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: 202411598892X
申请人: 山西大学
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:

1.一种基于变分图自编码器去噪的推荐方法,其特征在于,包括以下步骤:步骤S1:根据用户与项目的交互评分信息来构建用户-项目交互图;同时根据项目的辅助信息,构建知识图谱;

步骤S2:对知识图谱中的项目节点进行图嵌入初始化,基于关系感知知识聚合机制对知识图谱中的实体和关系进行编码,并生成项目节点的嵌入表示,生成公式为:;

其中,和分别为项目节点i和实体e的嵌入表示,表示项目节点i通过关系传播到实体e的注意力系数;为知识图谱中不同类型的关系的项目的相邻实体;

步骤S3:使用变分图自编码器对知识图谱的项目进行增强,得到项目的均值向量和方差向量,然后通过两次采样,生成项目的两个潜在表示,并通过解码器重构得到两个知识图谱;其中,使用图注意力网络(GAT)作为变分图自编码器(VGAE)的编码器;得到的项目均值向量和方差向量的表达式分别为:;

其中,X表示初始项目节点的特征矩阵,A表示邻接矩阵;表示图注意力网络的求均值运算,表示图注意力网络的方差运算;

项目的两个潜在表示分别为:

,

其中,和 分别表示两次采样的得到项目的潜在表示,和分别表示两次采样的噪声向量,表示元素级的乘法操作;

步骤S4:根据得到的两个知识图谱,在交互图中执行图对比学习,通过对比损失优化用户和项目的表示;

步骤S5:根据优化目标来更新模型中所有待学习的参数;所述优化目标包括BPR损失与总对比损失;

步骤S6:根据优化后的模型得到用户与项目的最终嵌入表示与,计算用户与项目的预测交互概率,根据预测交互概率生成推荐项目。

2.根据权利要求1所述的基于变分图自编码器去噪的推荐方法,其特征在于,所述步骤S2中,注意力系数的计算公式为:;

其中,表示关系的嵌入表示。

3.根据权利要求1所述的基于变分图自编码器去噪的推荐方法,其特征在于,所述步骤S2中,采用TransE方法,将预测向量作为向量的表示,通过最小化其与真实向量之间的距离来更新实体与关系语义的嵌入表示和。

4.根据权利要求2所述的基于变分图自编码器去噪的推荐方法,其特征在于,所述步骤S2中,采用的优化损失为:;

其中,表示知识图谱的优化损失,表示三个向量之间的相似性度量函数,是通过将中的项目进行随机替换而构成的负采样三元组;表示三个向量之间的相似性度量函数。

5.根据权利要求1所述的基于变分图自编码器去噪的推荐方法,其特征在于,所述步骤S4中,在交互图中执行图对比学习时,采用经典的轻量级图卷积神经网络LightGCN模型对两个交互图上用户和项目的嵌入表示进行加权聚合,其图卷积传播的计算过程如下:其中,和分别为在第层传播时用户和项目的嵌入表示,为用户购买过的项目集合,为购买过项目的用户集合;

轻量级图卷积神经网络LightGCN模型采用的对比损失为:;

其中,表示正例对或负例对之间的余弦相似度,为温度系数,用于模型控制对负样本的区分度, 分别表示节点n在两个知识图谱中的嵌入表示,分别表示节点n’在两个知识图谱中的嵌入表示。

6.根据权利要求1所述的基于变分图自编码器去噪的推荐方法,其特征在于,所述步骤S5中,优化目标的计算公式为:,

其中,表示BPR损失,表示总对比损失,为超参数,为正则化参数,表示对待学习的参数通过L2范数来进行正则化;

BPR损失的计算公式为:

,

其中,与分别表示用户与项目之间的交互概率的预测值。

7.根据权利要求1所述的基于变分图自编码器去噪的推荐方法,其特征在于,所述步骤S6中,用户与项目的交互概率的计算公式为:;

其中,表示用户与项目之间的交互概率的预测值,为Sigmoid激活函数。

8.一种基于变分图自编码器去噪的推荐系统,其特征在于,包括:图构建模块:用于根据用户与项目的交互评分信息来构建用户-项目的二部交互图;同时根据项目的辅助信息,构建知识图谱;

图嵌入初始化模块:用于对知识图谱中的项目节点进行图嵌入初始化,基于关系感知知识聚合机制对知识图谱中的实体和关系进行编码,并生成项目节点的嵌入表示;生成公式为:;

其中,和分别为项目节点i和实体e的嵌入表示,表示项目节点i通过关系传播到实体e的注意力系数;为知识图谱中不同类型的关系的项目的相邻实体;

变分图生成模块:用于使用变分图自编码器对知识图谱的结构进行增强,得到项目的均值向量和方差向量,然后通过两次采样,生成项目的两个潜在表示,并通过解码器重构得到两个知识图谱;其中,变分图生成模块使用图注意力网络(GAT)作为变分图自编码器(VGAE)的编码器;得到的项目均值向量和方差向量的表达式分别为:;

其中,X表示初始项目节点的特征矩阵,A表示邻接矩阵;表示图注意力网络的求均值运算,表示图注意力网络的方差运算;

项目的两个潜在表示分别为:

,

其中,和 分别表示两次采样的得到项目的潜在表示,和分别表示两次采样的噪声向量,表示元素级的乘法操作;

图对比学习模块:用于根据得到的两个知识图谱,在交互图中执行图对比学习,通过对比损失优化用户和项目的表示;

联合优化模块:用于根据优化目标来更新模型中所有待学习的参数;所述优化目标包括BPR损失与总对比损失;

预测输出模块:用于根据优化后的模型得到的用户与项目的最终的嵌入表示与,计算用户与项目的交互概率。