[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

说明书

本发明提供一种基于二元信息网络的多视角注意力推荐算法，该算法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；对生成路径采用CNN和max‑pooling操作，提取对应的路径向量；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；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；将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。

技术领域

本发明涉及图神经网络领域，更具体地，涉及一种基于二元信息网络的多视 角注意力推荐算法。

背景技术

近年来，随着互联网经济的蓬勃发展，推荐算法被应用到人们生活中的方方 面面，如何高效地实现面向用户的个性化推荐成了很多企业的一个重要研究方向。 在常用的推荐算法中，有一种方法被应用到大多数场景中，那就是协同过滤算法， 它又可以分为基于内容的协同过滤(例如基于用户或者商品的KNN算法)和基 于模拟交互行为的协同过滤(例如基于矩阵分解的协同过滤)，其中后者效果尤 为明显，它在得到大量的关注的同时，也被发现存在一个很大的问题，即如何更 好的模拟用户与商品的交互信息，例如矩阵分解算法采用矩阵点乘方式进行模拟， 该方法在模拟非线性关系时表现较差。而随着神经网络的兴起，多层感知机被应 用到协同过滤算法中，其中就诞生了基于神经网络的矩阵分解推荐算法，采用该 算法后，之前提到的问题得到很大的缓解。

但是，基于这种模拟交互行为的协同过滤仍存在一个问题—没有对用户与商 品交互行为进行深层次的挖掘与利用。例如，在一个只由用户与商品的交互信息 组成的关系网中，在用户1和商品1之间可能存在一条连接路径为用户1→ 商品2→用户2→商品1，这条路径表示了用户1可能对商品1更感兴趣，因为 和用户1购买过相同商品的用户2也购买过商品1。这样的信息即可以理解为用 户与商品交互行为中所蕴含的深层次信息，它们显然是普遍存在的，而前面提到 的协同过滤算法是无法考虑到这些信息的。

发明内容

本发明提供一种推荐效果较好的基于二元信息网络的多视角注意力推荐算 法。

为了达到上述技术效果，本发明的技术方案如下：

一种基于二元信息网络的多视角注意力推荐算法，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。

进一步地，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；