1.一种可解释的图神经网络推荐方法,其特征在于,包括:获取用户‑物品二分图的特征矩阵X及邻接矩阵A;
将特征矩阵X及邻接矩阵A输入图卷积编码器模型,获取二分图的嵌入表示矩阵Zu、Zv;
根据所述嵌入矩阵Zu、Zv,通过双线性解码器模型,返回重构的评分矩阵 来完成评分预测任务;
接下来完成解释任务,根据相似度计算采样得到相似用户特征矩阵Xu、相似物品特征矩阵Xv以及对应的评分将采样到的Xu、Xv作为特征,对应评分 作为标签,通过非线性特征选择模型得到βu、βv,选择权重大的特征作为解释。
2.根据权利要求1所述的方法,其特征在于,所述图卷积编码器模型是通过第一公式计算得到的,所述第一公式为:其中,accum(.)表示一个聚合运算,σ(.)表示激活函数,uj→i,r为物品j到用户i传递的信息。
3.根据权利要求2所述的方法,将 进行转换得到用户的嵌入表示 所述第二公式为:同理,即可得到物品的嵌入表示
4.根据权利要求2所述的方法,其特征在于,所述uj→i,r是通过第三公式计算得到的,所述第三公式为:其中,cij为正则化常数,Wr是一个边类型的参数矩阵, 表示物品节点j的特征矩阵。
5.根据权利要求1所述的方法,其特征在于,所述评分预测矩阵 是通过公式四计算得到的,所述第四公式为:
6.根据权利要求5所述的方法,解码器通过对可能的评分等级进行双线性运算,然后应用softmax函数生成概率分布, 通过公式五计算的得到的,所述第五公式为:其中,Qr是一个维度为H*H的可训练参数矩阵,H是用户或者物品的隐含特征的维度。
7.根据权利要求1所述的方法,其特征在于,所述采样得到的用户特征矩阵Xu、物品特征矩阵Xv分别是是通过公式七、公式八计算得到的,所述第七公式为:Xu=concatenate(Um,v)所述第八公式为:
Xv=concatenate(u,Vn)其中Um=[u1,...,um],Vn=[v1,...,vn],相似度计算是通过余弦相似度去计算的。
8.根据权利要求1所述的方法,其特征在于,所述βu、βv分别通过公式九、公式十计算得到的,所述第九公式为:所述第十公式为:
其中||.||F为Frobenius范数, 是标准的中心范数矩阵,Lij=L(yi,yj)是输出值的核函数, 是中心矩阵,ln是n维单位矩阵,1n是元素均为1的单位向量。 是第k维特征的标准中心范数矩阵,是第k维输入特征的核函数。其中我们将高斯核用于给定模型的输入和预测结果。最后,我们使用最小角回归来优化方程,获得系数向量βu、βv。
9.根据权利要求8所述的方法,其特征在于,高斯核函数由第十一公式、第十二公式计算得到的,所述第十一公式为:所述第十二公式为:
通过比较βu、βv的权重来获得对预测结果最具有影响力的特征来完成解释任务。