1.一种融合多通道注意力机制的图卷积神经网络社交推荐方法,其特征在于,包括:步骤1:利用余弦相似度计算出社交网络图Gt=(At,X)的特征矩阵X,然后基于该特征构造出Gt的k‑最邻近图、即社交网络特征图Gf=(Af,X);其中,At表示Gt的对称邻接矩阵,Af表示Gf的对称邻接矩阵;
步骤2:基于图卷积神经网络学习社交网络数据图Gt多重信号的嵌入ZS;
步骤3:将Gt节点的特征在拓扑空间上传播,进行卷积操作,学习Gt的节点嵌入Zt;
步骤4:将Gf节点的特征在特征空间上传播,进行卷积操作,学习Gf的节点嵌入Zf;
步骤5:基于图卷积神经网络学习Gt和Gf的组合嵌入Zc;
步骤6:引入注意力机制动态调整ZS、Zt、Zf、Zc的权重,基于调整后的ZS、Zt、Zf、Zc计算得到每个社交网络节点的最终嵌入Z;
步骤7:基于最终嵌入Z计算出该社交网络节点的类别Y,从而进行社交推荐;
所述步骤2包括:
基于惰性随机游走矩阵构造Gt上几何散射:其中In是单位矩阵,为原始社交网络图Gt添加自环的邻接矩阵,D为 的对角矩阵;
k
在几何散射中,引入2尺度的小波变换其中U0表示节点自身的高频信号;
运用一阶和二阶的高频信号,即:
根据图卷积神经网络的传播规则,定义如下散射传播规则:其中 是Gt第l层的权重矩阵,σ为激活函数;
所述步骤5包括:
将原始社交网络图Gt和社交网络特征图Gf分别进行一次卷积操作,得到两个卷积输出表示,然后把二者相加作为两个图下一次卷积的卷积输入,以此循环往复,直至所有卷积操作结束,得到最终的卷积输出作为组合嵌入Zc;
所述步骤6包括:
对于任意社交网络节点k,在Zs中的嵌入表示为 使用权重向量 计算该节点的注意力值 如公式(12)所示:其中 为社交网络权重矩阵;
同理得到社交网络节点k在Zt,Zc和Zf的注意力值 和然后,使用Softmax函数得到社交网络节点k的注意力值,如公式(13)所示:同理计算得到 对图中所有的社交网络节点n,和
μs,μt,μc,μf分别表示Zs,Zt,Zc,Zf的注意力值;
根据社交网络各节点的注意力值,计算得到每个社交网络节点的最终嵌入Z:Z=μs·Zs+μt·Zt+μc·Zc+μf·Zf#(14)所述步骤7包括:
采用交叉熵损失函数作为最终目标函数,定义社交网络节点k属于c类的概率为 则n个节点的类预测为 根据最终嵌入Z得到其中W是第c类的权重向量;b表示偏置,为一个常数。
2.根据权利要求1所述的一种融合多通道注意力机制的图卷积神经网络社交推荐方法,其特征在于,所述步骤1包括:首先使用采用余弦相似度方法计算社交网络数据集的相似矩阵 然后选取社交网络中每个节点的前k个相似节点对设置边,构造出原始图的k‑最邻近图、即社交网络特征图,表示为Gf=(Af,X),相似矩阵S的计算方法如下所示:其中Xi和Xj分别为社交网络节点i和j的特征向量。
3.根据权利要求1所述的一种融合多通道注意力机制的图卷积神经网络社交推荐方法,其特征在于,所述步骤3包括:原始社交网络图Gt=(At,X)在拓扑空间中第l层的卷积输出 的计算方法如公式(6)所示:(l)
其中,Wt 表示Gt第l层的权重矩阵,σ为激活函数, 为Gt添加自环的邻接矩阵,为 的对角矩阵,并且
4.根据权利要求1所述的一种融合多通道注意力机制的图卷积神经网络社交推荐方法,其特征在于,所述步骤4包括:社交网络特征图Gf=(Af,X)在特征空间中第l层的卷积输出 如公式(7)所示:(l)
其中Wf 表示Gf第l层的权重矩阵,σ为激活函数, 为Gf添加自环的邻接矩阵,其中为 的对角矩阵,并且
