1.一种基于多异构图图神经网络的物品推荐方法,其特征在于,包括如下步骤:(1)获取用户信息、物品信息以及用户‑物品交互信息:从真实数据集中提取M个用户u={u1,...,um,...,uM}的属性信息SU={U1,...,Um,...,UM}、N个物品i={i1,...,in,...,iN}的属性信息SI={I1,...,In,...,IN},以及M个用户与N个物品的D条用户‑物品交互信息L={L1,...,Ld,...,LD},每个用户um与N个物品或其中的部分物品存在交互关系,其中,M≥500,N≥500,um表示第m个用户,Um表示um的包含K1个属性特征的属性信息,K1≥0,in表示第n个物品,In表示in的包含K2个属性特征的属性信息,K2≥
0,D<<M×N,Ld表示第d条用户‑物品交互信息;
(2)构建属性异构图:
(2a)对每个用户um的属性信息Um、每个物品in的属性信息In分别进行one‑hot编码,得到Um的one‑hot编码向量 和In的one‑hot编码向量并为 增加M‑K1个零元素,同时为 增加N‑K2个零元素,实现对 和 的扩展后,得到扩展后的维度为M的one‑hot编码向量 和 的扩展后的维度为N的one‑hot编码向量 并将M个用户u扩展后的one‑hot编码向量作为u的新的属性信息,将N个物品i扩展后的one‑hot编码向量作为i的新的属性信息;
(2b)构建以M个用户u={u1 ,...,um,...,uM}及其新的属性信息N个物品i={i1,...,in,...,iN}及其新的属性信息为节点,以用户u的新的属性信息 与物品i的新的属性信息 的并集 中的
每个属性信息为边且形式为矩阵的属性异构图G1, 其中,表示大小为M×M的,由新的用户属性数据 构建的用户属性 特 征矩 阵 , 表示 大 小为 N ×N 的 ,由 新的 物 品 属性 数 据构建的物品属性特征矩阵,表示实数域;
(3)构建用户‑物品交互异构图:构建以M个用户u={u1,...,um,...,uM}与N个物品i={i1,...,in,...,iN}分别为节点,以D条用户‑物品交互信息L={L1,...,Ld,...,LD}为边且形式为矩阵的用户‑物品交互异构图G2, 其中, 表示大小为M×N的、第m个用户um与第n个T
物品in存在交互时阵元Rm,n=1,不存在交互时阵元Rm,n=0的用户‑物品交互信息矩阵,[·]表示转置操作;
(4)构建全相邻异构图:
构建以M个用户u={u1,...,um,...,uM}和N个物品i={i1,...,in,...,iN}为节点,以每两个用户的连线以及每两个物品的连线为边的形式为矩阵的全相邻异构图G3,(M×M)
其中,1 表示大小为M×M的,所有阵元均为1的用户‑(N×N)
用户全相邻矩阵,1 表示大小为N×N的,所有阵元均为1的物品‑物品全相邻矩阵;
(5)构建基于多异构图图神经网络的物品推荐模型H:构建包含顺次连接的属性辅助层GCNA1、图卷积神经网络GCN、全相邻辅助层GCNA2和预测层的物品推荐模型H,图卷积神经网络GCN包含顺次连接的K个图卷积层GCN1,...,GCNk,...,GCNK,且属性辅助层GCNA1和每个图卷积层GCNk与预测层相连接,其中,K≥2,GCNk表示第k个图卷积层;
(6)对基于多异构图图神经网络的物品推荐模型进行迭代训练:t
(6a)初始化迭代次数为t,最大迭代次数为T,T≥1000,当前物品推荐模型为H ,初始化t
得到第m个用户的用户嵌入向量为 第n个物品的物品嵌入向量为 并令t=0,H =H,
(6b)将属性异构图G1、用户‑物品交互异构图G2、全相邻异构图G3、第t次迭代中的用户t
嵌入向量 和物品嵌入向量 作为当前物品推荐模型为H的输入进行交互概率预测:
(6b1)属性辅助层GCNA1对属性异构图G1与第t次迭代中的用户嵌入向量 和物品嵌入向量 进行不包含节点自连接的图卷积操作,得到用户嵌入向量 和物品嵌入向量
