[发明专利]一种基于Mask机制和层次注意力机制的推荐方法

说明书

本发明涉及一种基于Mask机制和层次注意力机制的推荐方法，包括：获取节点数据集U和项目数据集I；将U和I输入上下文描述层得到序列S^u和Sⁱ，经过处理得到节点向量和项目向量和融合后得到第i个节点u在I中的嵌入向量将所有节点的嵌入向量组成向量集Z；计算与第i个节点u关系密切的L阶邻居节点v的k头注意力系数根据v的嵌入向量计算节点u的k头注意力将聚合得到第i个节点u的聚合注意力向量将与拼接并线性化，得到第i个节点u的推荐向量将所有节点的推荐向量组成向量集Z'；根据Z和/或Z'获得目标节点的项目推荐列表。不仅提高了推荐准确度，还提高了网络的灵活性，解决冷启动问题，且模型更为简单，进行推荐时所耗时间也更少。

技术领域

本发明涉及兴趣推荐领域，尤其涉及一种基于Mask机制和层次注意力机制的推荐方法。

背景技术

随着人们日常生活节奏的加快，以实用的方式快速获取有用的信息可以节省大量的时间，推荐系统在信息过滤中起着至关重要的作用。数据稀疏性、冷启动和推理问题一直是影响推荐质量的三大问题，协同过滤推是主流的传统推荐算法，但是由于数据的稀疏性，严重影响了推荐质量。基于神经网络的协同过滤推荐方法(如CNN，RNN等)缓解了数据稀疏性的问题。此外，基于社交网络的方法可以有效的为新用户，新物品和新商店提供推荐，在冷启动问题上有很大的改善。

在社交网络中，大多数用户之间存在着显性或隐性的关系，这些关系影响着彼此的行为，社交媒体的广泛存在极大地丰富了网络用户的社交活动，产生了丰富的社会关系，融合这些社会关系提高了推荐系统的质量。近年来，研究者们提出了大量基于社交网络的推荐系统，一些社交推荐系统将社交关系同质化。然而，由于用户在两个领域的行为和交互方式不同，它可能会限制用户在各个领域的表示学习。在一些研究中学习了在两个域中分离的用户表示，然后将信息从社交域转移到项目域以提供推荐。这些研究考虑了两个领域的异构性，但由于两个领域固有的数据稀疏性问题，对表示形式的学习具有挑战性。更多的推荐系统考虑了在线社交网络中的连接本质上是异构的问题，将社交网络分为用户域和项目域两个部分，但是对于两个领域的特征学习并不丰富。

基于深度学习的最新进展，特别是图卷积网络(GCN)的发展，能够很容易的聚合社交网络中的特征信息，基于图卷积神经网络的推荐系统在推荐质量上超过了以前的推荐算法。然而图卷积为同阶邻节点分配相同的权重，且聚合特征时依赖于整个图，局限了图的灵活性和泛化能力。在此基础上，提出了图注意力网络，图注意力网络用注意力机制对邻近节点特征加权求和，邻居节点的特征权重与节点本身相关，各不相同。然而不论是图卷积神经网络还是图注意力网络，社交网络中的节点都在同一个域中进行聚合，在网络规模较大时，训练时间都较长。

发明内容

本发明为了解决现有技术的不足，提出了一种基于Mask机制和层次注意力机制的推荐方法，结合社交网络信息和用户的行为信息，不仅提高了推荐准确度，还提高了网络的灵活性，解决用户冷启动和冷启动问题，并且模型也更为简单，进行推荐时所耗时间也更少。

本发明为解决技术问题采用如下技术方案：

一种基于Mask机制和层次注意力机制的推荐方法，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合成向量集Z；