[发明专利]一种基于图神经网络的双端推荐方法及系统

说明书

本发明揭示了一种基于图神经网络的双端推荐系统及方法，包括物品嵌入层、用户嵌入层、结果输出层；知识图谱构建好之后，将其输入到图卷积网络层进行节点及其领域信息的表示，这一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。之后，物品嵌入层将图卷积网络层输出的领域信息输入到多头自注意力网络层。而用户嵌入层类似于物品嵌入层，将用户的邻域信息和自身信息进行聚合作为用户的最终表示；对于每一个用户，预测他/她会浏览某个商品的概率，就是结果预测层的内容。本发明提供的基于图神经网络的双端推荐系统及方法，在真实数据中验证了网络的合理性和有效性，整体实验效果良好，推荐符合一般认知。

技术领域

本发明涉及一种基于图神经网络的双端推荐系统及方法，属于计算机领域。

背景技术

随着互联网的快速发展，数据量呈爆炸式增长，导致信息过载，用户很难在数据的海洋中挑选出自己感兴趣的内容。为了提高用户体验，推荐系统已经应用于音乐、电影、广告等推荐场景。推荐系统主要分为基于协同过滤的推荐系统、基于内容的推荐系统和混合推荐系统。基于CF的推荐系统由于能够有效地捕捉用户偏好，并且易于在多种场景下实现，而无需在基于内容的推荐系统中进行特征提取，因此得到广泛的应用。然而，基于CF的推荐存在数据稀疏性和冷启动问题。为解决这些问题，混合推荐系统被提出来，其利用多种推荐技术来克服单一推荐方法的局限性，在此过程中会探索多种类型的辅助信息，比如物品属性、物品评论和用户的社交网络。

近年来，在推荐系统中引入知识图谱作为辅助信息受到关注。知识图谱是一个有向异构图，其中节点作为实体，边表示实体之间的关系。可以将物品及其属性映射到KG中，以理解物品之间的相互关系。此外，还可以将用户信息集成到 KG中，从而更准确地捕捉用户和物品之间的关系以及用户的偏好。最近提出多种KGs，如FreebasDBpedia、YAGO、谷歌的Knowledge Graph，微软的Satori，方便了构建用于推荐的知识图谱。可以发现知识图谱在多种推荐场景中都作为辅助信息，包括书籍、新闻、音乐、社交平台。

基于知识图谱关注网络的模型以端到端的方式明确地对协同知识图中的高阶连接进行建模。它递归地传播来自节点邻居(可以是用户、项目或属性)的嵌入，以细化节点的嵌入，并使用注意机制来区分邻居的重要性。因此，借助知识图谱来进行推荐，是很有必要的。

发明内容

本发明的目的是：实现提升模型推荐效果的目标，同时验证引入用户行为和物品属性的有效性。

为了达到上述目的，本发明的一个技术方案是提供了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。