[发明专利]基于图卷积技术的推荐系统

说明书

一种基于图卷积技术的推荐系统，包括：预处理模块、异构图生成模块、模型训练模块以及推荐结果生成模块，其中：预处理模块将用户与物品的交互记录进行数据清洗和格式的标准化操作，并对每个用户生成交互序列后输出至异构图生成模块；异构图生成模块根据用户的交互序列数据构建表征用户偏好、物品间依赖关系和用户间相似性的三个异构图并将生成的图结构数据输出至模型训练模块；模型训练模块基于图结构数据训练图卷积模型，并对每个用户和物品生成向量表达；推荐结果生成模块根据向量表达计算用户对所有物品的偏好情况，并生成最终推荐结果。本发明解决了每个节点邻居数目不等的问题，利用卷积操作挖掘了异构图中节点邻居的信息，提升了推荐的效果。

技术领域

本发明涉及的是一种信息处理领域的技术，具体是一种使用图卷积技术，对用户和物品的交互数据进行挖掘，实现对用户的个性化物品推荐的系统。

背景技术

推荐系统。根据使用的数据类型，推荐系统主要可以分类为基于内容的推荐和协同过滤推荐。前者是基于用户的个人信息和物品的内容信息，进行推荐系统的建模。协同过滤技术则是基于用户与物品交互的历史记录，建模用户对物品的偏好情况。一般来说，协同过滤技术，包括矩阵分解方法，得到的推荐效果要好于基于内容的推荐方法。协同过滤技术使用二维矩阵来表示用户和物品的交互情况。然而，这种简单的用户-物品矩阵只是记录用户和物品的交互情况，却丢失了原始交互序列记录中包含的物品的依赖关系和用户行为上的相似性信息。

为了利用交互序列数据中的物品依赖关系，研究人员提出对时间序列进行建模，提出了马尔科夫链、张量分解、循环神经网络等模型。但是还没有研究基于交互序列数据，同时包含用户对物品的偏好、物品间的依赖关系和用户的行为相似性这三种信息。

图卷积技术。受卷积神经网络在图像处理、自然语言处理和语音识别等领域成功应用的影响，许多研究人员开始探索卷积操作在更广泛的领域的应用，如图结构上使用卷积操作挖掘局部信息。然而，将卷积操作应用到图结构的数据上需要解决每个节点邻居数目不同的问题。现有的图卷积技术包括在频域和空间卷积两种技术。基于频域的技术是使用图的拉普拉斯矩阵的特征向量，构建频域，来完成卷积操作。这种方式比较依赖于图的结构，即图的结构不能随时间变化。空间卷积技术通过使用随机游走、选取最近的N个邻居的等方式解决不同节点邻居数目不同的问题。

发明内容

本发明针对现有的基于用户和物品交互数据的推荐系统，往往只使用了用户对物品的偏好或者物品之间依赖关系中的一种信息的不足，提出一种基于图卷积技术的推荐系统，能够挖掘用户对物品偏好、物品之间依赖关系和用户相似性三种信息；通过将用户和物品的交互序列数据转换成三种异构的图结构数据，解决了每个用户的交互序列长短不一致的问题，同时保留了交互数据中的三种信息；将卷积操作应用于异构图，挖掘了异构图中节点邻居的信息；通过设计池化操作和卷积操作解决了卷积神经网络应用于图结构数据面临的节点邻居数不同的问题。

本发明是通过以下技术方案实现的：

本发明涉及一种基于图卷积技术的推荐系统，包括：预处理模块、异构图生成模块、模型训练模块以及推荐结果生成模块，其中：预处理模块将用户与物品的交互记录进行数据清洗和格式的标准化操作，并对每个用户生成交互序列后输出至异构图生成模块；异构图生成模块根据用户的交互序列数据构建表征用户偏好、物品间依赖关系和用户间相似性的三个异构图并将生成的图结构数据输出至模型训练模块；模型训练模块基于图结构数据训练图卷积模型，并对每个用户和物品生成向量表达；推荐结果生成模块根据向量表达计算用户对所有物品的偏好情况，并生成最终推荐结果。

所述的交互序列是指用户和物品交互记录的时间序列。

本发明涉及上述系统的实现方法，具体包括以下步骤：

步骤1、数据预处理：对用户和物品交互的数据进行数据清洗以去除掉可能存在噪声数据，同时将交互的记录整理成相同的格式，并在数据清洗完成后根据记录的时间戳进行排序，从而为每个用户生成交互的序列。