1.一种融合超图和上下文信息的智能推荐验证方法,其特征在于,包括以下步骤:S1,从用户物品的交互图中提取到偏见物品特征,物品流行度特征和物品语义特征,将个体与邻居节点的偏见物品特征,物品流行度特征和物品语义特征进行结合,再采用超图卷积对用户和物品的表示进行编码,得到编码后的嵌入,所述编码后的嵌入包括用户的嵌入表示和物品的嵌入表示;
S2,将编码后的嵌入采用超图卷积进行超图卷积增强,得到经过超图卷积优化的用户嵌入表示和物品的嵌入表示;然后计算用户推荐交互物品的评分,将评分降序排列生成相关候选物品的推荐列表;所述超图卷积增强包括:S2-1,通过多层卷积传播提取特征信息增强用户嵌入表示:,
其中,是第个卷积层增强后的输出;
是ELU激活函数;
为对称归一化邻接矩阵;
为二部图邻接矩阵;
表示对角矩阵;
是卷积传播的参数权重矩阵;
S2-2,使用超图卷积对用户的上下文表示建模,通过从超图中的用户超编学习上下文表示,增强卷积过程中的信号传播,根据引入的超图信息调整临界矩阵和特征矩阵,选择用户对应的特定的行和列;
,
其中,是用户的超边;
是转置符号;
是L2正则化计算;
是自注意力机制中的维度;
是ELU激活函数;
,,分别代表注意力机制中的查询、键和值矩阵;
、是对应的参数权重矩阵;
是控制注意力程度的超参数;
S2-3,通过多头注意力机制聚合多个子空间信息:,
其中,是多头注意力机制中每个头的权重;
是注意力头的数量的取值;
是注意力头的总数量;
表示输入嵌入第l层经过不同注意力头数处理过后的结果;
S2-4,经过平均池化和归一化得到经过超图卷积优化的用户嵌入表示和物品的嵌入表示;
,
,
其中,是经过超图卷积优化的用户嵌入表示;
是先前已经处理好的嵌入;
是嵌入的选取属于用户物品交互序列内;
为绝对值符号;
表示用户与物品的历史交互序列;
是经过超图卷积优化的物品的嵌入表示;
为第个物品的嵌入表示,为与用户u交互的项目;
为符号函数;
为哈达玛积符号;
为原始用户物品交互图的用户个体偏见的嵌入向量;
为的模长。
2.根据权利要求1所述的一种融合超图和上下文信息的智能推荐验证方法,其特征在于,S1包括以下步骤:S1-1,将用户物品交互图信息转化为用户物品交互的嵌入表示,导出用户与物品的历史交互序列,确定与当前物品交互的用户,然后通过均匀分布的随机采样来获得物品的嵌入表示,其中物品的嵌入值在均匀分布范围内随机生成;
S1-2,在用户物品交互的历史行为序列中,根据与当前用户交互的物品,综合所有交互物品的嵌入向量,得到用户嵌入表示;
S1-3,综合与用户交互的物品的嵌入表示,是根据用户交互过程中的物品偏见特征、物品流行度特征以及物品语义信息,拟合有偏见的交互,从而得到最终的用户嵌入特征表示,获得用户物品交互特征的事件序列表示。
3.根据权利要求2所述的一种融合超图和上下文信息的智能推荐验证方法,其特征在于,所述用户的嵌入表示和物品的嵌入表示的计算公式如下:,
,
其中,为用户嵌入表示;
为物品的嵌入表示;
为第个物品的嵌入表示,为与用户u交互的项目;
为用户与物品的历史交互序列;
为原始用户物品交互图的用户个体偏见的嵌入向量;
为的模长;
为符号函数;
为哈达玛积符号;
为超图卷积;
为邻接矩阵;
为超图卷积编码表示。
4.根据权利要求1所述的一种融合超图和上下文信息的智能推荐验证方法,其特征在于,超图卷积增强的损失函数为:,
其中,为用户集合;
是用户对物品1交互的真实的标签向量;
是用户对物品交互的真实的标签向量;
......是对用户对物品1到物品的预测评分;
是sigmoid激活函数。
5.根据权利要求1所述的一种融合超图和上下文信息的智能推荐验证方法,其特征在于,还包括对比自监督优化:采用对比自监督学习方法对用户物品交互的多特征嵌入表示进行跨视图对比学习增强,学习不同节点的个性化特征防止偏见;并采用硬负监督对比学习损失优化策略,选取当前范围内标签不同但是相似的样本为负样本。
6.根据权利要求5所述的一种融合超图和上下文信息的智能推荐验证方法,其特征在于,所述对比自监督优化包括:首先,设计了一种基于随机概率的样本选择策略,用于计算正样本和负样本在样本集合中的分布概率,样本标签若属于当前样本集合,则被选取为正样本;否则,被视为负样本;并且在同一输入样本空间内;
,
其中,为正样本在不同条件下的概率分布;
、分别为正样本、负样本;
为样本;
为负样本在样本集合中不同条件下的概率分布;
表示选择正样本的概率分布;
表示选择负样本的概率分布;
、分别表示正样本集合和负样本集合;
在当前负样本选择结构下,进行困难负样本的选取工作:定锚点后,根据样本空间集合计算锚点与样本间的余弦相似度,构建困难负样本集合,并得到困难负样本选取的负概率分布:,
其中,是选取当前限定范围内即的负样本期望;
是当前条件样本选取的特定范围;
是自然基数为底数的指数运算;
是样本标签;
是样本标签集合;
为当前所选节点和锚点的相似度;
为控制采样硬度的阈值;
在结合相同锚点的样本空间下,选择与锚点相似但类型不同的样本的方法,以构建困难负样本集合并得到相应的负概率分布:,
其中,为在条件下的负样本选取的负概率分布;
样本的标签信息和锚点的标签信息被综合考虑;最终,将上述两种困难负样本集合相结合,构建了基于对比学习框架的困难负样本选择集合;这一集合在指定范围内选取负样本,满足两个条件:与锚点相似但具有不同标签类型,以及在指定选取范围内满足选取条件;
,
其中,为满足条件的困难负样本负概率分布;
、、分别表示样本选择过程中的不同限定范围。
7.根据权利要求6所述的一种融合超图和上下文信息的智能推荐验证方法,其特征在于,所述困难负样本的对比损失函数为:,
其中,表示求相似度;
是负样本数量;
是负样本索引;
表示属于当前限定范围内的困难负样本;
此外,通过更改加权方案平衡梯度,降低因为流行度高的物品影响用户真实偏好的推荐,此时,损失函数表示如下:,
其中,为平衡与用户交互的物品嵌入矩阵权重的超参数;
为哈达玛积符号;
为权重向量,用于对不同物品的损失进行加权;
为正则化系数控制正则化权重;
为用户集合;
为用户与物品的历史交互序列。
8.根据权利要求1所述的一种融合超图和上下文信息的智能推荐验证方法,其特征在于,计算用户推荐交互物品的评分公式如下:,
其中,表示对用户推荐交互物品的评分;
为内积运算;
为拼接运算;
计算时先各自进行拼接再进行内积运算;
、分别表示用户嵌入表示和物品嵌入表示;
表示调节流行度偏见影响的超参数;
和分别表示用户和物品的偏见向量。
9.根据权利要求1所述的一种融合超图和上下文信息的智能推荐验证方法,其特征在于,还包括通过计算召回率、精确率,累计增益、折损累计增益、归一化折损累计增益对生成的相关候选物品的推荐列表进行结果验证。