[发明专利]结合自适应周期与兴趣量因子的图卷积网络推荐方法

说明书

本发明提出一种结合自适应周期与兴趣量因子的图卷积网络推荐方法，结合艾宾浩斯遗忘曲线构建可计算用户兴趣程度的兴趣模型，能够更形象合理地模拟用户的兴趣变化规律，可比较显式地表示用户的动态行为变化，采用遗忘曲线拟合出的函数对用户的兴趣权重占比进行计算，能够更准确地判别出用户当前的兴趣情况，本发明引入了自适应周期和兴趣量因子，更为准确地解析用户的整体偏好，采用聚类和线性回归技术对其求解，根据用户针对同种类型项目具有相似行为的规律对用户行为进行聚类并拟合，获取用户的自适应周期，再结合用户‑项目的行为规律，归结出用户对项目的兴趣量，这些深度信息的特征表示，蕴含着更高阶的协作，有助于捕获用户的整体偏好。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种结合自适应周期与兴趣量因子的图卷积网络推荐方法。

背景技术

项目推荐系统被广泛应用于商品、音乐、电影、旅游推荐等生活场景中，给人们的生活带来了智能化和便利性。协同过滤(Collaborative Filtering, CF)作为推荐领域中经典的算法之一，能比较充分地利用用户的全局信息，获取较好的推荐精度，但单一的协同过滤推荐模型对于数据的完整性要求极高，故在实际使用中，数据稀疏性、训练效率低等问题是这一类模型的通病。而不可否认的是，评分、浏览等基础信息，确实最能表现用户兴趣也极易获取兴趣的。因此，纵向深挖用户基础信息并不亚于横向融入近期热门的辅助信息。

基于深度学习的推荐模型对挖掘用户-项目间的非线性关系有着独特的优势，且其抽象的编码能力可表示更高层次的交互信息，解决了很多传统推荐模型面临的问题，其中采用多种神经网络组合成的混合神经网络表现出的优势更为明显。但这些模型始终面临着数据稀疏性问题，且在复杂信息抽象编码的过程中会丢失大量的潜在信息。近些年比较热门的基于图卷积网络(Graph Convolutional Network, GCN)的推荐模型，采用GCN方法将用户-项目图结构信息输入模型中，最大程度上保留了潜在信息，能很好地实现协同过滤的思想。然而，这些工作尽管对用户的潜在信息更为关注，但对用户和项目的高阶交互信息挖掘程度仍较浅，也未兼顾到用户-项目间更深层次的关系，影响了推荐的实际效果。

发明内容

为此，本发明的实施例提出一种结合自适应周期与兴趣量因子的图卷积网络推荐方法，以解决现有技术对用户和项目的高阶交互信息挖掘程度仍较浅，未兼顾到用户-项目间更深层次的关系的问题。

根据本发明一实施例的结合自适应周期与兴趣量因子的图卷积网络推荐方法，包括以下步骤：

步骤1，将多个用户针对不同项目的历史行为记录转化成以时间间隔为单位的行为记忆序列；

步骤2，从行为记忆序列中提取出每个用户的浏览次数和浏览周期，根据浏览次数和浏览周期对同种类型项目下不同用户间的兴趣周期进行K均值聚类，得到同种类型项目下不同兴趣形态下的用户群，再使用多元线性回归方式拟合出同种类型项目下不同兴趣形态的函数表示，最后根据目标用户所属的兴趣形态匹配拟合出相应函数，并得到自适应周期；

步骤3，根据目标用户的行为记忆序列，按照预设的周期间隔数对目标用户的浏览周期进行切割，结合目标用户在单位周期内的浏览情况和设定的兴趣浮点变化规则，构建出用户-项目兴趣浮点模型，进一步使用Sigmoid函数对用户-项目兴趣浮点模型进行平滑优化，将用户-项目兴趣浮点模型中最后一个兴趣浮点的数值作为目标用户对目标类型的项目的当前兴趣量因子；

步骤4，结合艾宾浩斯遗忘曲线构建可计算用户兴趣程度的兴趣模型，将步骤2得到的自适应周期和步骤2得到的当前兴趣量因子代入兴趣模型，得出目标用户对目标类型的项目的兴趣程度，再根据该兴趣程度计算兴趣权重占比，根据该兴趣权重占比对不同类型的项目进行排序，再根据排序情况构建用户-类型-项目三元图结构，最后将用户-类型-项目三元图结构输入到图卷积网络模型中，得出目标用户对各个项目的得分，按照得分大小对各个项目进行排序以及组建推荐列表。

根据本发明实施例的结合自适应周期与兴趣量因子的图卷积网络推荐方法，具有以下有益效果：