欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022105617178
申请人: 安徽农业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于动态图神经网络的商品推荐方法,其特征在于,包括如下步骤:步骤1、获取一个用户的历史行为序列,并按照等时间间隔分割为T个时间步的子序列,以子序列中的各个物品为物品节点,子序列中用户点击各物品的先后顺序为对应边,构建每个子序列的用户行为交互图,记为G={G1,G2,...,Gt,...GT},其中,Gt=(V,Et)为第t个时间步内的用户行为交互图,V为所述历史行为序列中的物品节点集,Et为第t个时间步上用户行为交互图Gt中的边集,并由边集Et得到第t个时间步用户行为交互图Et的邻接矩阵At,从而得到邻接矩阵序列为Zv={A1,A2,...,At,...,AT};步骤2、通过图注意力网络分别聚合每个时间步上用户行为交互图上节点的信息;步骤2.1、将每个节点的独热编码向量作为输入,并根据式(1)计算第t个时间步内的用户行为交互图Gt中任意物品节点i的邻居物品节点j的注意力得分

式(1)中,exp( )是以e为底的幂指函数,LeakyReLU( )为激活函数,a、W1均为图注意力网络中的权重参数,||表示向量的拼接操作,vi表示物品节点i的独热编码向量,vi,j表示物品节点i的邻居物品节点j的独热编码向量,vi ,k表示物品节点i的邻居物品节点k的独热编码向量,表示第t个时间步上物品节点i的邻居物品节点集合,k为邻居物品节点集合中的任意一个邻居物品节点;步骤2.2、利用式(1)聚合第t个时间步内的用户行为交互图Gt中节点的特征,得到第t个时间步内的物品节点i的特征从而得到第t个时间步内所有物品节点的特征构成的节点

特征矩阵Xt:式(1)中,为ELU激活函数,W2为图注意力网络中的权重参数,j为邻居物品节点集合中的任意一个邻居节点;

步骤3、构建生成对抗网络中的生成器G;并通过所述生成器G生成T个邻接矩阵,用于模拟用户行为交互图的演化过程;步骤3.1、将第t个时间步内的物品节点i的特征和第t个时间步内的物品节点j的特征输入所述生成器G中,并利用式(3)计算物品节点i和物品节点j之间存在边的概率式(3)中,<,>表示内积运算;步骤3.2、根据第t个时间步内物品节点之间存在边的概率,由所述生成器G生成第t个虚假邻接矩A't,从而由所有时间步内物品节点之间存在边的概率,得到虚假邻接矩阵序列记为步骤4、构建生成对抗网络中的判别器D,包括:包含L层的图卷积神经网络和门控循环单元;将所述虚假邻接矩阵序列和真实的邻接矩阵序列Zv输入所述判别器D中,用于判断给定用户行为交互图演化过程是否为真;步骤4 .1、将所述虚假邻接矩阵序列或真实的邻接矩阵序列Sv记为S={A1 ,A2 ,...,At,...,AT};其中,At表示第t个时间步的邻接矩阵At或第t个虚假邻接矩A't;所述第t个时间步的邻接矩阵At和节点特征表示矩阵Xt输入所述图卷积神经网络中,并利用式(4)输出图卷积神经网络输出的第l+1层的节点嵌入矩阵从而得到第t个图卷积神经网络第L层最终输出的节点嵌入矩阵并由图卷积神经网络的一系列输出构成T个时

间步的节点嵌入矩阵式(4)中,表示用户行为交互图Gt上的对角节点度矩阵,为包含自连接的邻接矩阵,即I为单位矩阵,是第l层的节点嵌入矩阵,为图卷积神经网络第l层的

权重参数;当l=1时,令步骤4.2、T个时间步的节点嵌入矩阵输入所述门控循环单元中,并分别重塑为向量{x1,x2,...,xt,...xT},xt为第t个时间步节点嵌入矩阵重塑的向量,利用式(5)‑式(7)计算第t个时间步内更新门zt、重置门rt、候选状态从而利用式(8)得到第t个时间步的门控循环单元输出的隐藏状态ht,进而得到第T个时间步的隐藏状态hT:zt=σ(Wz·[xt,ht‑1]xt+bz)     (5)rt=σ(Wr·[xt,ht‑1]xt+br)     (6)式(5)‑式(8)中,σ( )为sigmoid激活函数,Wz为更新门zt的权重矩阵,bz为更新门zt的偏置向量,Wr为重置门的权重矩阵,br为重置门rt的偏置向量,为候选状态的权重矩阵,bh为候选状态的偏置向量,⊙为元素乘,ht‑1为第t‑1个时间步的GRU单元输出的隐藏状态;

步骤5、将所述隐藏状态hT输入全连接层中进行二分类,获得判别器的输出结果;利用式(9)构建目标函数V(D,G),并通过对目标函数最小化和最大化的方式交替学习生成器G和判别器D的参数,从而得到最优生成对抗网络;

式(9)中,α为调节惩罚项的超参数,||·||2为L2范数;D(Zv)为判别器D判断真实邻接矩阵序列为真的概率,D(G(V))为判别器D判断生成器G生成的虚假邻接矩阵序列为真的概率;步骤6、由用户最近的T‑1个子序列的用户行为交互图和一个噪声数据z构成所述最优生成对抗网络中的生成器的输入,并所述最优生成对抗网络中的生成器输出的第T个样本数据作为用户下一个时刻的用户行为交互图的邻接矩阵A'T,并利用式(10)获得预测的用户对物品的偏好值

式(10)中,(XT‑1)T为第T‑1个时间步节点特征表示矩阵XT‑1的转置,WY,WQ为两个权重矩阵,bY,bQ为两个偏置权重;步骤7、根据步骤6预测所得的用户对物品的偏好值对相应物品进行降序排序,并选取前N个物品推荐给用户。