[发明专利]一种基于图模型的深度学习推荐系统及其方法有效
申请号: | 202010850352.1 | 申请日: | 2020-08-21 |
公开(公告)号: | CN112100486B | 公开(公告)日: | 2023-04-07 |
发明(设计)人: | 李青山;褚华;歹杰;周洋涛 | 申请(专利权)人: | 西安电子科技大学 |
主分类号: | G06F16/9535 | 分类号: | G06F16/9535;G06F18/25;G06N3/0464;G06N3/0455;G06N3/08 |
代理公司: | 西安嘉思特知识产权代理事务所(普通合伙) 61230 | 代理人: | 刘长春 |
地址: | 710000 陕*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 模型 深度 学习 推荐 系统 及其 方法 | ||
1.一种基于图模型的深度学习推荐系统,其特征在于,包括用户行为数据融合模块、二部图信息传播模块和图卷积深度推荐模块,其中:
所述用户行为数据融合模块,用于将用户与项目的若干非评分交互数据依次进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分;
所述二部图信息传播模块,连接所述用户行为数据融合模块,用于根据所述“用户-项目”等价评分进行第一次二部图模型建模,并依次进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集;
所述图卷积深度推荐模块,连接所述二部图信息传播模块,用于根据所述推荐种子集进行第二次二部图模型建模,并依次对所述推荐种子集进行图卷积编码、转换融合、解码得到推荐结果;
图卷积编码层中用户与项目的隐式表达向量分别为:
ui=σ(Wuhi);
vi=σ(Wvhi);
其中,ui表示用户的隐式表达向量,Wu表示用户权重参数,vi表示项目的隐式表达向量,Wv表示项目权重参数,σ表示非线性激活函数,hi表示图卷积编码操作,图卷积编码操作hi表示为:
其中,merge()表示累加融合操作,mj→i,r、mj→i,R均表示新的二部图模型中结点转换的低维空间表达向量,r表示具体评分值,R表示评分值变量,Ni表示当前图卷积编码操作中待处理结点总数,其中,结点转换的低维空间表达向量mj→i,r表示为:
其中,ci,j表示结点的规范化常数,Wr表示新的二部图模型中各结点的权重参数,xj表示新的二部图模型中结点j的表示向量;
第二深度融合层中用户与项目转换融合的隐式表达向量分别为:
u'i=σ(Wuhi+Wifi);
v'i=σ(Wvhi+Wifi);
其中,u'i表示用户转换融合的隐式表达向量,v'i表示项目转换融合的隐式表达向量,Wi表示特征信息转换的权值参数,fi表示特征信息转换的低维空间表达向量,特征信息转换的低维空间表达向量fi表示为:
fi=σ(Wfxi+b);
其中,xi表示特征信息中的第i个表示向量,Wf表示特征信息处理的权重参数,b表示特征信息处理的偏置参数;
解码输出层中推荐结果表示为:
其中,g(ui',v'j)表示用户对项目的预测评分,E[]表示求期望值,表示预测评分值变量,表示预测评分在不同评分等级上的概率分布,概率分布表示为:
其中,Qr表示训练参数矩阵,Qs表示线性转换矩阵,[]T表示求转置。
2.根据权利要求1所述的基于图模型的深度学习推荐系统,其特征在于,所述用户行为数据融合模块包括数据输入层、第一深度融合层和评分输出层,其中:
所述数据输入层,用于将所述若干非评分交互数据进行离散化、向量化处理得到向量数据;
所述第一深度融合层,用于对所述向量数据进行融合映射处理得到深度隐空间中的“用户-项目”行为信息;
所述评分输出层,用于对所述深度隐空间中的“用户-项目”行为信息进行信息转换得到所述“用户-项目”等价评分。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安电子科技大学,未经西安电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010850352.1/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种薄膜分切装置
- 下一篇:一种港口用货物装卸运输车