[发明专利]一种基于GCN和AIN的上下文感知推荐方法

权利要求书

1.一种基于GCN和AIN的上下文感知推荐方法，其特征在于，其实现内容包括：

步骤S1、获取用户的行为数据，并将数据划分为用户数据集、项目数据集、上下文因素数据集，其中，

用U表示用户数据集，用u表示用户，则u∈U，

用V表示项目数据集，用V表示用户，则V∈V，

上下文因素数据集包含多个上下文因素，每个上下文因素是一个包含多个上下文的上下文数据集，用C表示上下文因素，假定有K个上下文因素，则上下文因素数据集表示为{C₁，C₂，C₃，…，C_K}，任一个上下文数据集C_i＝{c₁，c₂，c₃，…，c_k}，其中k＝1，2，…，K；

步骤S2、基于用户数据集、项目数据集、上下文数据集，首先，引入嵌入向量e_u∈R^d描述一个用户，引入嵌入向量e_v∈R^d描述一个项目，引入嵌入向量e_c∈R^d描述一个上下文环境，其中d表示嵌入大小，随后，建立上下文与用户的参数矩阵建立上下文与项目的参数矩阵其中这两个参数矩阵中的初始嵌入向量相同，并将上下文与用户的参数矩阵、上下文与项目的参数矩阵作为嵌入查找表；

步骤S3、针对上下文与用户：

步骤S3.1、将上下文与用户的参数矩阵作为嵌入查找表，利用图神经网络GCN捕获嵌入查找表中上下文与用户之间的协同信号，并基于上下文与用户之间的协同信号，构造上下文到用户的交互传播消息，这一过程包括：

步骤S3.1.1、基于上下文c与用户u之间的协同信号，将上下文c到用户u的交互传播消息定义为：

m_c→u＝f(e_c，e_u，p_u，c)，

其中：m_c→u为消息嵌入，即要传播的信息；f(·)是消息编码函数，f(·)以嵌入的e_c和e_u为输入，利用系数p_u，c控制(u，c)之间每次传播的衰减因子执行卷积操作，建模c→u的消息传播，

步骤S3.1.2、基于定义的传播消息，f(·)的具体实现为公式(1)：

其中：W₁，W₂∈R^d′×d为提取有用传播信息的可训练权重矩阵，d′为变换大小；⊙表示元素间的乘积，e_u⊙e_c传递的消息为e_u和e_c之间的交互编码，表示图的拉普拉斯范数，也就是p_u，c，N_u表示与用户u相连接的上下文数量，N_c表示在相同上下文c环境下购买同一物品的用户数量，

步骤S3.2、基于聚合函数和注意力交互网络AIN，聚合上下文到用户的交互传播消息，分别聚合T次，进一步使用门控神经网络GRU聚合T次传播消息，建模用户随时间序列的偏好，构成用户的最终嵌入；

步骤S4、针对上下文与项目：

步骤S4.1、将上下文与项目的参数矩阵作为嵌入查找表，利用图神经网络GCN捕获嵌入查找表中上下文与项目之间的协同信号，并基于上下文与项目之间的协同信号，构造上下文到项目的交互传播消息，

步骤S4.2、基于聚合函数，聚合上下文到项目的交互传播消息，分别聚合T次，随后依次连接T次传播消息，构成项目的最终嵌入；

步骤S5、在用户的最终嵌入和项目的最终嵌入之间使用内积交互函数，输出用户对某个项目的预测概率。