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: 2022108696275
申请人: 四川锦城瑞知互联网科技有限公司
专利类型:发明专利
专利状态:未下证
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:

1.一种基于余弦排名损失和虚拟边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}、N个物品i={i1,...,in,...,iN},以及每个用户um与每个物品in或N中的部分物品的D条用户‑物品交互信息L={L1,...,Ld,...,LD},其中M≥500,um表示第m个用户,N≥500,in表示第n个物品,Ld表示第d条用户‑物品交互信息;

(2)构建用户‑物品虚拟边交互二部图:

(2a)构建以M个用户u和N个物品i为节点,以D条用户‑物品交互信息L为边且形式为矩阵的用户‑物品交互二部图 其中,R表示大小为M×N、第m行第n列阵元为T

Rm,n的原始矩阵, 表示实数域,R表示R的转置结果,当um与in存在交互时Rm,n=

1,不存在交互时Rm,n=0;

(2b)构建得分矩阵Asimi,并通过Asimi构建用户‑物品得分矩阵Asimi_u和物品‑用户得分矩T阵Asimi_i,然后通过原始矩阵R和用户‑物品得分矩阵Asimi_u组成的用户最终矩阵Au,以及R 和Asimi_i组成的物品最终矩阵Ai构建形式为矩阵的用户‑物品虚拟边交互二部图其中,Au=R+Asimi_u表示大小为M×N、第m行第n列阵元为 的用户最终矩T

阵,当um与in存在交互时 不存在交互时 Ai=R+Asimi_i表示大小为N×M、第n行第m列阵元为 的物品最终矩阵,当um与in存在交互时 不存在交互时(3)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型H:(3a)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型H的结构:构建包含并行排布的属性辅助网络F和虚拟边图卷积神经网络GCN,以及与属性辅助网络F和GCN的输出端顺次连接的拼接层C和预测层P的物品推荐模型H,其中,属性辅助网络F包括并行排布的用户属性辅助全连接层和物品属性辅助全连接层;虚拟边图卷积神经网络GCN包含顺序层叠的K个图卷积层,K>0;

(3b)定义物品推荐模型H的余弦排名损失函数CRL:

其中, 表示用户um和物品 的预测交互概率, 表示用户um和物品 的余弦相似度,O表示与同一用户um有交互的物品 和无交互的物品 构成的对比训练样本,+ ‑R 表示有交互的用户‑物品对集合,R 表示无交

互的用户‑物品对集合,σ表示激活函数,thr表示过滤负样本的阈值,Θ表示模型可训练的用户嵌入向量权值参数和物品嵌入向量权值参数,Θ={ΘU;ΘI},ΘU、ΘI分别表示用户嵌2

入向量权值参数、物品嵌入向量权值参数,||·||表示向量的模平方,β为系数;

(4)对物品推荐模型H进行迭代训练:

t

(4a)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 ,第m个用t户um的用户嵌入向量为 第n个物品in的物品嵌入向量为 并令t=0,H =H,(4b)将用户‑物品虚拟边交互二部图Gvirtual、第t次迭代中的用户嵌入向量 和物品嵌入向量 作为物品推荐模型H的输入进行前向传播:(4b1)属性辅助网络F中的用户属性辅助全连接层、物品属性辅助全连接层对第t次迭代中的用户嵌入向量 物品嵌入向量 分别进行加权操作,得到用户属性嵌入向量物品属性嵌入向量 同时虚拟边图卷积神经网络GCN通过用户‑物品虚拟边交互二部图Gvirtual,对第t次迭代中的第m个用户um的用户嵌入向量为 物品嵌入向量分别进行图卷积操作,得到第K层用户图嵌入向量 物品图嵌入向量(4b2)拼接层C对第t次迭代中的用户属性嵌入向量 与用户图嵌入向量以及对第t次迭代中的物品属性最终嵌入向量 物品图嵌入向量 分别进行拼接,得到用户最终嵌入向量 以及物品最终嵌入向量

(4b3)预测层P对第t次迭代中用户最终嵌入向量 和物品最终嵌入向量点积计算得到用户um和物品in的预测交互概率 并通过 计算得到用户um和物品in的余弦相似度(4c)采用余弦排名损失函数CRL,根据预测交互概率 和余弦相似度 计算余弦排名损失值LCRL,再采用反向传播,通过损失值LCRL计算基于余弦排名损失和虚拟边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 对物品推荐模型H的权值参数Θ进行更新,得到本次迭代的物品推荐模型;

*

(4d)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t=t+1,并执行步骤(4b);

(5)获取向用户推荐的物品:

*

按照由大到小的顺序对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物品的预测交互概率进行排序,并选取前TopK个预测交互概率对应的物品作为向用户um推荐的物品,其中,TopK≥1。

2.根据权利要求1所述的基于余弦排名损失和虚拟边图神经网络的物品推荐方法,其特征在于,步骤(2b)中所述的构建用户‑物品得分矩阵Asimi_u和物品‑用户得分矩阵Asimi_i,实现步骤为:(2b1)构建用户嵌入表示矩阵Aemb_u和物品嵌入表示矩阵Aemb_i,并通过Aemb_u和Aemb_i的转置结果 计算第m个用户um与第n个物品in的大小为M×N的得分矩阵 其中Aemb_u的大小为M×Y, 的大小为Y×N,Y>0;

(2b2)对于Asimi的每行,保留前Topu个值最大的列,其余列填为0,得到用户‑物品得分矩阵Asimi_u,其中,Topu>0,Asimi_u大小为M×N;

(2b3)对于Asimi的每列,保留前Topi个值最大的行,其余行填为0,得到物品‑用户得分矩阵Asimi_i,其中,Topi>0,Asimi_i大小为N×M。

3.根据权利要求1所述的基于余弦排名损失和虚拟边图神经网络的物品推荐方法,其特征在于,步骤(3)中所述的物品推荐模型H,其中,属性辅助层所包含的用户属性辅助全连接层,以及物品属性辅助全连接层中神经元个数均为8;虚拟边图卷积神经网络GCN所包含的图卷积层的个数K=3。

4.根据权利要求1所述的基于余弦排名损失和虚拟边图神经网络的物品推荐方法,其特征在于,步骤(4b1)中所述的第K层用户图嵌入向量 物品图嵌入向量其中第k层用户图嵌入向量 物品图嵌入向量 的计算公式分别为: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, 分别表示在用户‑物品虚拟边交互二部图Gvirtual中和用户um有交互的所有物品的集合、物品in有交互的所有用户的集合。

5.根据权利要求1所述的基于余弦排名损失和虚拟边图神经网络的物品推荐方法,其特征在于,步骤(4c)中所述的对物品推荐模型H的权值参数Θ进行更新,更新公式为:其中,Θ'为Θ的更新结果,λ为学习率。