1.一种基于双视角融合异质图神经网络的跨域商品推荐方法,其特征在于,包括步骤S1~步骤S5:步骤S1,读取用户和商品购物数据库,构造异质购物网络的节点图,根据节点图中的连边情况,将节点图转化为线图;
步骤S2,在节点图中分别从元路径和有偏的双向随机游走两个视角获取语义嵌入向量和结构嵌入向量,基于语义嵌入向量和结构嵌入向量,得到用户-商品的节点对嵌入向量;
步骤S3,根据线图,利用边嵌入算法获得用户-商品的边嵌入向量;
步骤S4,根据用户-商品的节点对嵌入向量和用户-商品的边嵌入向量,利用元网络获取节点域至边域的映射函数;
步骤S5,利用映射函数,将商品与目标用户的节点对嵌入向量映射到边域,根据映射后的边嵌入向量,对目标用户进行商品推荐。
2.根据权利要求1所述的基于双视角融合异质图神经网络的跨域商品推荐方法,其特征在于,步骤S1具体包括:步骤S11,从用户和商品的购物数据库中读取用户和商品的交互数据集,构造异质购物网络的节点图步骤S12,将节点图
其中,
3.根据权利要求2所述的基于双视角融合异质图神经网络的跨域商品推荐方法,其特征在于,步骤S2具体包括:步骤S21,在节点图中,通过步骤S22,通过注意力机制聚合目标元路径实例,获得节点的语义嵌入向量步骤S23,通过注意力机制聚合有偏双向随机游走序列,得到节点的结构嵌入向量步骤S24,将语义嵌入向量步骤S25,对用户的节点嵌入向量
4.根据权利要求3所述的基于双视角融合异质图神经网络的跨域商品推荐方法,其特征在于:步骤S21具体包括:
通过计算元路径实例间节点的相似度衡量元路径实例,相似度的计算公式为:其中,
对于一个元路径实例
其中,
对于元路径集合
步骤S22具体包括:
通过卷积神经网络将目标元路径实例的序列嵌入到低维空间,获得元路径实例的语义嵌入向量其中,
采用注意力机制对同一目标元路径下的实例进行聚合,得到目标元路径下用户和商品的嵌入向量,表达式如下:其中,
对不同类型的元路径下用户和商品的嵌入向量使用注意力机制进行聚合,得到节点的语义嵌入向量其中,
步骤S23具体包括:
执行有偏双向随机游走,记录正反向游走经过的用户和商品的节点序列,游走转移概率矩阵定义为:其中,
利用卷积神经网络将有偏双向随机游走序列嵌入低维空间,获得元路径实例的结构嵌入向量其中,
使用多头注意力机制对不同游走序列分配权重,分析各序列对用户和商品的贡献,得到节点的结构嵌入向量其中,
步骤S24满足以下条件式:其中,
步骤S25满足以下条件式:
5.根据权利要求4所述的基于双视角融合异质图神经网络的跨域商品推荐方法,其特征在于,步骤S3满足以下条件式:其中,
6.根据权利要求5所述的基于双视角融合异质图神经网络的跨域商品推荐方法,其特征在于,步骤S4具体包括:通过元网络根据用户-商品的边嵌入向量其中,
7.根据权利要求6所述的基于双视角融合异质图神经网络的跨域商品推荐方法,其特征在于,步骤S5具体包括:步骤S51,将商品与目标用户的节点对嵌入向量步骤S52,将映射后的边嵌入向量其中,
所述商品推荐任务的损失函数L为:其中,