1.多粒度属性集协同邻居注意力的商品推荐方法,其特征在于:包括以下步骤:步骤S1,根据单个属性构建用户‑用户相似关系图,基于图神经网络学习用户在单个属性上的协同邻居嵌入表示;
步骤S2,根据属性子集构建用户‑用户相似关系图,基于图神经网络学习用户在属性子集上的协同邻居嵌入表示;
步骤S3,根据属性全集构建用户‑用户相似关系图,基于图神经网络学习用户在属性全集上的协同邻居嵌入表示;
步骤S4,通过注意力机制融合多粒度属性集上的协同邻居嵌入表示,建模用户嵌入表示;
步骤S5,根据步骤S1‑S4,同样地融合商品的多粒度属性集上的协同邻居嵌入表示,建模商品嵌入表示;
步骤S6,根据用户的特征表示和商品的特征表示,通过内积计算用户对商品的评分;
步骤S7,计算新用户对新商品的评分,根据评分高低进行排序,生成推荐商品列表,完成商品推荐。
2.根据权利要求1所述的多粒度属性集协同邻居注意力的商品推荐方法,其特征在于:所述步骤S1中根据单个属性构建用户‑用户相似关系图,基于图神经网络学习用户在单个属性上的协同邻居嵌入表示的具体步骤为:步骤1.1,在单个属性上属性取值相同的用户可以看作单个属性视图下的邻居用户,给定属性a,如果用户u和用户u'在属性a上的取值相同,记为fa(u)=fa(u'),则定义用户u在属性a上的邻居集合为:式(1)中 表示用户u在属性a上的邻居集合,||a||表示属性a的个数;
进而通过属性a上的用户邻居关系,建立用户‑用户属性关系矩阵U×U;属性a上的用户‑用户属性关系矩阵反映了用户的粗粒度协同兴趣偏好,对用户的决策具有一定的影响;
用户‑用户属性关系矩阵U×U中,元素值为1,表示用户与用户在属性a上的取值相同;
步骤1.2,用户和用户之间的协同属性兴趣可以通过邻居信息来进行表示,定义用户u和用户u'之间属性a上的协同邻居交互信息为:式(2)中 表示用户u和用户u'之间属性a上的邻居交互信息,u代表用户u的嵌入表示,u'代表用户u'的嵌入表示; 表示用户u在属性a上的邻居集合, 表示用户u'在属性a上的邻居集合;
步骤1.3,考虑到所有的相似邻居,基于图神经网络定义协同邻居的协同用户属性表示为:式(3)中, 表示用户u和用户u'之间属性a上的邻居交互信息; 表示用户u在单个属性用户‑用户相似关系图上的协同邻居嵌入表示。
3.根据权利要求1所述的多粒度属性集协同邻居注意力的商品推荐方法,其特征在于:所述步骤S2中根据属性子集构建用户‑用户相似关系图,基于图神经网络学习用户在属性子集上的协同邻居嵌入表示的具体步骤为:步骤2.1,获取用户u在属性A'上的邻居集 进而通过属性A'上的用户邻居关系,建立用户‑用户属性关系矩阵U×U,元素值为A',表示用户与用户在属性A'上的取值相同,从而构建出属性子集用户‑用户相似关系图;
步骤2.2,定义用户u和用户u'之间属性A'上的协同邻居交互信息为:式(4)中 表示用户u和用户u'之间属性A'上的邻居交互信息,u代表用户u的嵌入表示,u'代表用户u'的嵌入表示; 表示用户u在属性A'上的邻居集合; 表示用户u'在属性A'上的邻居集合;
步骤2.3,考虑到所有的相似邻居,基于图神经网络定义协同邻居的协同用户属性表示为:式(5)中, 表示用户u和用户u'之间属性A'上的邻居交互信息; 表示用户u在属性子集用户‑用户相似关系图上的协同邻居嵌入表示。
4.根据权利要求1所述的多粒度属性集协同邻居注意力的商品推荐方法,其特征在于:所述步骤S3中根据属性全集构建用户‑用户相似关系图,基于图神经网络学习用户在属性全集上的协同邻居嵌入表示的具体步骤为:步骤3.1,获取用户u在属性A上的邻居集 进而通过属性A上的用户邻居关系,建立用户‑用户属性关系矩阵U×U,元素值为A,表示用户与用户在属性A上的取值相同;从而构建出属性全集用户‑用户相似关系图。
