[发明专利]基于组合多感受野图神经网络的物品评分方法

权利要求书

1.一种基于组合多感受野图神经网络的物品评分方法，其特征在于，生成一个由属性特征提取模块、结构特征提取模块和图解码器模块组成的组合多感受野图神经网络，由用户属性特征矩阵、物品属性特征矩阵和用户-物品二部有权图组成训练集训练网络，该方法的步骤包括如下：

(1)构建属性特征提取模块：

分别搭建两个结构相同的分支，将两个分支结构并联组成属性特征提取模块，每个分支的结构包括输入层和全连接层；将两个输入层的神经元个数均设置为4，激活函数为RELU；将两个全连接层的神经元个数均设置为64，激活函数为RELU；

(2)构建结构特征提取模块：

(2a)分别搭建三个结构相同的分支，每个分支的结构均包括输入层和图卷积层；将三个输入层的神经元个数均设置为用户-物品评分矩阵的行数和列数之和，激活函数为RELU；将三个图卷积层的神经元个数均设置为40，激活函数为RELU；

(2b)将三个分支与一个拼接层连接，再与一个全连接层相连，组成结构特征提取模块，将全连接层的神经元个数设置为240，激活函数为RELU；

(3)构建图解码器模块：

(3a)分别搭建两个分支，每个分支的结构均为一个全连接层；将两个全连接层的神经元个数分别设置为64、240，激活函数均为RELU；

(3b)将两个分支与一个拼接层连接，再与一个softmax层相连，组成图编码器模块；

(4)生成组合多感受野图神经网络：

将属性特征模块和结构特征模块并联后再与图解码器模块进行相连，生成组合多感受野图神经网络；

(5)构建属性特征矩阵和用户-物品评分矩阵：

(5a)从待推荐用户数据集中提取至少500个用户的属性信息生成一个用户属性特征矩阵，其中矩阵的列依次为年龄、性别、籍贯和职业，矩阵的行为用户编号；

(5b)从待推荐物品数据集中提取至少1000个物品的属性信息生成一个物品属性特征矩阵，其中矩阵的列依次为品牌、类别、产地和生产日期，矩阵的行为物品编号；

(5c)从用户历史行为数据集中提取至少10万条待推荐用户对待推荐物品的评分信息生成一个用户-物品评分矩阵，其中矩阵的行为用户编号，矩阵的列为物品编号；

(6)生成用户-物品二部有权图：

将用户-物品评分矩阵中的行序号和列序号作为顶点，用户对物品的评分作为边，评分数值为边上的权重，得到用户-物品二部有权图；

(7)生成训练集：

将用户属性特征矩阵、物品属性特征矩阵和用户-物品二部有权图组成训练集；

(8)训练组合多感受野图神经网络：

(8a)设置组合多感受野图神经网络的损失函数为交叉熵损失函数，学习率为0.01，dropout保留概率为0.7，滑动平均衰减速率为0.995，优化器为Adam；

(8b)将训练集输入到组合多感受野图神经网络中对网络迭代训练，在每次迭代的过程中，结构特征提取模块的三个分支，对经由属性特征提取模块提取的属性特征分别进行三个分支设定的不同次数的消息传递后输出一个结构特征，再将属性特征和结构特征输入到图解码器模块中输出评分；使用组合多感受野图神经网络的损失函数计算当前迭代时该网络的损失，用该损失更新当前迭代时网络中每个神经元的权重值，直至组合多感受野图神经网络的损失收敛，得到训练好的组合多感受野图神经网络；

(9)评分：

(9a)从待评分用户属性数据中提取用户的年龄、性别、籍贯与职业组成待评分用户特征；从待评分物品属性数据中提取商品的品牌、类别、产地和生产日期组成待评分物品特征；

(9b)将待评分用户特征与待评分物品特征同时输入到训练好的组合多感受野图神经网络中，输出用户对物品的评分。

2.根据权利要求1中所述的基于组合多感受野图神经网络的物品评分方法，其特征在于，步骤(8b)中所述的三个分支设定的不同次数分别为1、2、3。

3.根据权利要求1中所述的基于组合多感受野图神经网络的物品评分方法，其特征在于，步骤(8b)中所述消息传递的具体步骤如下：

第一步：对每个顶点进行独热编码，得到该顶点的嵌入向量；

第二步：按照下式，计算每两个顶点间传输的消息值：

其中u_ij表示从第j个顶点传向第i个顶点的消息值，R表示对用户-物品评分矩阵中所有元素去重后组成的集合，|N_r(i)|表示由第i个顶点评分为r的顶点组成的集合N_r(i)中元素的总数，W表示消息传递所在分支的图卷积层的权重，x_j表示第j个顶点的嵌入向量；

第三步：按照下式，更新每个顶点的嵌入向量：

其中，h_i表示第i个顶点更新后的嵌入向量，concat(·)表示拼接操作，g_i表示第i个顶点更新前的嵌入向量，σ(·)表示激活函数RELU,表示对集合N_r(i)中的所有元素值求和。