[发明专利]基于组合多感受野图神经网络的物品评分方法

说明书

本发明公开了一种基于组合多感受野图神经网络的物品评分方法，其实现步骤为：(1)构建属性特征提取模块；(2)构建结构特征提取模块；(3)构建图解码器模块；(4)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；(6)生成用户‑物品二部有权图；(7)生成训练集；(8)训练组合多感受野图神经网络；(9)评分。本发明提出的方法能够提取用户和物品的属性特征和结构特征，充分挖掘用户和物品信息，具有评分准确度高的优点。

技术领域

本发明属于信息技术领域，更进一步涉及物品评分技术领域中的一种基于组合多感受野图神经网络的物品评分方法。本发明可根据用户属性信息、物品属性信息和用户的历史行为数据，对构建的组合多感受野图神经网络模型进行训练，得到用户对物品的评分。

背景技术

随着互联网的快速发展，用户规模爆炸增长，物品种类越来越多，带来了严重的信息过载问题，推荐系统是缓解信息过载问题的有效技术手段，物品评分技术是推荐系统中的一个重要任务，评分的准确性对提高推荐系统的性能有着重要意义。物品评分技术首先通过对客观数据和主观数据进行分析和建模，其中用户的性别、年龄、籍贯和物品的生产厂商、类别等客观数据主要用于提取其内容特征和属性特征。用户历史行为数据等主观数据主要用于提取其偏好特征和结构特征，最后使用提取到的特征来得到用户对没有评分过的物品的评分。目前已存在的物品评分方法有很多，其中应用最广泛的是基于矩阵分解的方法。近几年，随着图神经网络的快速发展和广泛应用，也为解决物品评分问题提供了新的思路。

陕西科技大学在其申请的专利文献“基于矩阵分解协同过滤算法的图书推荐方法及系统”(申请号：201810260195.1，申请公开号：CN 108509573 A)中公开了一种基于矩阵分解协同过滤算法的物品评分方法。该方法的实施步骤是：步骤1，预处理用户历史评分行为数据的训练集为用户-物品评分矩阵；步骤2，对评分矩阵进行均值归一化处理；步骤3，对归一化处理后的用户-物品评分矩阵进行矩阵分解，分解成两个低维矩阵的乘积，分别表示用户的特征矩阵以及物品的特征矩阵乘积。步骤4，构造改进的代价函数；步骤5，初始化特征矩阵；步骤6，通过改进的梯度下降法求解目标函数；步骤7，确定目标函数最优解之后，计算用户对候选物品的评分；步骤8，取评分较高的前k个物品推荐给用户。该方法存在的不足之处是，该方法只能够对用户行为数据进行挖掘，导致客观信息挖掘不充分，用户和物品属性特征提取不充分，评分准确性差的问题。

重庆邮电大学在其申请的专利文献“一种基于改进的图卷积神经网络的物品评分预测方法”(申请号：202010738044.X，申请公开号：CN 111859166 A)中公开了一种基于改进的图卷积神经网络的物品评分方法。该方法的实施步骤是：步骤1，获取用户对物品的历史评分、用户的个人信息，以及物品的属性信息；步骤2，构造用户-物品，用户-用户，物品-物品关系图；步骤3，利用改进的图卷积神经网络提取多种关系图中节点的结构和属性特征；步骤4，选择神经网络模型融合节点的多种特征信息；步骤5，根据用户和物品的特征表示，预测用户对物品感兴趣的概率；步骤6，利用训练集和验证集训练模型；步骤7，利用训练好的模型得到用户对物品的评分。该方法存在的不足之处是，该方法的图卷积网络中仅使用单一的图卷积层，导致用户和物品的结构特征提取不充分，评分准确性差的问题。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于组合多感受野图神经网络的物品评分方法，用于解决现有物品评分方法中由于对用户和物品属性特征和结构特征提取不充分，导致评分准确性差的问题。

实现本发明目的的思路是：针对现有技术中用户和物品属性特征提取不充分的问题，通过构建属性特征提取模块提取用户和物品的属性特征，针对现有技术中用户和物品结构特征提取不充分的问题，通过构建结构特征提取模块提取用户和物品的结构特征；生成组合多感受野图神经网络用于对物品评分；构建属性特征矩阵、用户-物品评分矩阵和用户-物品二部有权图，组成训练集对组合多感受野图神经网络进行训练；最后使用训练好的组合多感受野图神经网络得到用户对待评分物品的评分。

为实现上述目的，本发明的具体实现步骤如下：