1.一种基于特征冗余去除的图神经网络多模态推荐方法,其特征在于,包括将用户与项目的交互数据利用图神经网络多模态推荐模型基于下述步骤来获取用户的推荐结果:S1,从用户与项目的交互数据中提取用户嵌入特征、项目嵌入特征以及项目的多模态特征,所述项目的多模态特征包括文本嵌入特征和图像嵌入特征;
S2,将用户嵌入特征、项目嵌入特征、文本嵌入特征和图像嵌入特征利用图神经网络编码器进行基于交互的协同过滤、基于模态的协同过滤再融合得到用户和项目的局部嵌入向量;将项目嵌入特征、文本嵌入特征和图像嵌入特征利用特征过滤器过滤噪声,并结合可学习的转换向量、邻接矩阵生成用户和项目的全局嵌入向量;
S3,将用户的局部嵌入向量和全局嵌入向量融合得到用户的最终嵌入向量,将项目的局部嵌入向量和全局嵌入向量融合得到项目的最终嵌入向量;
S4,根据用户的最终嵌入向量、项目的最终嵌入向量计算得到用户对项目的偏好得分,对所有项目的偏好得分进行排序,选择偏好得分靠前的指定数量K个项目作为用户的推荐结果输出;
步骤S2中将用户嵌入特征、项目嵌入特征、文本嵌入特征和图像嵌入特征利用图神经网络编码器进行基于交互的协同过滤、基于模态的协同过滤再融合得到用户和项目的局部嵌入向量的函数表达式为:其中,
所述用户和项目的局部协同嵌入向量的获取包括:
1)根据用户与项目的交互数据构建用户和项目的交互矩阵R,交互矩阵R的行为用户ID、列为项目ID,当用户u与项目i有交互时,对应位置为1,否则对应位置为0;将交互矩阵R转换为二部图形式的交互图G,并根据用户与项目的交互数据构建各个模态下的用户和项目的交互矩阵并转换为二部图形式的交互图以生成基于模态的交互图;将初始嵌入矩阵其中,
2)将初始嵌入矩阵
其中,
所述用户和项目的局部模态嵌入向量的获取包括:
1)分别将项目嵌入特征根据下式转换为项目的低维模态特征和用户的低维模态特征:其中,
2)将项目的低维模态特征和用户的低维模态特征进行组合为组合特征:其中,
3)将初始嵌入矩阵
其中,
4)将初始嵌入矩阵
其中,
步骤S2中将项目嵌入特征、文本嵌入特征和图像嵌入特征利用特征过滤器过滤噪声,并结合可学习的转换向量、邻接矩阵生成用户和项目的全局嵌入向量包括:
1)根据下式将项目嵌入特征映射到一个中等维度并转换成高阶特征:其中,
2)根据下式所示的特征过滤器将高阶特征映射到一个低维空间以过滤掉部分噪声:其中,
3)引入维度为B的可学习转换向量
其中,
4)将含有模态特征的项目表示信息
5)将含有模态特征的项目表示信息
其中,
6)将增强的项目属性依赖矩阵
其中,
2.根据权利要求1所述的基于特征冗余去除的图神经网络多模态推荐方法,其特征在于,步骤S3中将用户的局部嵌入向量和全局嵌入向量融合得到用户的最终嵌入向量,将项目的局部嵌入向量和全局嵌入向量融合得到项目的最终嵌入向量的函数表达式为:其中,
3.根据权利要求1所述的基于特征冗余去除的图神经网络多模态推荐方法,其特征在于,步骤S4中根据用户的最终嵌入向量、项目的最终嵌入向量计算得到用户对项目的偏好得分的函数表达式为:其中,
4.根据权利要求1所述的基于特征冗余去除的图神经网络多模态推荐方法,其特征在于,所述图神经网络多模态推荐模型在训练时采用的损失函数其中,
5.根据权利要求4所述的基于特征冗余去除的图神经网络多模态推荐方法,其特征在于,贝叶斯个性化排序损失其中,
用户侧的跨模态对比损失
其中,
项目侧的跨模态对比损失
其中,
基于交互的协同过滤的损失
其中,
基于模态的协同过滤的损失
其中,
6.一种基于特征冗余去除的图神经网络多模态推荐系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~5中任意一项所述基于特征冗余去除的图神经网络多模态推荐方法。
7.一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序或指令,其特征在于,该计算机程序或指令被编程或配置以通过处理器执行权利要求1~5中任意一项所述基于特征冗余去除的图神经网络多模态推荐方法。
8.一种计算机程序产品,包括计算机程序或指令,其特征在于,该计算机程序或指令被编程或配置以通过处理器执行权利要求1~5中任意一项所述基于特征冗余去除的图神经网络多模态推荐方法。