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: 2023109268467
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: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:

1.一种基于可微图神经网络架构搜索的协同过滤推荐方法,其特征在于,包括如下:(1)构建图神经网络架构空间:

(1a)建立包括多种节点聚合函数的节点聚合器模块On;

(1b)建立包括两种跳跃连接函数的跳跃连接模块Os;

(1c)建立包括多种层聚合函数的层聚合器模块Ol;

(1d)将节点聚合器模块、跳跃连接模块、层聚合器模块依次连接,构成图神经网络架构空间;

(2)根据用户与物品的历史交互数据,构造用户—物品二部图;

(3)根据用户的历史交互数据进行正负样本采样完成数据预处理,并按照8:1:1的比例将预处理后的数据集划分成训练集、验证集和测试集;

(4)利用可微搜索策略在架构空间中搜索模型架构:

(4a)初始化一组架构选择权重向量应用softmax函数组合架构空间中不同模块的操作算子,得到一组混合操作算子o:其中,hk表示第k层模块输出的向量表示,表示第k+1层模块的混合操作算子;

(4b)用分别表示节点聚合器模块On、跳跃连接模块Os、层聚合器模块Ol中的混合操作算子,根据计算用户的总体向量表示hu和物品的总体向量表示hi;

(4c)根据hu和hi计算用户对正样本的偏好程度和负样本的偏好程度并通过可微架构搜索策略更新网络架构选择权重向量α:其中ω表示不同模块中的网络架构参数,α*表示更新后的架构选择权重向量,ω*(α)表示经过训练后的网络架构参数,和分别表示训练集和验证集上的损失函数;

(4d)重复(4b)-(4c),直到训练集的损失函数收敛为止,得到最佳模型架构Obest:其中表示架构选择权重向量αmax对应的操作算子;

(5)将用户和物品的初始化向量输入到最佳模型架构Obest中,输出用户对所有物品的偏好程度作为评分,并且按照从大到小的顺序对评分进行排序,将评分最高的k个物品推荐给用户。

2.根据权利要求1所述的方法,其特征在于,步骤(1a)构成节点聚合器模块On中的多种节点聚合函数,包括:图卷积函数GCN、图采样与求和聚合函数SAGE-SUM、图采样与最大聚合函数SAGE-MAX、图注意力函数GAT、强化图注意力函数GATV2、图同构函数GIN、神经图协同过滤函数NGCF、简化图卷积函数SGCN、轻量图卷积函数LightGCN。

3.根据权利要求1所述的方法,其特征在于,步骤(1b)中构成跳跃连接模块Os的两种跳跃连接函数,其分别为跳跃连接函数IDENTITY和非跳跃连接函数NONE。

4.根据权利要求1所述的方法,其特征在于,步骤(1c)中构成的层聚合器模块Ol的多种层聚合函数,包括:平均层聚合函数L-MEAN、最大层聚合函数L-MAX、求和层聚合函数L-SUM、长短期记忆层聚合函数L-LSTM、拼接层聚合函数L-CONCAT。

5.根据权利要求1所述的方法,其特征在于,步骤(3)中根据用户的历史交互数据进行正负样本采样完成数据预处理,实现步骤包括如下:对每一个用户,随机选择其交互过的物品作为正样本物品,随机选择其未交互过的物品作为负样本物品;用正样本物品、负样本物品及用户这三者构成三元组数据集。

6.根据权利要求1所述的方法,其特征在于,步骤(4b)计算用户和物品的总体向量表示hu和hi,公式如下:其中,表示跳跃连接模块输出的用户向量表示,

表示跳跃连接模块输出的物品向量表示,

[.]表示堆叠操作,K表示模型中节点聚合器的层数,和分别表示第m层节点聚合器输出的用户向量表示和物品向量表示,1≤m≤K。

7.根据权利要求6所述的方法,其特征在于,第m层节点聚合器输出的用户向量表示和物品向量表示分别表示如下:其中,和分别表示第m-1层节点聚合器输出的用户向量表示和物品向量表示,N(u)表示用户节点u的邻居集合,N(i)表示物品节点i的邻居集合,表示节点聚合器模块On的混合操作算子。

8.根据权利要求1所述的方法,其特征在于,步骤(4c)计算用户对正样本的偏好程度和负样本的偏好程度公式如下:其中huT表示转置后的用户总体向量表示,hi表示正样本物品的总体向量表示,hj表示负样本物品的总体向量表示。

9.根据权利要求1所述的方法,其特征在于,步骤(4c)中的训练集损失函数和验证集损失函数均采用成对贝叶斯个性化排序BPR损失函数形式,分别表示如下:其中,表示用户在训练集上的邻居集合,表示用户在验证集上的邻居集合,λ表示损失函数中L2正则化项的权重参数,Θ={h(0)}表示用户与物品的初始化向量表示。