[发明专利]一种基于邻居用户的多个兴趣影响的推荐方法

权利要求书

1.一种基于邻居用户的多个兴趣影响的推荐方法，其特征在于，包括以下步骤：

步骤1：获取原始数据集；

所述原始数据集，包括用户信息集合、项目信息集合，用户项目交互图G_R以及社交关系图G_S；

步骤2：使用one-hot编码将用户信息集合中所有用户的ID和项目信息集合中所有项目的ID均转换为one-hot向量；

步骤3：将所有one-hot向量转换成嵌入向量，得到用户的初始嵌入向量和项目的初始嵌入向量；

步骤4：根据得到的用户初始嵌入向量，将用户初始嵌入向量等分成k个子嵌入向量，分别用来表示用户的k个兴趣，即k个兴趣嵌入向量，公式如下：

其中，和都表示用户的初始嵌入向量，表示用户u的第1个兴趣的嵌入向量，表示用户u的第2个兴趣的嵌入向量，......，表示用户u的第k个兴趣的嵌入向量；

步骤5：将用户的k个兴趣嵌入向量分别输入到不同的兴趣感知图中，对于不同的兴趣感知图分别输入一个不同的兴趣嵌入向量；

步骤6：通过t次图卷积操作聚合用户的t跳邻居用户的影响，得到用户的t个最终嵌入向量和项目的t个最终嵌入向量；

步骤7：将用户的最终嵌入向量和项目的最终嵌入向量做内积，并经过sigmoid激活函数，得到目标用户可能对项目产生交互的预测分数值；

步骤8：根据最终得到的目标用户可能对项目产生交互的预测分数值，为目标用户进行个性化推荐；

所述的步骤6包括如下步骤：

步骤6.1：在每个兴趣感知图中使用图卷积操作将该用户的邻居用户的兴趣影响聚合到该用户的兴趣嵌入向量中，然后将经过聚合操作后的k个兴趣嵌入向量进行拼接得到用户图卷积操作后的用户嵌入向量；该步骤从邻居用户中分别聚合了k个不同兴趣之间的影响，公式如下：

其中Aggre表示图卷积操作，表示第t-1个图卷积层后得到的邻居用户的第k个兴趣嵌入向量，表示非线性转换矩阵，LeakyReLU表示激活函数，表示用户u在第t个图卷积层得到的第k个兴趣嵌入向量，Concat表示向量的拼接操作，表示由k个兴趣嵌入向量通过拼接操作得到的第t个图卷积层后的用户嵌入向量，U表示对于用户u的第k个兴趣感知图中的邻居集合，v是表示集合N中的任意一个，N代表集合；

步骤6.2：对用户项目交互图G_R上的每个用户同样使用图卷积操作，将用户交互过的项目信息聚合到用户的向量中，并与从兴趣感知图上得到的兴趣向量进行元素相加操作，公式如下：

其中表示用户u交互过项目的第t-1个图卷积层的嵌入向量，表示从用户交互过项目进行卷积操作后得到的用户嵌入项目，是第t个图卷积层后最终的用户嵌入向量，I是用户交互过的项目集合，是对从交互过项目上聚合后进行非线性转化的参数矩阵，表示向量的元素相加操作；

步骤6.3：对用户项目交互图G_R上的每个项目也使用卷积操作，将被交互过的用户信息聚合到项目的向量中，并与上一层的项目向量进行元素相加操作，公式如下：

其中是从被交互过用户中聚合后得到的第t个卷积层后最终嵌入向量；

步骤6.4：通过对步骤6.1至步骤6.3迭代t次图卷积过程，得到用户的t个最终嵌入向量和项目的t个最终嵌入向量。

2.根据权利要求1所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，在所述步骤3中，使用Embedding嵌入技术将所有one-hot向量转换成嵌入向量，得到用户的初始嵌入向量和项目的初始嵌入向量，公式如下：

其中，P为用户的特征嵌入矩阵，Q为项目的特征嵌入矩阵，T表示转置运算，v_u和v_i分别为用户和项目的one-hot向量，和分别为用户和项目的初始嵌入向量，u代表用户信息集合中的任一用户，i代表项目信息集合中的任一项目。

3.根据权利要求1所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，所述步骤7中所述的预测分数值在0到1的区间内。