[发明专利]一种基于二元信息网络的多视角注意力推荐算法

权利要求书

1.一种基于二元信息网络的多视角注意力推荐算法，其特征在于，包括以下步骤：

S1：从二元信息网络中生成高质量的、从目标用户到目标商品间的多条路径；

S2：对生成路径采用CNN和max-pooling操作，提取对应的路径向量；

S3：将生成的多种路径向量通过attention机制进行加权合并，得到一个可以对应目标用户和目标商品对的路径合并向量；

S4：同样通过attention操作，利用S3生成的对应路径合并向量更新用户向量和商品向量；

S5：将S3和S4生成的路径合并向量、用户向量和商品向量进行拼接，传输到多层感知机进行训练，即可获得最后的打分预测。

2.根据权利要求1所述的基于二元信息网络的多视角注意力推荐算法，其特征在于，所述步骤S1的具体过程是：

S11：进行数据预处理，通过用户商品交互矩阵生成用户-用户相似矩阵和商品-商品相似矩阵，在利用BPR-MF模型生成用户矩阵和商品矩阵，两个矩阵包含每个用户和商品对应的隐向量，设该向量长度为d；

S12：首先确定要生成的路径的起点与终点，即目标用户和目标商品，然后决定生成的路径蕴含的条数，一般选用3跳路径，即一条路径包含4个点，根据已有信息，可以得知3跳路径有4种可能组合：UUUI，UIUI，UUII，UIII，其中，U表示用户，I表示商品；

S13：在计算其中一种组合路径的所有候选路径的相似度之后，设定合适的阈值后，将相似度低于阈值的杂质路径过滤掉，剩余路径可根据路径相似度排序选出前5个路径出来作为该种组合下的候选路径组；

S14：重复步骤S13，得到4种组合路径下的候选路径组，每组都至多有5条候选路径。

3.根据权利要求2所述的基于二元信息网络的多视角注意力推荐算法，其特征在于，所述步骤S13中计算每条符合条件的路径的相似度的的过程是：

1)、设路径中每条边对应的两个点n₁和n₂向量之间余弦相似度为计算出路径中所有边的相似度后对其的平均值，设为avg_(n:)，那么边(n1,n2)的相似度sim_(n1,n2)可用如下公式求得：

2)、求边(n1,n2)的置信度cf_(n1,n2)，即计算边起点n1的出度d_n1和终点n2的入度d_n2，d_n1大，意味着该点的出度边较多，每条边的重要性较低，相反则意味着每条边重要性较大；以此类推，d_n2小，意味着每条入度边的重要性较大，即d_n1和d_n2的大小与边的置信度呈现反相关，通过试验，用如下公式来模拟该关系：

3)、将边的相似度sim乘以边的置信值cf即可得到该边的相似度，将3条边的相似度相加得到对应路径的相似度V(p)，路径相似度公式如下所示：

4)、之后选取前5个V(p)最大的路径作为对应路径组的候选路径即可。

4.根据权利要求3所述的基于二元信息网络的多视角注意力推荐算法，其特征在于，所述步骤S2的具体过程是：

S21：将每种组合路径下的5条候选路径分别转化为5个路径矩阵，将其中一条路径中每一个点对应的d维向量选出来，再对其进行纵向拼接成一个4*d矩阵然后采用CNN对该矩阵进行信息提取获得对应一条路径的特征向量ρ_k；

S22：采用同样的方法即可获得同一种路径组合下的5条候选路径所对应的5个路径向量，再采用max-pooling操作对其进行信息合并，即可获得一组路径组合所对应的路径向量；具体计算公式如下：

S23：重复S21和S23，就可获得4组不同的路径组合对应的4种不同的路径向量，称其为路径组向量。