1.一种融合用户多行为的图神经网络推荐方法,其特征是,包括步骤如下:
步骤1、从网上下载公开的多行为数据,并对多行为数据进行预处理后得到多行为数据集,并将多行为数据划分为多行为训练集和多行为测试集;
步骤2、利用多行为训练集对融合用户多行为的图神经网络中进行训练,通过调整训练好的融合用户多行为的图神经网络的所有可训练参数来优化训练好的融合用户多行为的图神经网络的综合损失,得到训练好的融合用户多行为的图神经网络,即:步骤2.1、利用融合用户多行为的图神经网络获得每种行为下用户的嵌入表示和项目的嵌入表示,并合并所有行为下用户的嵌入表示和项目的嵌入表示,得到用户的最终表示和项目的最终表示;
步骤2.2、对融合用户多行为的图神经网络进行监督学习,并采用排序损失计算监督学习任务损失;
步骤2.3、对融合用户多行为的图神经网络进行第一个自监督对比学习,即在目标行为和每个辅助行为之间进行对比学习,并采用对比损失计算第一个自监督对比学习任务损失;
步骤2.4、对融合用户多行为的图神经网络进行第二个自监督对比学习,即针对单个行为进行对比学习,并采用对比损失计算第二个自监督对比学习任务损失;
步骤2.5、联合步骤2.2-2.4的损失,通过调整融合用户多行为的图神经网络的可训练参数来优化融合用户多行为的图神经网络的综合损失,得到训练好的融合用户多行为的图神经网络;其中综合损失为:其中,为监督学习任务损失,为第一自监督对比学习任务损失,为第二自监督对比学习任务损失,λ1为第一自监督对比学习任务损失的权重,λ2为第二自监督对比学习任务损失的权重,Θ为融合用户多行为的图神经网络的所有可训练参数,μ为L2正则化的超参数,表示L2正则化;
步骤3、利用多行为测试集对训练好的融合用户多行为的图神经网络进行测试,通过调整训练好的融合用户多行为的图神经网络的图卷积归一化系数来优化训练好的融合用户多行为的图神经网络的准确性和新颖性的评估指标,得到最终的融合用户多行为的图神经网络;
步骤4、利用最终的融合用户多行为的图神经网络对当前用户的推荐项目进行预测,并将预测结果推荐给当前用户。
2.根据权利要求1所述的一种融合用户多行为的图神经网络推荐方法,其特征是,步骤2.1中,利用融合操作将所有行为下用户的嵌入表示进行合并,得到用户的最终表示;用户u的最终表示eu为:其中,euk为行为k下用户u的嵌入表示,auk为用户u的第k个行为的语义融合系数,K为行为的总数,σ(■)表示Relu激活函数,W和b为融合用户多行为的图神经网络的全连接层中的权重和偏差。
3.根据权利要求2所述的一种融合用户多行为的图神经网络推荐方法,其特征是,用户u的第k个行为的语义融合系数auk为:其中,wk为行为k的强度权重,nuk为用户u在行为k下的发生交互的次数,K为行为的总数。
4.根据权利要求1所述的一种融合用户多行为的图神经网络推荐方法,其特征是,步骤2.1中,利用级联操作将所有行为下项目的嵌入表示进行合并,得到项目的最终表示;项目i的最终表示ei为:ei=g{Cat(eik)}
其中,eik为每种行为k下项目i的嵌入表示,Cat(■)表示融合用户多行为的图神经网络的级联操作,g(■)表示融合用户多行为的图神经网络的多层感知操作。
5.根据权利要求1所述的一种融合用户多行为的图神经网络推荐方法,其特征是,步骤2.2中,监督学习任务损失为:其中,O={(u,i,j)∣(u,i)∈O+,(u,j)∈O-}是多行为训练集,O+表示在多行为训练集中发生交互的用户和项目集合,O-表示在多行为训练集中没有发生交互的用户和项目集合,ei为项目i的最终表示,ej为项目j的最终表示,eu为用户u的最终表示,T表示转置,σ(■)表示Relu激活函数。
6.根据权利要求1所述的一种融合用户多行为的图神经网络推荐方法,其特征是,步骤2.3中,在进行第一个自监督对比学习时:先基于多行为训练集的特性将所有行为中的其中一个行为指定为目标行为,其余的行为指定为辅助行为;再利用目标行为下用户的嵌入表示和其他辅助行为下用户的嵌入表示构建用户对比视图对来实现用户的自监督对比学习,同时利用目标行为下项目的嵌入表示和其他辅助行为下项目的嵌入表示构建项目对比视图对来实现项目的自监督对比学习。
7.根据权利要求1或6所述的一种融合用户多行为的图神经网络推荐方法,其特征是,步骤2.3中,第一个自监督对比学习任务损失为:其中,为第一个自监督对比学习任务中用户对比视图对的用户正对,为第一个自监督对比学习任务中用户对比视图对的用户负对,为行为下用户u的嵌入表示,euk为行为k下用户u的嵌入表示,evk为行为k下用户v的嵌入表示;为第一个自监督对比学习任务中项目对比视图对的项目正对,为第一个自监督对比学习任务中项目对比视图对的项目负对,为行为下项目i的嵌入表示,eik为行为k下项目i的嵌入表示,ejk为行为k下项目j的嵌入表示;K为行为的总数,τ为设定的超参数,表示用户的集合,表示项目的集合,T表示转置。
8.根据权利要求1所述的一种融合用户多行为的图神经网络推荐方法,其特征是,步骤2.4中,在进行第二个自监督对比学习时:先在每种行为下用户的嵌入表示中分别添加两种不同的用户噪声,得到每种行为下的两个用户的增强嵌入表示,同时在每种行为下项目的嵌入表示中分别添加两种不同的项目噪声,得到每种行为下两个项目的增强嵌入表示;再利用每种行为下的两个用户的增强嵌入表示构建用户对比视图对来实现用户的自监督对比学习,同时利用每种行为下的两个项目的增强嵌入表示构建项目对比视图对来实现项目的自监督对比学习。
9.根据权利要求1或8所述的一种融合用户多行为的图神经网络推荐方法,其特征是,第二个自监督对比学习任务损失其中,为第二个自监督对比学习任务中用户对比视图对的用户正对,为第二个自监督对比学习任务中用户对比视图对的用户负对,e′uk为行为k下用户u的第一增强嵌入表示,e″uk为行为k下用户u的第二增强嵌入表示,e″vk为行为k下用户v的第二增强嵌入表示;为第二个自监督对比学习任务中项目对比视图对的项目正对,为第二个自监督对比学习任务中项目对比视图对的项目负对;e′ikT为行为k下项目i的第一增强嵌入表示,e″ik为行为k下项目i的第二增强嵌入表示,e″jk为行为k下项目j的第二增强嵌入表示;K为行为的总数,τ为设定的超参数,表示用户的集合,表示项目的集合,T表示转置。