其中, 表示在属性异构图G1中用户um拥有的所有用户属性的集合, 表示在属性异构图G1中拥有用户属性 的所有用户的集合, 表示在属性异构图G1中物品in拥有的所有物品属性的集合, 表示在属性异构图G1中拥有物品属性 的所有物品的集合;
(6b2)图卷积神经网络GCN的前K‑1个图卷积层GCN1,...,GCNk,...,GCNK‑1对用户‑物品交互异构图G2,以及第t次迭代中的用户嵌入向量 和物品嵌入向量 进行不包含节点自连接的图卷积操作,得到用户嵌入向量 和物品嵌入向量 最后一个图卷积层GCNK对用户‑物品交互异构图G2,以及第t次迭代中的用户嵌入向量 和物品嵌入向量 进行包含节点自连接的图卷积操作,得到用户嵌入向量 和物品嵌入向量 其中第k个图卷积层GCNK得到的用户嵌入向量 和物品嵌入向量 的表达式分别为:
其中, 分别表示第t次迭代中第k层图卷积神经网络层得到的用户嵌入向量和物品嵌入向量, 是在用户‑物品交互异构图G2中和用户um有交互的所有物品的集合, 是在用户‑物品交互异构图G2中和物品in有交互的所有用户的集合;
(6b3)全相邻辅助层GCNA2对全相邻异构图G3,以及第t次迭代中的用户嵌入向量和物品嵌入向量 进行包含节点自连接的图卷积操作,得到用户嵌入向量 和物品嵌入向量
其中, 代表除用户um外的任意用户,代表除物品in外的任意物品, 是全相邻异构图G3中除用户um外的所有用户的集合, 是全相邻异构图G3中除用户 的所有用户的集合, 是全相邻异构图G3中除物品in外的所有物品的集合, 是全相邻异构图G3中除物品 外的所有物品的集合;
(6b4)预测层对第t次迭代中的属性辅助层GCNA1输出的用户嵌入向量 和物品嵌入向量 每一层图卷积神经网络GCNk输出的用户嵌入向量 和物品嵌入向量以及全相邻辅助层GCNA2输出的用户嵌入向量 和物品嵌入向量 进行层组合,得到最终用户嵌入向量 和最终物品嵌入向量 并通过最终嵌入向量的点积得到用户um和物品in的预测交互概率
(6c)采用贝叶斯个性化排名损失函数BPR,根据用户‑物品预测交互概率 计算贝叶斯计算个性化排名损失值LBPR,再采用反向传播,通过损失值LBPR计算基于多异构图图神经网络的物品推荐模型的参数梯度 并使用梯度下降法,通过 更新基于多异构图图神经网络的物品推荐模型H的参数Θ;
*
(6d)判断t≥T是否成立,若是,得到训练好的物品推荐模型H ,否则,令t=t+1,并执行步骤(6b);
(7)获取向用户推荐的物品:
*
选取训练好的物品推荐模型H最终输出的M×N条预测交互概率中每个用户um与N个物品中不存在交互关系的物品的预测交互概率,并按照由大到小的顺序进行排序,然后选取前S个预测交互概率对应的物品作为向用户um推荐的物品,S≥1。
2.根据权利要求1所述的基于多异构图图神经网络的物品推荐方法,其特征在于,步骤(6b4)中组合节点属性辅助层GCNA1、图卷积神经网络GCN中每一层和全相邻辅助层GCNA2输出的用户嵌入向量和物品嵌入向量获得最终用户嵌入向量 和物品嵌入向量 的具体过程可表达为:
其中,aA1、aA2和ak代表辅助层GCNA1输出的嵌入向量、辅助层GCNA2输出的嵌入向量和第k层图卷积神经网络层GCNk输出的嵌入向量对于构成最终嵌入向量的重要性,它既可以作为一个被手动调整超参数,又可以作为一个模型参数被优化。
3.根据权利要求1所述的基于多异构图图神经网络的物品推荐方法,其特征在于,将步骤(6b4)中预测交互概率 的具体过程可表达为:T
其中,(·) 表示向量的转置。
4.根据权利要求1所述的基于多异构图图神经网络的物品推荐方法,其特征在于,步骤(6e)中贝叶斯个性化排名损失函数BPR的公式以及可训练参数的更新公式分别为:其中, 表示与同一用户um有交互信息的物品+ ‑
和没有交互信息的物品 构成的对比训练样本,R 表示有交互信息的用户‑物品对集合,R表示没有交互信息的用户‑物品对集合,Θ={ΘU;ΘI}表示模型可训练的用户嵌入向量权值参数和物品嵌入权值向量参数;β为L2正则化系数,Θ'为更新后模型的权值参数,Θ为更新前模型的权值参数,λ为学习率, 为模型的参数梯度。