[发明专利]基于特征交互图神经网络的上下文感知推荐方法及系统

说明书

本发明公开了一种基于特征交互图神经网络的上下文感知推荐方法及系统，属于数据挖掘技术领域，本发明要解决的技术问题为如何提高推荐系统预测的准确性和可解释性，技术方案为：该方法具体如下：S1、从数据集中获取用户、项目及上下文的特征数据；S2、根据历史记录将数据集划分为上下文‑用户数据集和上下文‑项目数据集；S3、分别对上下文‑用户数据集和上下文‑项目数据集进行one‑hot编码和embedding嵌入；S4、构造上下文‑用户和上下文‑项目特征图；S5、分别对上下文‑用户特征图和上下文‑项目特征图中的节点进行初始化表示；S6、分别对上下文‑用户特征图和上下文‑项目特征图中的节点进行特征交互建模；S7、构建图神经网络输出层，得到预测结果。

技术领域

本发明涉及数据挖掘技术领域，具体地说是一种基于特征交互图神经网络的上下文感知推荐方法及系统。

背景技术

由于上下文信息对用户行为的影响，上下文感知推荐系统近年来引起了人们的广泛关注。在推荐系统中，建立模型来捕获用户的兴趣和与项目的交互是很重要的。然而，传统的推荐系统不考虑时间、地点和疲劳状态等上下文环境特征信息与用户/项目交互所产生的影响，而事实上，附加的上下文信息对所有类型的推荐系统都具有很强的支持性。例如，用户平时喜欢听一些电子类的激情歌曲，但当该用户晚上在家陪老婆并且身体比较放松的时候会听温暖的爱情歌曲，当该用户白天在公司陪客户并且比较紧张的时候会听一些舒缓的古典钢琴音乐。这个例子表明，在该用户选择音乐的时候会受到特定上下文环境特征(上述例子中上下文环境特征包括：时间、地点、陪伴的人和不同程度身体疲劳状态)的影响，因此在推荐系统中考虑上下文环境是必要的。特别注意，这里的压力比较大、身体比较放松和比较紧张表示身体不同的疲劳程度。

上下文环境的重要性在该领域已得到广泛承认。早期的研究大都是低阶特征交互建模方法，他们仅仅能获取特征间线性的关系，通过扩展潜在因素模型来整合上下文信息，通常将上下文视为些类似于用户和项目的附加维度，并捕获上下文和用户/项目之间的相关性。这类方法存在的问题是难以解释上下文对与用户/项目之间的复杂关系。为了解决这个问题，有人提出了一种新的基于用户和项目上下文感知表示的潜在因素模型，通过为给定上下文的用户/项目添加额外的潜在空间层来进行学习。也有人提出了上下文操作张量(COT)模型，该模型将上下文表示为一个潜在向量，上下文表示为一个张量。然而，上述方法都依赖于线性操作(即矩阵分解)对观测数据建立模型，只能获得特征间简单的低阶特征交互关系，实际上这种交互关系可能要更加复杂得多。

还有人提出通过设计不同的对象(用户、项目和上下文)和交互(上下文-用户交互、上下文-项目交互和用户-项目交互)来重新规划CARS任务，这使得不同类型的交互之间有了明显的区别。然后，受最近交互网络(IN)的发展启发，他们提出了一种新的神经模型，称为关注交互网络(AIN)，AIN探索了使用深度神经网络来模拟上下文对用户和项表示的交互影响。然而，AIN仅仅是将原始的多特征字段映射到共享的隐藏空间中，然后简单地将其连接到DNN中，以学习用户/项目和上下文环境间的高阶特征交互，因此功能字段的简单非结构化组合将不可避免地限制以足够灵活和显式的方式建模不同字段之间复杂交互的能力，因此这种高阶的特征交互关系也是不够准确。

综上所述，如何提高推荐系统预测的准确性和可解释性是目前亟待解决的技术问题。

发明内容

本发明的技术任务是提供一种基于特征交互图神经网络的上下文感知推荐方法及系统，来解决如何提高推荐系统预测的准确性和可解释性的问题。

本发明的技术任务是按以下方式实现的，一种基于特征交互图神经网络的上下文感知推荐方法，该方法是通过构建上下文感知图神经网络模型(CA-GNN)建立上下文环境与用户以及上下文环境与项目的交互关系，提高推荐系统预测的准确性和可解释性；具体如下：

S1、从数据集中获取用户、项目及上下文的特征数据；

S2、根据历史记录将数据集划分为上下文-用户数据集和上下文-项目数据集；