步骤3.2,定义用户u和用户u'之间属性A上的协同邻居交互信息为:式(6)中 表示用户u和用户u'之间属性A上的邻居交互信息,u代表用户u的嵌入表示,u'代表用户u'的嵌入表示; 表示用户u在属性A上的邻居集合, 表示用户u'在属性A上的邻居集合;
步骤3.3,考虑到所有的相似邻居,基于图神经网络定义协同邻居的协同用户属性表示为:式(7)中, 表示用户u和用户u'之间属性A上的邻居交互信息; 表示用户u在属性全集用户‑用户相似关系图上的协同邻居嵌入表示。
5.根据权利要求1所述的多粒度属性集协同邻居注意力的商品推荐方法,其特征在于:所述步骤S4中通过注意力机制融合多粒度属性集上的协同邻居嵌入表示,建模用户嵌入表示的具体步骤为:步骤4.1,基于用户的属性集(a,A',…,A),我们可以得到用户的多个协同邻居嵌入表示步骤4.2,在属性a视图上,计算协同邻居嵌入表示 的输出特征分数为:式(8)中,Wh、h为神经网络的权重参数;
步骤4.3,定义协同邻居嵌入表示 的注意力权重为:
式(9)中, 为用户在属性a视图上的协同邻居嵌入归一化注意力权重,exp是指数函数;
步骤4.4,使用注意力机制将用户在所有属性视图上的协同邻居嵌入进行融合,定义用户嵌入表示如下:式(10)中, 为不同属性视图上协同邻居嵌入对于用户嵌入表示的贡献程度,i是用户的属性子集。
6.根据权利要求1所述的多粒度属性集协同邻居注意力的商品推荐方法,其特征在于:在步骤S5中根据步骤S1‑S4,同样地融合商品的多粒度属性集上的协同邻居嵌入表示,建模商品嵌入表示的具体步骤为:步骤5.1,与步骤S1同样的方法,获取商品v在单个属性商品‑商品相似关系视图上的商品表示 b表示单个属性;
步骤5.2,与步骤S2同样的方法,获取商品v在属性子集商品‑商品相似关系视图上的商品表示 B'表示属性子集中的属性;
步骤5.3,与步骤S3同样的方法,获取商品v在属性全集商品‑商品相似关系视图上的商品表示 B表示属性全集中的属性;
步骤5.4,与步骤S4同样的方法,获取商品的最终嵌入表示ev。
7.根据权利要求1所述的多粒度属性集协同邻居注意力的商品推荐方法,其特征在于:在步骤S6中根据用户的特征表示和商品的特征表示,通过内积计算用户对商品的评分的具体步骤为:进行内积来估计用户对商品的评分;具体的评分公式如下:
式(11)中,表示用户u对商品v最终的预测评分,bg表示全局的偏置项目,bu表示用户的偏置项,bv表示项目的偏置项。
8.根据权利要求1所述的多粒度属性集协同邻居注意力的商品推荐方法,其特征在于:在步骤S7中计算新用户对新商品的评分,根据评分高低进行排序,生成推荐商品列表,完成商品推荐的具体步骤为:对于新用户un,与步骤S1‑S3同样的方法,获取新用户un的嵌入表示 对于新商品vm,与步骤S4同样的方法,获取新商品vm的嵌入表示 根据评分公式获取新用户un对新商品vm的最终预测评分y;对候选集的商品按照评分高低进行排序,生成推荐商品列表,完成商品推荐。
9.一种计算机可读存储介质,其特征在于:所述介质上存储有计算机程序,该计算机程序被执行时实现如权利要求1‑8任一项所述的多粒度属性集协同邻居注意力的商品推荐方法。
10.一种电子设备,其特征在于:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1‑8任一项所述的多粒度属性集协同邻居注意力的商品推荐方法。