[发明专利]一种融合异质信息网络的可解释推荐方法

说明书

本发明涉及一种融合异质信息网络的可解释推荐系统方法，特别涉及一种基于元路径和深度神经网络方法的的离线推荐系统方法。该方法应用元路径在异质信息网络上提取辅助信息生成的相似度矩阵作为补充信息。应用矩阵分解方法对相似度矩阵进行矩阵分解，得到对应元路径的多组用户和商品的特征表示。利用注意力神经网络来区分组合基于不同类型元路径获得的表示，最后利用深度神经网络来组合表示向量得到预测评分，同时选择重要的元路径生成解释。

技术领域

本发明涉及一种融合异质信息网络的可解释推荐方法，特别涉及一种基于元路径和深度神经网络方法的的离线推荐方法。

背景技术

由于互联网技术的飞速发展，人们可以在网络上获得大量的在线信息，比如新闻、电影、评论等等，满足了用户在信息时代对信息的需求。然而随着信息爆炸地增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，人们面临着严重的信息过载问题。而推荐系统是解决信息过载问题强有力的方法之一，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求，能为用户提供个性化的服务，还能和用户之间建立密切关系。推荐系统现在与人们的日常生活密不可分，也是面向用户的在线服务的主要获利工具。

推荐系统已广泛应用于诸多在线服务领域，包括搜索引擎,电子商务，在线新闻和社交媒体网站等等。

推荐方法的一般范式主要包括三部分：数据样本，表示学习和交互方法。数据样本主要是指用户和商品的交互信息及用户商品的附加特征信息；表示学习是根据输入数据获得用户和商品的潜在低维表示；交互方法要度量用户和商品潜在表示的相似程度获得一个匹配分数。然后通过匹配分数排序，将匹配分数大的商品推荐给用户。推荐系统的样本数据主要有两大类型：显式数据和隐式数据。隐式数据例如用户的点击、观看时长等，隐式数据用户没有明确表达对商品喜好，但隐形数据存在广泛，受到推荐系统研究人员越来越多的重视。显示数据例如用户对商品的打分或点赞等，显示数据包含确定的用户对商品的喜好信息，但显式数据相对较少，且获取成本高。显式数据一般用户评分预测任务。

产生准确、多样、合理的推荐结果的关键是获得具有丰富表示能力的用户和商品特征向量，而传统推荐系统存在交互信息稀疏性问题。解决数据稀疏性问题的一个常见思路是在推荐算法中引入一些辅助信息。辅助信息可以丰富对用户和物品的描述、增强推荐算法的挖掘能力，从而有效地弥补交互信息的稀疏或缺失。异质信息网络包含了丰富的属性信息和语义关联，为推荐系统提供了潜在的辅助信息来源。通过异质信息网络中不同种类的关系连接，可以挖掘用户与商品之间的潜在高阶关系。基于路径可以连接用户信息和推荐结果，从而提高用户对推荐结果的满意度和接受度，增强用户对推荐系统的信任，同时产生一定的可解释性。

因此，在融合异质信息的推荐系统中，就需要一种可以有效地融合异质信息网络的高阶信息，同时具有有效地组合特征表示的能力，能够生成准确、有效的推荐结果的推荐方法。

发明内容

本发明的主要目的是为了解决现有的基于异质信息的深度学习推荐方法中所存在的一些问题；

本发明的另一个目的是为了设计一种准确性更高，解释能力更强，推荐效果更有效的离线推荐方法；

本发明的再一个目的是为了解决将异质信息网络应用到推荐系统存在两个问题：第一是怎样从异质信息网络中提取出能为推荐系统所用的有效信息，第二是如何有效地融合异质信息网络的高阶信息以更好地推荐，针对第一个问题，本发明拟设计多条不同类型的元路径应用于异质信息网络架构上获得对应的相似度矩阵，作为辅助信息可以弥补原始用户商品交互矩阵稀疏的问题，然后通过表示学习方法分别得到用户和商品的潜在特征表示，针对第二个问题，本发明设计一个注意力网络用于区分来自不同元路径的表示对最终用户和商品表示的贡献度，然后基于注意力系数聚合多组元路径下的表示得到最终用户和商品表示，最后将用户和商品表示通过一个多层感知机获得预测评分。