[发明专利]基于图卷积协同过滤的推荐预测系统以及推荐预测方法

说明书

本发明公开了一种基于图卷积协同过滤的推荐预测系统以及推荐预测方法，系统包括输入层、图卷积模型层和特征交互层，图卷积模型层构建有图卷积模型，图卷积模型以用户输入向量集合和项目输入向量集合作为输入数据，输出经过L层传播后的用户多重嵌入向量组和项目多重嵌入向量组；特征交互层使用外积对用户多重嵌入向量组和项目多重嵌入向量组进行交叉建模，构建交互体，通过CNN网络模型对交互体进行学习，最终得到用户节点对项目节点的预测结果。本发明使用外积对用户多重嵌入向量组和项目多重嵌入向量组进行交叉建模，构建交互体，利用CNN网络提取交互体的多维度关系和深层次交互关联，从理论上提升预测结果的有效性，从而提升推荐精确度。

技术领域

本发明涉及信息推荐技术领域，特别涉及一种基于图卷积协同过滤的推荐预测系统以及推荐预测方法。

背景技术

近年来，随着云计算、海量数据存储等技术的快速发展，从大数据中提取有价值的信息对提高人类生活品质有很大的意义。协同过滤算法不断与最前沿的研究理论(基于社交、会话、图卷积网络)结合，从而在推荐系统领域被广泛研究，如何学习更有意义的用户与项目的低维嵌入向量表达，并充分提取嵌入向量每个维度特征的潜在交互联系，是提高个性化推荐效率的关键。

由于推荐任务在某些平台收集用户或者项目边缘信息的难度很大，在很多场景下，只有ID作为唯一的标识特征，以及获取它们之间的显性反馈(评分)或者隐式反馈(点击)。因此，引入图卷积网络的节点特征表示学习，让用户或项目节点学习图拓扑结构的局部特征引起了很大关注。基于图卷积模型的协同过滤将用户和项目交互表示为由用户节点与项目节点组成的二部图，节点间的显性关系用边连接。谱图卷积借助图的拉普拉斯矩阵去提取节点的局部关系，例如，NGCF模型提出了捕获具有协同信号的嵌入向量，迭代执行消息构造与聚合，提取多跳相关邻域信息；SMOG-CF模型通过定义信息构造公式能够快速在图上学习一个节点的任意阶邻域消息传播；LR-GCCF模型提出了一种简化的线性模型来平滑嵌入向量传播；GCMC模型结合双线性解码器，用自编码的方法试图解决图上链接预测的问题；LightGCN模型选择取消转换矩阵和非线性激活等等。上述模型都有效的在图结构上学习了节点表示，获得了显著的性能提升。从理论上来说，GCN(图卷积网络)可以聚合节点的任意阶邻域特征，加上自身信息，生成目标节点的多重表达。然而这些模型存在的局限是：推断偏好时简单的拼接多重嵌入向量，以内积作交互函数，只考虑对应维度上的关系，且嵌入向量每个维度的特征对推断结果的贡献权重完全一样，因此特征向量不同维度的潜在交互不能被充分提取。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于图卷积协同过滤的推荐预测系统以及推荐预测方法。

本发明的第一方面，提供了一种基于图卷积协同过滤的推荐预测系统，其特征在于，所述系统包括：

输入层，用于提供用户输入向量集合和项目输入向量集合；

图卷积模型层，构建有图卷积模型，所述图卷积模型以所述用户输入向量集合和所述项目输入向量集合作为输入数据，输出经过L层传播后的用户多重嵌入向量组和项目多重嵌入向量组；

特征交互层，使用外积对所述用户多重嵌入向量组和所述项目多重嵌入向量组进行交叉建模，构建交互体，通过CNN网络模型对所述交互体进行学习，依据所述CNN网络模型的学习结果，得到用户节点对项目节点的第一预测结果；

其中，令所述用户多重嵌入向量组为：所述项目多重嵌入向量组为：所述交叉建模的表达式为：表示所述图卷积模型输出的第j层用户嵌入向量的转置，表示所述图卷积模型输出的第i层项目嵌入向量，表示和的外积，j,k∈{0,1,…,L}；所述交互体的表达式为：Stack(·)表示堆砌函数。

根据本发明的实施例，至少具有以下有益效果：