[发明专利]基于图卷积注意力机制的协同过滤推荐算法

权利要求书

1.基于图卷积注意力机制的协同过滤推荐算法，其特征在于，包括以下步骤：

步骤1：数据采集、数据处理、数据集划分；

步骤2：模型的构建；

首先将用户-项目交互图中的交互信息映射到向量空间，然后通过图卷积网络学习用户-项目交互图的嵌入表达，利用交互图的拓扑结构对用户-项目的高阶连接信息进行建模；再利用注意力机制为邻居节点分配不同的权重，聚合邻居节点的特征信息可使邻居节点之间的权重仅依赖于节点之间的特征表达，从而提高模型的泛化能力，最后将图卷积层学习到的多个嵌入向量加权聚合捕获不同卷积层的嵌入影响；

步骤3：模型训练及项目推荐：

将步骤1中得到的训练集和测试集分别用于训练和评估步骤3中构建的模型，模型通过内积得到用户-项目之间的关联分数，最终根据得到的关联分数判断是否将项目推荐给用户。

2.如权利要求1所述的基于图卷积注意力机制的协同过滤推荐算法，其特征在于，在步骤S1中：

首先下载Gowalla集，其次进行数据预处理，将采集到的欧式空间数据构造为非欧式空间数据，将用户与项目之间的交互数据构造为用户-项目交互二部图；对于数据集中每一个可以观察到的用户项目交互，将其视为正样本，然后执行负采样策略为用户没有交互的项目配对负样本。

3.如权利要求1所述的基于图卷积注意力机制的协同过滤推荐算法，其特征在于，在步骤S2中，其计算方法如下：

S201：构造嵌入层：嵌入层主要包括用户ID嵌入向量和项目ID嵌入向量两部分；

S202：构造加入注意力机制的嵌入传播层：根据嵌入层传送的用户ID/项目ID匹配其一阶邻居ID作为嵌入传播层的输入，并将其目标节点与一阶邻居节点分别送入注意力机制和哈达玛积两个模块中进行学习，将学习到的嵌入向量再送入下一层的嵌入传播层，以此类推；

S203：构造预测层：预测用户与项目之间的关联分数。

4.如权利要求1所述的基于图卷积注意力机制的协同过滤推荐算法，其特征在于，在步骤S3中，其计算方法为：

将嵌入传播层学习到的嵌入向量加权聚合为最终的嵌入向量，模型将最终的嵌入向量进行简单的内积处理得到用户与项目之间的关联分数进行预测，并为最终用户推荐可能感兴趣的项目。