1.一种多行为增强信息的加权图卷积网络评分预测推荐方法,其特征在于,采用多行为增强信息的加权图卷积网络评分预测推荐模型,该模型包括嵌入模块、用户项目消息传递模块、项目关联性感知模块和最终的预测模块,具体包括以下步骤:步骤1、建立问题:建立了一个统一的异构图来建模所研究的问题,明确模型的输入输出;
步骤2、初始嵌入层:使用嵌入向量和来描述一个用户和一个项目,其中d是嵌入维度,用户嵌入向量和项目嵌入向量分别用嵌入矩阵和来表示,使用来描述用户和项目的一类交互模式;
步骤3、用户的嵌入传播层:对相邻节点的关系进行嵌入组合,以建模关系用户-项目交互,同时为每个行为关系分配一个传播权重α,将行为的重要性和行为的稀疏性融合在一起;
步骤4、项目的嵌入传播层:对相邻节点的关系进行嵌入组合,以建模关系用户-项目交互;
步骤5、项目关联性传播层:进一步提出多类型行为语义;
步骤6,多任务预测:从不同层获得的表示强调了从不同跳跃层传递的信息;
所述步骤1具体包括:
输入的交互数据用无向图G=(V,E)表示,其中节点是由用户节点u∈U和项目节点v∈V组成,E中的边包含不同行为的不同的用户项目交互边rk∈Nr,Nr是在用户和项目之间发生的所有行为类型的集合,当时,建立条目设定行为的数量为T,交互矩阵表示用户是否与项目在行为k下进行了交互,所有的行为矩阵都表示为{Y1,Y2,....,YT};
所述步骤2具体包括:
用户嵌入向量和项目嵌入向量分别用嵌入矩阵U和V来表示:
使用one-hot编码作为输入来描述一个用户、一个项目和一种行为关系,矩阵U、矩阵V和矩阵E中的嵌入作为用户、项目和行为类型的初始化特征;
所述步骤3具体包括:
图卷积运算定义为下式,模型通过其进行消息传递,在每层卷积中有两个主要操作的过程,消息传递和消息聚合:其中,表示在第L层嵌入传播层后得到的用户u的表示,W(l)∈Rd’×d为提取传播中有用信息的可训练权值矩阵,d'为变换大小,Nu和Nv分别为u和v的邻居节点集合,使用对称归一化项来避免随着图卷积操作而增加的嵌入规模,⊙为元素级乘积,将关系和邻居项目嵌入纳入公式中,激活函数δ为LeakyReLU,为每个行为分配一个权重,设定行为k的权重为为了将行为的重要性和行为的稀疏性融合在一起,为用户u的特定行为k定义了传播权重为其中,wm由模型自行训练,是用户操作的行为k的数量,是用户交互总数目,关系嵌入转换公式中,是一个特定于层的参数,它将所有的关系投影到与节点相同的嵌入空间中,并允许它们在下一个GCN层中被使用;
所述步骤4具体包括:
图卷积运算定义为下式,在每层卷积中有两个主要操作的过程:消息传递和消息聚合:其中,表示在第L层嵌入传播层后得到的用户v的表示,W(l)∈Rd’×d为提取传播中有用信息的可训练权值矩阵,d'为变换大小,Nu和Nv分别为u和v的邻居节点集合;使用对称归一化项来避免随着图卷积操作而增加的嵌入规模,⊙为元素级乘积,将关系和邻居用户嵌入纳入公式中,激活函数δ为LeakyReLU,关系嵌入转换公式中,是一个特定于层的参数,它将所有的关系投影到与节点相同的嵌入空间中,并允许它们在下一个GCN层中被使用;
所述步骤5具体包括:
设计了一个项目关联性传播层来获取行为语义
其中,是和项目v一起在行为k下与用户有交互的一组项目集合,为行为k的编码矩阵,这里的聚合函数为简单的平均函数,并且等于对应的项目v的初始嵌入向量;
所述步骤6具体包括:
用户u在项目v上执行第k个行为的可能性估计为:
并计算在特定的行为k下,目标项目v和用户u交互的项目之间的相关性评分y2(u,v):两者一起作为预测分数:
y(k)u,v=λ·y1(k)u,v+(1-λ)·y2(k)u,v (13)。