[发明专利]一种基于用户多意图的社会化推荐方法、装置及介质

权利要求书

1.一种基于用户多意图的社会化推荐方法，其特征在于，包括以下步骤：

收集带有用户商品交互关系和用户社交关系的数据集；

用稀疏矩阵存储数据，构造成图卷积网络可以处理的图结构数据；

构建包含两部分图卷积网络的推荐模型，用于先后建模用户商品交互关系和用户社交关系；

意图空间映射：运用多层感知机，将初始用户特征向量和初始商品特征向量映射到不同的意图空间；

交互意图解耦合学习：在每个意图空间下构建一个图神经网络进行表征学习，得到每个意图下的的用户特征向量和商品特征向量；对于商品节点，将每个意图下的商品特征向量求和，得到最终商品特征向量；

自适应去噪：采用自适应Dropout模块去除社交关系图中的无关边，以保留重要边；

用户社交多影响学习：根据得到的每个意图下的用户特征向量，在每种意图下，使用图神经网络对用户社交图进行建模，将每种意图下得到的用户特征向量进行求和，得到最终用户特征向量；

无监督学习：引入两个自适应Dropout模块，得到两个社交视图，进行对比学习；

结合得到的最终商品特征向量、最终用户特征向量和无监督学习对推荐模型进行训练学习；

将推荐模型最终学习到的用户和商品特征向量进行打分预测，得到推荐商品顺序。

2.根据权利要求1所述的一种基于用户多意图的社会化推荐方法，其特征在于，所述意图空间映射包括：

运用多层感知机，将随机初始化的特征向量映射到不同意图空间：

E_f＝MLP(E)

H_f＝MLP(H)

其中，E代表总的用户特征向量，H代表总的商品特征向量，f代表第几个意图。

3.根据权利要求1所述的一种基于用户多意图的社会化推荐方法，其特征在于，所述解耦合的意图交互学习，包括：

在每种意图下，将用户商品交互对应的初始邻接矩阵赋值为1，代表初始状态下，每种意图对用户商品交互的影响一样；

将用户特征向量和商品特征向量输入图卷积网络中，进行K次迭代，即进行消息传递和消息聚合，以不断更新每个意图的领接矩阵，使得重要意图能被解耦合出来；

使用多层图卷积网络，获取高阶邻居信息；采用平均的操作，将每层学得的特征向量进行聚合，公式表示如下：

其中，代表第f个意图在第l层网络的用户特征向量，代表第f个意图在第l层网络的商品特征向量；E_f代表在第f个意图下的用户特征向量，H_f代表第f个意图下的用户特征向量；

最后再采用求和操作，将每个意图下的商品特征向量进行求和，得到最终商品特征向量。

4.根据权利要求1所述的一种基于用户多意图的社会化推荐方法，其特征在于，所述自适应去噪，包括：

采用一个多层感知机，计算每条社交边的dropout系数m_ij，决定是否丢弃社交边；具体计算公式如下：

D₁(i,i′)＝MLP(e_i||e_i′})

式中，||代表拼接操作；

为了使得整体模型可以端到端的训练，采用重参数技巧，构造丢弃社交图中噪声边的mask矩阵M₁；计算公式如下：

M₁(i,i′)＝σ((logσ-log(1-σ)+M(i,i′)/τ)

其中，σ代表sigmoid激活函数，τ是温度系数，i和i′分别表示社交边上的两个用户。