[发明专利]一种基于GCN和AIN的上下文感知推荐方法

说明书

本发明公开一种基于GCN和AIN的上下文感知推荐方法，涉及数据处理技术领域，其实现包括：首先获取用户的行为数据，通过引入嵌入向量建立上下文与用户的参数矩阵、上下文与项目的参数矩阵，随后利用图神经网络GCN分别捕获协同信号，并构造上下文到用户的交互传播消息、上下文到项目的交互传播消息，再随后，利用聚合函数和AIN聚合上下文到用户的交互传播消息，T次聚合后构成用户的最终嵌入，利用聚合函数聚合上下文到项目的交互传播消息，T次聚合后构成项目的最终嵌入；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。本发明能够向用户推荐更符合其需求的项目，具有较高的预测准确率。

技术领域

本发明涉及数据处理技术领域，具体的说是一种基于GCN和AIN的上下文感知推荐方法。

背景技术

自推荐系统概念提出以来，众多的研究者对推荐系统进行了大量研究，但是已有的研究工作主要集中于协同过滤、基于内容和物品的推荐以及基于模型的推荐方法。在用户和物品的二元关系上，根据已有信息计算用户和物品的相似性进而挖掘用户潜在的感兴趣的物品，但是没有考虑到时间、地点、社会环境、网络环境等上下文信息对用户偏好所造成的影响。

近年来，越来越多的研究者发现上下文信息对于提高推荐系统的推荐表现、准确建模用户对物品的兴趣偏好有着十分重要的作用，进而进行了大量的关于上下文感知推荐系统的研究。根据研究上下文感知推荐系统的时间顺序，大体上可分为以下两类。

(一)较早出现的传统的上下文感知推荐系统。

传统的上下文感知推荐系统包括三种范式：上下文预过滤、上下文后过滤和上下文建模。

(1)上下文预过滤范式利用上下文信息来进行数据选择和数据构建，即利用当前上下文信息对原数据进行过滤，构建和当前上下文信息相关的数据集，并以此进行推荐。

(2)上下文后过滤范式则是利用上下文信息对传统二维推荐技术生成的推荐结果进行过滤或者重新排序。

实际上，(1)、(2)两种范式都是将上下文感知推荐系统中的多维推荐问题降维成二维推荐问题，从而将问题难度降低，但它们需要在推荐的所有步骤中进行微调，并且他们也忽略了不同上下文信息之间的关联性。

(3)上下文建模范式则是将上下文信息直接考虑到建模的过程中，上下文建模范式通常是将上下文视为与用户、物品相似的一个或多个维度，并通过计算上下文与用户之间(或上下文与项目之间)的相关性来建模用户在特定上下文环境中对物品的喜好程度。

但是，这类普通的上下文建模方法也存在一些问题，他们无法直观的解释上下文与用户和项目之间的相关性。除此之外，传统的上下文建模方法大都是以线性方式(例如，矩阵分解、因子分解机)来建模上下文与用户(或项目)之间的交互作用，这难以建模上下文对用户和项目的复杂的、非线性的交互作用。并且，现有的上下文建模方法也无法区分不同上下文信息对用户和项目的不同作用。

(二)近些年来出现的基于深度学习的上下文感知推荐系统，这些系统主要涉及：

(1)Lei Mei等人研究的注意力交互网络(ATTenTive InTeracTion NeTwork，AIN)。AIN通过利用多层感知(MLP)建模上下文-用户交互和上下文-项目交互的方式来生成关于用户和项目的上下文感知表示，除此之外，AIN还利用注意力机制区分不同上下文信息对用户和项目的不同作用。因此，AIN不仅能够建模上下文对用户和项目的复杂的、非线性的交互作用，还能解释上下文与用户和项目的相关性。但缺点就是，AIN虽然能够利用多层感知器建模上下文-用户(项目)的交互作用，但无法建模上下文与用户(或项目)之间的协同信号。