5.基于权利要求1‑4任一所述社交推荐方法的一种融合多通道注意力机制的图卷积神经网络社交推荐系统,其特征在于,包括:特征图构造模块,用于利用余弦相似度计算出社交网络图Gt=(At,X)的特征矩阵X,然后基于该特征构造出Gt的k‑最邻近图、即社交网络特征图Gf=(Af,X);其中,At表示Gt的对称邻接矩阵,Af表示Gf的对称邻接矩阵;
散射模块,用于基于图卷积神经网络学习社交网络数据图Gt多重信号的嵌入ZS;
拓扑模块,用于将Gt节点的特征在拓扑空间上传播,进行卷积操作,学习Gt的节点嵌入Zt;
特征模块,用于将Gf节点的特征在特征空间上传播,进行卷积操作,学习Gf的节点嵌入Zf;
组合模块,用于基于图卷积神经网络学习Gt和Gf的组合嵌入Zc;
注意力模块,用于引入注意力机制动态调整ZS、Zt、Zf、Zc的权重,基于调整后的ZS、Zt、Zf、Zc计算得到每个社交网络节点的最终嵌入Z;
社交推荐模块,基于最终嵌入Z计算出该社交网络节点的类别Y,从而进行社交推荐。
6.根据权利要求5所述的一种融合多通道注意力机制的图卷积神经网络社交推荐系统,其特征在于,所述特征图构造模块具体用于:首先使用采用余弦相似度方法计算社交网络数据集的相似矩阵 然后选取社交网络中每个节点的前k个相似节点对设置边,构造出原始图的k‑最邻近图、即社交网络特征图,表示为Gf=(Af,S),相似矩阵X的计算方法如下所示:其中Xi和Xj分别为社交网络节点i和j的特征向量;
所述散射模块具体用于:
基于惰性随机游走矩阵构造Gt上几何散射:其中In是单位矩阵,为原始社交网络图Gt添加自环的邻接矩阵,D为 的对角矩阵;
k
在几何散射中,引入2尺度的小波变换其中U0表示节点自身的高频信号;
运用一阶和二阶的高频信号,即:
根据图卷积神经网络的传播规则,定义如下散射传播规则:其中 是Gt第l层的权重矩阵,σ为激活函数;
所述拓扑模块具体用于:
原始社交网络图Gt=(At,X)在拓扑空间中第l层的卷积输出 的计算方法如公式(6)所示:(l)
其中,Wt 表示Gt第l层的权重矩阵,σ为激活函数, 为Gt添加自环的邻接矩阵,为 的对角矩阵,并且所述特征模块具体用于:
社交网络特征图Gf=(Af,X)在特征空间中第l层的卷积输出 如公式(7)所示:(l)
其中Wf 表示Gf第l层的权重矩阵,σ为激活函数, 为Gf添加自环的邻接矩阵,其中为 的对角矩阵,并且所述组合模块具体用于:
将原始社交网络图Gt和社交网络特征图Gf分别进行一次卷积操作,得到两个卷积输出表示,然后把二者相加作为两个图下一次卷积的卷积输入,以此循环往复,直至所有卷积操作结束,得到最终的卷积输出作为组合嵌入Zc;
所述注意力模块具体用于:
对于任意社交网络节点k,在Zs中的嵌入表示为 使用权重向量 计算该节点的注意力值 如公式(12)所示:其中 为社交网络权重矩阵;
同理得到社交网络节点k在Zt,Zc和Zf的注意力值 和然后,使用Softmax函数得到社交网络节点k的注意力值,如公式(13)所示:同理计算得到 对图中所有的社交网络节点n,和
μs,μt,μc,μf分别表示Zs,Zt,Zc,Zf的注意力值;
根据社交网络各节点的注意力值,计算得到每个社交网络节点的最终嵌入Z:Z=μs·Zs+μt·Zt+μc·Zc+μf·Zf#(14);
所述社交推荐模块具体用于:
采用交叉熵损失函数作为最终目标函数,定义社交网络节点k属于c类的概率为 则n个节点的类预测为 根据最终嵌入Z得到其中W是第c类的权重向量;b表示偏置,为一个常数。