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: 2024118614069
申请人: 安徽大学
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:

1.一种基于引导扩散模型增强的图编码器的推荐方法,其特征在于,包括以下步骤:S1、将用户-物品交互网络建模为二部图G=(V,E),其中节点集V表示交互网络中的用户和物品,边集E表示用户与物品之间的交互行为;初始化用户-物品交互邻接矩阵,并对其进行归一化处理,生成用于模型推理阶段的拉普拉斯矩阵;

S2、从结构层面增强监督信号,具体来说,基于用户点击行为信息及物品热门程度,自适应地为每个点击行为计算掩码概率,生成部分可见的掩码二部图,作为模型训练过程中的掩码图编码器输入;

S3、从语义层面进一步增强监督信号,具体来说,利用掩码图编码器生成用户和物品的表征,通过加入有向噪声并引入协同信号引导的扩散模型进行去噪处理;

S4、在推理阶段,使用图编码器生成用户和物品表征,并通过训练好的扩散模型优化表征的语义信息,最终为每位用户预测可能点击的物品。

2.根据权利要求1所述的一种基于引导扩散模型增强的图编码器的推荐方法,其特征在于,在步骤S1中,将用户-物品交互网络建模为二部图G=(V,E),其中节点集V表示交互网络中的用户和物品,边集E表示用户与物品之间的交互行为,初始化用户-物品交互邻接矩阵,具体步骤如下:S11、确定用户-物品的交互邻接矩阵A:

式中,R是用户-物品的交互矩阵,T表示转置,0表示全零矩阵,M和N分别表示用户和物品的数量;

S12、归一化用户-物品交互邻接矩阵,计算用于图卷积过程中的拉普拉斯矩阵式中,A是交互邻接矩阵,D是邻接矩阵度对角矩阵。

3.根据权利要求1所述的一种基于引导扩散模型增强的图编码器的推荐方法,其特征在于,在步骤S2中,从结构层面增强监督信号,具体步骤如下:S21、通过扰动原始用户-物品的G=(V,E)的交互边,得到被掩码的交互图,构造掩码的图编码器:εo=εr+εm,

式中,ε代表边集合,是一个0和1组成的掩码向量,o、r、m分别代表原始边集、剩下的边集合和被掩码的边集合;对原始边集与掩码向量做点积操作,得到剩余边集合;

S22、掩码向量由自适应的掩码策略得到:

式中,u代表一个用户,i代表一个物品,(u,i)表示一条交互边;m是掩码向量中的一位,取值范围是{0,1},代表对应的边是被掩码还是保留;p表示每一条在原始图的边的自适应概率,Bernoulli是伯努利分布,即掩码m使用每一条边的自适应概率从伯努利分布抽样得出;

S23、计算每一条边的自适应概率p:

式中,scr表示边计算得到的自适应分数,degree表示用户或者物品节点的度数,即边自适应分数又边两端节点的度数计算得出;

式中,l代表最低的概率超参数,h代表最高的概率超参数,min表示scr的最小值,max表示scr的最大值,即通过对自适应分数的归一化得到自适应概率,并通过超参数控制概率的上下界;

S24、使用步骤S22得到的掩码向量之后,可以得到掩码图,在训练阶段使用掩码图作为图编码器,通过邻居聚合公式,得到用户和物品的嵌入表示:式中,u(l)表示用户第l层的嵌入表示,表示掩码图,u(l-1)表示用户第l-1层的嵌入表示,N表示节点的邻居节点;通过此公式,得到每层的嵌入表示;

S25、通过掩码图编码器得到用户和物品的每一层图卷积嵌入表示之后,通过聚合每一层表示得到最终的用户和物品表示:式中,ue是用户最终的嵌入表示,L表示图卷积的层数。

4.根据权利要求3所述的一种基于引导扩散模型增强的图编码器的推荐方法,其特征在于,在步骤S3中,从语义层面增强监督信号,具体步骤如下:S31、在步骤S25中通过掩码图编码器得到的最终用户和物品嵌入之后,通过放缩的有引导的扩散模型去做语义级别的重构任务,使用有向的加噪策略进行扩散模型的前向过程:式中,ut表示加噪第t步的用户表示,α表示(0,1)之间的值,是对噪声大小的控制,是而∈d是加入对有向随机噪声;

S32、为了加入适应用户和物品嵌入各向异性的特性,对扩散前向过程的随机噪声做了限制,限制成有向噪声,其公式为:式中,sign是符号函数,即使得噪声方向与用户或者物品嵌入的方向对齐,是各向异性的高斯噪声,具体如下:式中,∈是随机的高斯噪声,μ和σ分别是用户及物品嵌入表示的均值和方差;

S33、在步骤S32之后,得到t时刻的用户与物品嵌入,进行扩散模型的反向过程:式中,是通过重构后的t时刻对用户嵌入表示,表示的是正态分布,μθ和∑θ是去噪神经网络确定的高斯分布参数,用户和项目之间共享可学习参数θ;

S34、在步骤S33中得在扩散模型的反向过程中,需要学习一个去噪模型去拟合分布的均值和方差,使得去噪模型可以从t时刻去噪为t-1时刻;均值拟合公式如下:式中,uet通过步骤S31的前向过程公式直接得到,α则是人为规定的超参数,模型拟合ue0,即模型需要拟合最初始0时刻对用户或者物品表征;

S35、使用有引导的去噪模型在来个条件下分别来完成重构任务:式中,MLP是多层感知机,通过MLP重构后得到是t时刻的用户嵌入,t是代表时刻的输入,与分别是条件嵌入和无条件嵌入,无条件嵌入由全0向量表示,而条件嵌入公式如下:式中,Iu是用户u的交互记录,ie是物品的表征,即重构用户表征的条件嵌入是用户的历史交互,使用用户的偏好去引导去噪重构的过程。

5.根据权利要求4所述的一种基于引导扩散模型增强的图编码器的推荐方法,其特征在于,所述S4步骤,具体如下:S41、通过步骤S21-S25,得到最终的用户和物品的嵌入表示,再通过结构重构的损失函数进行反向传播更新嵌入参数:式中,表示推荐损失,u表示用户,i+与i-分别表示用户交互过的物品和没有交互过的物品(正负样本),σ表示sigmoid函数,和表示用户对正负样本对评分,表示原始用户物品交互图;

式中,ue和ie分别表示用户和物品的嵌入表示,T表示转置;评分由用户和物品嵌入转置的点积得到,用于计算损失和最后预测排序;

S42、执行步骤S31-S35,通过有引导的扩散模型做语义重构,再通过计算重构损失并反向传播更新参数:式中,和分别是条件重构损失和无条件重构损失;通过MLP重构的与ue使用均方误差作为损失函数,最后语义级别的重构损失为:式中,是最终的语义级的损失,由条件重构损失和无条件重构损失的平均得到;

S43、重复执行步骤S41-S42,直到整个推荐模型参数收敛为止;在模型的推理阶段,使用放缩的引导策略,更进一步的优化用户和物品的嵌入表示,最终通过用户和物品嵌入的点积预测评分并排序:式中,和分别是条件重构和无条件重构下的用户嵌入表示,最终的还原的用户嵌入由放缩引导的去噪得到。