[发明专利]基于迭代图注意力网络的用户兴趣预测方法及电子装置

说明书

本发明公开了一种基于迭代图注意力网络的用户兴趣预测方法及电子装置，通过未知兴趣标签分布与兴趣标签联合依赖概率，将用户特征学习的图注意力网络GAT_θ与兴趣潜在关系建模的图注意力网络相结合，并引入标签传播机制捕捉兴趣标签的局部依赖关系，对用户网络中的各用户兴趣进行预测。本发明，弥补了目前主流的用户兴趣预测方法对兴趣潜在关系建模的空缺，充分利用用户社交关系数据，预测准确率更高，并且高效快捷。

技术领域

本发明属于社交媒体-用户画像-自然语言处理领域，尤其涉及一种基于迭代图注意力网络的用户兴趣预测方法及电子装置。

背景技术

社交网络用户兴趣的自动预测在基于用户建模的应用如推荐系统中起着重要的作用。例如，在了解用户的兴趣后，推荐系统可以为用户提供潜在好友推荐、个性化广告等精准服务。近年来，用户兴趣预测得到了广泛的研究。现有的用户兴趣预测技术主要可以分为四大方案：

一类是基于协同过滤的方法(A.Ahmed，B.Kanagal，S.Pandey，V.Josifovski，L.G.Pueyo，and J.Yuan，“Latent factor models with additive and hierarchically-smoothed user preferences，”2013，pp.385-394.)，使用用户与商品之间的交互信息来发现用户相同兴趣爱好的用户、或有相似属性的商品，进而来推断用户的兴趣。这种方法主要分为基于用户的协同过滤和基于商品的协同过滤。基于用户的方法通过构建用户-商品矩阵，分别统计每个用户正反馈过的商品来获得用户向量，再通过计算两个用户间的皮尔森系数或余弦相似度来返回相似用户，将用户没有交互的商品记为潜在兴趣。基于商品的协同过滤方法则去计算商品之间的相似度，将与用户交互过的商品接近的商品记为潜在兴趣；

第二类是基于主题建模的方法(J.He，H.Liu，Y.Zheng，S.Tang，W.He，and X.Du，“Bi-Labeled LDA：Inferring Interest Tags for Non-famous Users in SocialNetwork，”Data Science and Engineering，vol.5，no.1，pp.27-47，/，2020.)，通过对用户生成的文本数据进行主题建模来挖掘用户感兴趣的话题类别。这种方法一般基于LDA主题模型，使用Dirichlet分布生成K个主题的词语分布以及用户文本关于主题的分布，当用户的主题分布确定后，以主题作为特征维度来得到用户的特征表示，最后使用VSM对用户建模来预测用户的兴趣。

第三种是基于图模型的方法，该方法通过将数据不断在用户网络中迭代来达到使关系紧密的用户兴趣趋于一致的结果。其中比较典型的是MLP方法(L.Wei，W.Zhou，J.Wen，M.Lin，J.Han，and S.Hu，“MLP-IA：Multi-label User Profile Based on ImplicitAssociation Labels，”2019，pp.548-561.)，首先通过统计兴趣标签的共现关系定义了兴趣关联矩阵P，再通过用户好友关系来计算用户相似度得到概率转移矩阵T。模型初始化了兴趣标签矩阵F，在每轮的标签迭代中，用户标签将被邻居节点的标签和隐式关联的标签更新，兴趣标签矩阵F得到修正以便进行下一次传播。