[发明专利]一种基于改进的图卷积神经网络的物品评分预测方法

权利要求书

1.一种基于改进的图卷积神经网络的物品评分预测方法，其特征在于，该方法具体包括以下步骤：

S1：获取用户对物品的历史评分、用户的个人信息，以及物品的属性信息；

S2：构造用户-物品，用户-用户，物品-物品关系图；

S3：利用改进的图卷积神经网络提取多种关系图中节点的结构和内容特征；具体是将关系图输入图卷积神经网络中，学习用户和物品的特征表示向量H_u,H_v；改进的图卷积神经网络，包含有图卷积层和全连接神经网络层，具体包括：

1)图卷积层：将图上的节点作为模型的输入向量x∈R^N，并将其视为一种图上的信号；表示正则化的图拉普拉斯矩阵，其中，I表示单位矩阵，A∈R^N×N表示邻接矩阵，D_ii＝∑_jA_ij表示图中节点的度矩阵；将L分解为L＝UΛU^T，U＝[u₀,…,u_N-1]∈R^N×N表示正交特征向量，Λ＝diag([λ₀,…,λ_N-1])∈R^N×N表示非负特征值；根据频域上的卷积定理，一个信号与滤波器g_θ＝diag(θ)在图上的卷积为：

g_θ*x＝Ug_θU^Tx (2)

利用K阶多项式来近似计算g_θ来简化计算，得到：

其中，Θ∈R^K是多项式的系数，将其代入方程(2)，根据(UΛU^T)^k＝UΛ^kU^T，得到：

其中，Θ_k表示多项式第k项的系数；

为防止发生过拟合，简化多项式的系数参数，并在邻接矩阵和度矩阵中加单位矩阵I，得到改进的图卷积网络层的计算公式：

其中，Θ′表示模型中可学习的参数；

2)全连接神经网络层：对特征进行非线性融合，

H＝σ(WZ+b)

其中，W表示参数矩阵，b表示偏置，σ表示非线性激活函数，采用ReLU函数；

S4：选择神经网络模型融合节点的多种特征信息；

S5：根据用户和物品的特征表示，预测用户对物品感兴趣的概率；

S6：利用训练集和验证集训练模型；

S7：利用训练好的模型预测用户对物品的评分。

2.根据权利要求1所述的物品评分预测方法，其特征在于，所述步骤S1具体包括以下步骤：

S11：获取用户对物品的评分数据，用户的年龄、性别、职业、邮编，物品的属性、类别，并根据用户ID和物品ID组成评分矩阵、用户特征矩阵和物品特征矩阵；

S12：划分数据集：随机选取80％作为训练集，20％作为测试集，再选取训练集的10％作为验证集。

3.根据权利要求2所述的物品评分预测方法，其特征在于，所述步骤S2具体包括以下步骤：

S21：根据用户的年龄、性别、职业和邮编计算用户之间兴趣的相似关系图G₁＝{(u_i,t_ij,u_j)|u∈U,0≤t_ij≤1}，其中，u表示用户，t表示用户之间兴趣的相似程度；根据物品的属性和类别计算物品之间的相似关系图G₂＝{(v_i,t_ij,v_j)|v∈V,0≤t_ij≤1}，其中，v表示物品，t表示物品之间的相似度，表达式为：

其中，f表示用户个人信息/物品属性的初始特征向量，sum表示向量的各个元素相加；

S22：根据用户对物品的评分数据构建用户-物品交互二分图G₃＝{(u,y_uv,v)|u∈U,v∈V,y_uv∈(1,2,…,r)}，其中，y表示用户对物品的评分值，U、V分别为用户和物品的集合，r为用户对物品的评分值。