1.一种基于超图注意力和增强对比学习的科技文献推荐方法,其特征在于,包括以下步骤:步骤S1、从科技文献系统中采集用户与科技文献之间的交互行为,得到非结构化的数据集;
步骤S2、构建用户科技文献交互二部图:从非结构化的数据集中抽取用户和科技文献之间的交互关系,将每一个用户和每一篇科技文献视为图的节点,建立一个统一的用户科技文献交互二部图;以用户科技文献交互二部图为基础,把每一个用户所交互过的科技文献分别构造成一个超边,即同一条超边包括某一用户所交互过的全部科技文献;同时把与每一篇科技文献交互过的用户分别构造成一个超边,即同一条超边包括某一科技文献被交互过的全部用户;
步骤S3、引入超图注意力机制,将每一个节点与聚类后的质心进行注意力分数的计算,通过注意力分数更新用户和科技文献的特征表示,建立科技文献推荐主模型;
步骤S4、通过聚类方法构建对比对,利用对比学习的方法更新用户科技文献交互二部图的节点特征表示,建立对比学习辅助模型;
步骤S5、使用总体损失函数对科技文献推荐主模型与对比学习辅助模型进行联合训练,得到节点的最佳特征表示,并保存训练好的科技文献推荐主模型、对比学习辅助模型及参数,得到训练好的科技文献推荐模型;
步骤S6、使用训练好的科技文献推荐模型计算每位用户对其它所有未交互过科技文献的交互概率,根据概率对科技文献进行排序,选取前k篇推荐给用户。
2.根据权利要求1所述的基于超图注意力和增强对比学习的科技文献推荐方法,其特征在于,步骤S3的科技文献推荐主模型包含两个聚合过程,用于获得用户和科技文献的特征表示;第一个聚合过程基于超图注意力机制,将节点信息聚合到超边上以更新超边表示,第二个聚合过程,将超边信息聚合到节点上以更新节点表示。
3.根据权利要求2所述的基于超图注意力和增强对比学习的科技文献推荐方法,其特征在于,第一个聚合过程为:首先使用k均值算法对所有的节点进行聚类,得到k个节点簇类与k个节点簇类的质心集合式中,
将通过注意力分数加权后的节点信息聚合到超边,通过下述公式:式中,
4.根据权利要求3所述的基于超图注意力和增强对比学习的科技文献推荐方法,其特征在于,第二个聚合过程为:计算所有超边上节点的注意力分数:
式中,
将通过注意力分数加权后超边信息聚合到节点,通过下述公式:其中,
5.根据权利要求4所述的基于超图注意力和增强对比学习的科技文献推荐方法,其特征在于,采用贝叶斯个性化排名损失对科技文献推荐主模型的节点表示进行更新,贝叶斯个性化排名损失的目标函数如下:其中,
6.根据权利要求5所述的基于超图注意力和增强对比学习的科技文献推荐方法,其特征在于,步骤S4中,通过聚类方法构建对比对的过程包括:用户的对比对通过使用k-means算法对所有用户特征信息进行聚类得到的,将所有用户都分为k类,得到k个聚类和聚类质心,每一个用户的对比对为其所属聚类的质心;用户对比学习目标是基于噪声熵的对比估计损失最小化以下函数:式中,
科技文献的对比对通过使用k-means算法对所有用户特征信息进行聚类得到的,将所有科技文献都分为k类,得到k个聚类和聚类质心,每一篇科技文献的对比对为其所属聚类的质心;科技文献对比学习目标是基于噪声熵的对比估计损失最小化以下函数:式中,
最终的对比目标是用户目标和科技文献目标的加权和,对比学习辅助模型的对比学习损失其中,
7.根据权利要求6所述的基于超图注意力和增强对比学习的科技文献推荐方法,其特征在于,科技文献推荐模型的总体损失函数为科技文献推荐主模型的损失与对比学习辅助模型的对比学习损失其中,