1.一种融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于,包括以下步骤:步骤1:建立用于提取用户特征的加权图卷积神经网络用户模型,所述加权图卷积神经网络用户模型输出用户潜在特征向量矩阵U;步骤2:建立用于提取项目特征的加权图卷积神经网络项目模型,所述加权图卷积神经网络项目模型输出项目潜在特征向量矩阵V;步骤3:将所述步骤1中的用户潜在特征向量矩阵U和所述步骤2中的项目潜在特征向量矩阵V进行连接,得到连接矩阵,将所述连接矩阵输入到评分预测模型中的多层感知机中,得到用户对项目的预测评分;步骤4:将步骤3得到的预测评分与实际评分进行对比,通过优化函数对步骤3中的所述多层感知机的参数进行优化,以更新所述评分预测模型。2.根据权利要求1所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:所述步骤1具体包括:步骤11:获取用户对项目的历史评分数据,设m个用户对n个项目的评分矩阵为R,R∈Rm×n,评分取值为{1,2,…,I},I为最大评分数,所述评分矩阵R中行向量为每个用户对全部项目的评分,对用户未评分的项目以0填充;步骤12:建立用于提取用户特征的加权图卷积神经网络用户模型;步骤13:建立所述加权图卷积神经网络用户模型的用户特征矩阵Xu,并输入所述加权图卷积神经网络用户模型;步骤14:建立用户相似度矩阵并作为用户邻接矩阵Au,并输入所述加权图卷积神经网络用户模型,所述用户邻接矩阵Au∈Rm×m;步骤15:通过图卷积函数得到用户潜在特征向量矩阵U。3.根据权利要求2所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:步骤13中所述用户特征矩阵Xu的构建具体步骤为:步骤131:引入基于用户兴趣变化的时间加权函数:其中,函数自变量t为用户对项目的当前评分时间和参考时间的时间间隔,参数Tmax为用户对项目最新评分时间和参考时间的时间间隔,参数Tmin为用户对项目最早评分时间和参考时间的时间间隔;步骤132:利用用户对项目评分时间通过时间加权函数f(t)对所述评分矩阵R进行修正,实现评分按时间衰减以此反应用户的兴趣变化,修正公式:r′ij=f(t)·rij其中,f(t)表示用户i在t时刻对项目j的评分时间权重,rij表示用户i对项目j的初始评分,得到用户—项目修正评分矩阵R1;步骤133:将步骤132中的用户—项目修正评分矩阵R1作为用户特征进行编码,生成的低维嵌入向量作为用户图卷积层的输入,采用的编码函数为:其中,是待学习的用户编码矩阵,得到用户特征矩阵Xu。
4.根据权利要求2所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:步骤14中作为输入邻接矩阵的用户相似度矩阵Au的构建具体步骤为:在用户同质图中,用户节点ni和nj之间的连接边的权值由他们的相似度来确定且不考虑连边的有向性,已知节点ni和nj之间的相似度αij,从而可知邻接矩阵Au其中
5.根据权利要求4所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:通过图卷积函数得到所述用户潜在特征向量矩阵U:其中,是加权图卷积神经网络用户模型的标准化对称邻接矩阵,且W0、W1是参数矩阵。
6.根据权利要求3所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:所述步骤2具体包括:步骤21:建立用于提取项目特征的加权图卷积神经网络项目模型;步骤22:建立所述加权图卷积神经网络项目模型的项目节点特征矩阵Xv,并输入所述加权图卷积神经网络项目模型,其中项目节点特征矩阵Xv的行向量为项目同质图中的节点特征向量
步骤23:建立项目相似度矩阵Av并输入所述加权图卷积神经网络项目模型,所述项目相似度矩阵Av∈Rn×n;步骤24:通过图卷积函数得到项目潜在特征向量矩阵V:其中,W2、W3是参数矩阵。
7.根据权利要求6所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:将步骤132中的用户—项目修正评分矩阵R1转置后的转置矩阵RT作为项目特征进行编码,生成的低维嵌入向量作为项目图卷积层的输入,编码函数为:其中,是待学习的项目编码矩阵,Xv是项目节点特征矩阵。
8.根据权利要求7所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:步骤23中作为邻接矩阵的项目相似度矩阵Av的构建具体步骤为:在项目同质图中,项目节点mi和mj之间的连接边的权值由他们的相似度来确定且不考虑连边的有向性,已知项目节点mi和mj之间的相似度bij,从而可知邻接矩阵Av:其中
9.根据权利要求1所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:所述步骤3具体包括:步骤31:将步骤2中所述用户潜在特征向量矩阵U中的用户潜在特征向量u和步骤3中所述项目潜在特征向量矩阵V中的项目潜在特征向量v进行连接操作,得到连接矩阵步骤32:把步骤31获得的所述连接矩阵输入到评分预测模型中的多层感知机MLP中:
g2=σ[W1·g1+b1]……gl=σ[Wl‑1·gl‑1+bl‑1]rui′=wT·gl其中,l是加权图卷积神经网络的隐藏层数目,rui′为用户u对项目i的预测评分。10.根据权利要求1所述的融合多特征信息的加权图卷积神经网络评分预测模型,其特征在于:所述步骤4的优化函数具体为:其中,Ο={(u,i)|(u,i)∈R+}为已有的用户项目交互集合的空间(已存在评分集),rui是用户对项目的实际评分,为了防止模型过拟合,使用L2正则化,其中Θ为模型参数,λ为惩罚强度。