[发明专利]一种基于图神经网络的双端推荐方法及系统

权利要求书

1.一种基于图神经网络的双端推荐系统，其特征在于，包括图构建层、物品嵌入层、用户嵌入层以及结果输出层，其中：

图构建层用于基于用户与物品的交互数据、物品属性数据以及用户属性数据构建物品知识图谱以及用户属性图，其中：将物品属性数据处理成三元组(物品一,关系,物品二)的形式进行存储；将用户属性数据处理成三元组(物品,属性,属性值)的形式进行存储，通过属性来表示用户与属性值之间的关系；

物品嵌入层：将包括节点、关系、图结构在内的物品知识图谱数据输入到图卷积网络进行节点及其邻域信息的表示，用于捕获两个物品知识图谱中实体之间的高阶结构相似性；物品嵌入层递归地传播来自节点的邻居的嵌入以更新某个节点的领域信息，物品知识图谱采用用户与物品的交互数据来表示传播期间每个邻居的权重；当取到图卷积网络得到的邻域信息表示之后，将物品知识图谱上节点原本的表示与邻域信息表示进行聚合，得到物品的最终表示；

用户嵌入层：用户嵌入层基于用户属性图采用与物品嵌入层相同的处理方法获得用户的最终表示，其中，用户属性图采用用于三元组中表示用户与属性值之间的关系的属性来表示传播期间每个邻居的权重；

结果输出层：用于基于物品的最终表示以及用户的最终表示进行结果的预测，对于每一个用户，预测该用户会点击某个物品文档的概率，用一个匹配分数来表示。

2.如权利要求1所述的一种基于图神经网络的双端推荐系统，其特征在于，所述用户与物品的交互数据为用户与物品文档的交互数据，交互行为包括点击查看、收藏、加入购物车、购买；所述物品属性数据为有关物品属性的数据；所述用户属性数据为有关用户属性的数据。

3.如权利要求1所述的一种基于图神经网络的双端推荐系统，其特征在于，所述结果输出层基于匹配分数向当前用户进行商品推荐。

4.如权利要求1所述的一种基于图神经网络的双端推荐系统，其特征在于，所述物品嵌入层计算所述领域信息时先利用GCN计算节点领域信息，再利用多头自注意力网络进行关系的深度挖掘；所述用户嵌入层计算所述领域信息时仅利用GCN计算节点领域信息。

5.一种基于图神经网络的双端推荐系统的网络结构方法，其特征在于，包括如下步骤：

S100、原始数据处理：获取原始的用户与物品的交互数据Y、物品的物品属性数据、用户的用户属性数据；将物品的物品属性数据和用户的用户属性数据按照构建物品知识图谱及用户属性图需要的格式处理数据，其中：将物品属性数据处理成三元组(物品一,关系,物品二)的形式进行存储；将用户属性数据处理成三元组(物品,属性,属性值)的形式进行存储；

S200、构建物品知识图谱：

在步骤S100处理好数据之后，利用物品属性数据构建物品知识图谱G_v，一个物品v恰好对应物品知识图谱G_v中一个实体，即{(v,e)|v∈V,e∈E}}，e表示物品知识图谱G_v中的一个实体；

S300、构建用户属性图：

在步骤S100处理好数据之后，利用用户信息构建用户属性图G_u；

S400、物品嵌入层：

在物品嵌入层，首先使用图卷积的方式对物品知识图谱G_v中某个节点的邻居节点信息进行聚合表示，在计算邻居节点权重的方式上，利用用户u和某个关系r之间的分数来计算；之后，将节点的邻域信息输入到多头自注意力机制层，更深层次地提取节点之间的关联；最后，将节点的邻域信息和节点本身的嵌入结合形成物品的最终表示；

S500、用户嵌入层：

在用户嵌入层，首先使用图卷积的方式对用户属性图G_u中某个节点的邻居节点信息进行聚合表示，在计算邻居节点权重的方式上，利用用户u和某个属性p之间的分数来计算；计算好用户的邻域信息之后，将其与用户表示聚合形成用户的最终表示；

S600、结果层预测：在前面的物品嵌入层和用户嵌入层分别拿到最终的物品嵌入表示和最终的用户嵌入表示，将它一起输入到结果预测层的预测函数f最后进行预测。