[发明专利]基于图神经网络的多关系协同过滤算法

权利要求书

1.一种基于图神经网络的多关系协同过滤方法，其特征在于，包括：

步骤1，对用户与物品的历史交互数据进行处理，从中抽取所有用户序列S^U和物品序列S^I；

步骤2，分别将每个用户序列S^U和每个物品序列S^I分别构造为用户关系图G^U＝(V^U,E^U)和物品关系图G^I＝(V^I,E^I)，其中，V^U为用户关系图中的所有用户节点，E^U为用户关系图中的用户节点之间边的集合，V^I为物品关系图中的所有物品节点，E^I为物品关系图中的物品节点之间边的集合；

步骤3，同时将用户ID、物品ID和对应的用户关系图G^U、物品关系图G^I输入到MRCF模型中，通过初始化嵌入矩阵分别将用户ID、物品ID、用户关系图中的用户节点和物品关系图中的物品节点映射为嵌入向量，分别表示为e_u∈R^d、e_i∈R^d、和其中，d表示嵌入向量的维度；具体包括：

MRCF模型设置有输入与嵌入层、关系化图神经网络、简单点积注意力机制、交互层和预测层；

输入与嵌入层分别将一个用户ID映射为一个嵌入向量和一个物品ID映射为一个嵌入向量，符号分别为e_u∈R^d和e_i∈R^d，并将用户关系图和物品关系图中节点的嵌入向量分别描述为和其中，d表示嵌入向量的维度；通过构造一个参数矩阵，实现一个嵌入向量的查找表如下所示：

其中，u表示用户，i表示物品，M和N分别表示用户和物品的数目；

步骤4，对步骤3中得到的用户关系图和物品关系图中的节点嵌入向量和通过关系化图神经网络来学习用户关系图中的用户节点之间的复杂关系和物品关系图中物品节点之间的复杂关系，得到不断更新之后的节点嵌入向量和

步骤5，对于步骤4得到的所有节点更新之后的嵌入向量和可以组成用户关系图的嵌入矩阵G_u和物品关系图的嵌入矩阵G_i，再通过简单点积注意力机制学习不同历史用户节点关系对目标用户的影响和不同历史物品节点关系对目标物品的影响，并生成用户关系图和物品关系图的全局表示g_u和g_i；

其中，所述步骤5具体包括：

对于步骤4中所得到更新之后的图节点嵌入向量，提出了一种改进的点积注意力机制：简单点积注意力机制，显式的建模关系图对目标用户和目标物品的影响，并且赋予每个节点嵌入不一样的权重后汇聚生成关系图的动态全局表示，简单点积注意力机制的形式化表示如下所示：

其中，Q,K,V分别代表向量矩阵，Q表示queries，k表示keys，V表示values，W_q表示用于映射的参数矩阵，表示缩放因子，为了防止点积操作产生过大的输出值将Softmax函数推入梯度极小的区域；

使用当前的用户嵌入向量e_u或物品嵌入向量e_i作为Q，用户关系图或物品关系图中的节点嵌入同时作为k和V，用户关系图中节点的嵌入矩阵可以被定义为物品关系图中节点的嵌入矩阵可以被定义为因此，注意力函数的输入中Q等同于用户的嵌入向量e_u或物品的嵌入向量e_i，K和V等同于用户关系图中的节点嵌入矩阵G_u或者物品关系图中的节点嵌入矩阵G_i，关系图中节点嵌入向量对当前用户或者物品的影响可以用以下公式计算：

g_u＝Attention(e_u,G_u,G_u) (9)

g_i＝Attention(e_i,G_i,G_i) (10)

其中，e_u或e_i等同于公式(8)中输入的Q，g_u或g_i等同于公式(8)中输入的K和V，G_u表示用户关系图中节点的嵌入矩阵，G_i表示物品关系图中节点的嵌入矩阵；

步骤6，对于步骤3得到的用户ID和物品ID的嵌入向量e_u和e_i，步骤5得到的对应的用户关系图和物品关系图的全局表示g_u和g_i，将用户关系图的全局表示g_u和用户ID的嵌入向量e_u相连接，将物品关系图的全局表示g_i与物品ID的嵌入向量e_i相连接；

步骤7，通过训练模型，最小化模型的损失函数，计算出损失函数的梯度，通过梯度的反向传播优化模型的参数，生成推荐模型。