[发明专利]一种基于Mask机制和层次注意力机制的推荐方法

权利要求书

1.一种基于Mask机制和层次注意力机制的推荐方法，其特征在于，包括以下步骤：

步骤S1.将社交网络划分为社交域和项目域，获取社交域中的节点信息作为节点数据集U；获取项目域中的项目信息作为项目数据集I；

步骤S2.构建Context-NE网络，将所述节点数据集U和所述项目数据集I分别输入上下文描述层将信息数据转换为向量并构成序列S^u和序列Sⁱ，然后经过卷积层和池化层处理得到节点向量和项目向量

步骤S3.将所述节点向量和所述项目向量融合后得到第i个节点u在项目数据集I中的嵌入向量将所有节点的嵌入向量组成嵌入向量集Z；

步骤S4.将所述嵌入向量集合Z输入图卷积网络，计算与第i个节点u关系密切的L阶邻居节点v的k头注意力系数然后根据邻居节点v的嵌入向量计算节点u的k头注意力

步骤S5.将所述通过聚合注意力层进行聚合，输出第i个节点u的聚合注意力向量

步骤S6.将第i个节点u的嵌入向量与聚合注意力向量进行拼接并线性化，得到第i个节点u的推荐向量将所有节点的推荐向量组合成推荐向量集Z'；

步骤S7.根据所述嵌入向量集Z和/或所述推荐向量集Z'获得目标节点的项目推荐列表；

其中，在训练所述Context-NE网络和图卷积网络时引入Mask机制。

2.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：在训练所述Context-NE网络和图卷积网络时引入Mask机制，具体包括如下内容：

根据社交网络的大小随机mask网络中不同比例的节点和\或项目，对被mask节点和\或项目采取以下三种方式中的一种进行处理：

随机采样与被mask节点和\或项目关系密切的邻居节点和\或项目的特征作为被mask节点和\或项目的特征；

随机采样非邻居节点和\或项目的特征表示被mask节点和\或项目的特征；

对被mask节点和\或项目的特征不做处理。

3.如权利要求1或2所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：将新加入网络的节点和/或项目作为被mask节点和/或项目。

4.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：步骤S2所述经过卷积层和池化层处理得到节点向量和项目向量的具体步骤如下：

步骤S21.将所述序列S^u和所述序列Sⁱ输入拥有M个卷积核的卷积网络进行局部特征提取，分别得到向量和向量其表达式分别为：

其中，K_m表示第m个卷积核，b_m表示偏置参数；

步骤S22.将所述向量和所述向量经过池化层处理后，得到节点向量和项目向量其中，i表示节点数据集U中第i个节点，ij表示项目数据集I中与第i个节点相关的项目j。

5.如权利要求1所述的基于Mask机制和层次注意力机制的推荐方法，其特征在于：所述步骤S3.将所述节点向量和所述项目向量融合后得到第i个节点在项目数据集I中的嵌入向量的具体方法为：

其中，表示节点数据集U中第i个节点的节点向量，表示项目数据集I中与第i个节点相关的项目j的项目向量，W_ij为权重参数，b_ij为偏置参数；

r_ij表示第i个节点对项目j的偏好程度，其表达式为：

其中，check_j表示第i个节点与项目j的交互次数，check_i表示第i个节点与所有项目的总交互次数。