知识图谱和物品先验知识向量进行加权聚合，得到该模块中用户和物品的向量表示；

步骤5，构建评分预测模块