[发明专利]基于图卷积注意力机制的协同过滤推荐算法

说明书

本发明公开了一种基于图卷积注意力机制的协同过滤推荐算法，该方法包括：首先是数据采集、处理以及划分数据集，其次是GACF模型的构建，最后是模型训练以及通过预测用户与项目之间的关联分数进行推荐。本发明提出的图卷积注意力机制协同过滤模型，首先利用图嵌入技术将用户‑项目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，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，得到用户‑项目之间的关联分数。

技术领域

本发明属于计算机人工智能的技术领域，尤其涉及一种基于图卷积注意力机制的协同过滤推荐算法。

背景技术

在这个数据大爆炸的时代，为了缓解信息过载问题，推荐系统已经被广泛应用于个性化信息过滤。目前应用最广泛的推荐技术是协同过滤推荐算法，它基于相似的用户会对项目表现出相似的偏好这一假设，通过用户历史行为记录探索用户的隐性偏好，并根据用户的隐式偏好进行推荐。早期的推荐模型直接使用用户和项目的ID号作为嵌入向量，导致所学习的嵌入表达具有局限性。随后，许多研究者将用户ID以及它的交互记录作为嵌入向量(如SVD++模型、NAIS模型和GC-MC模型)提高了嵌入质量。但是，从用户-项目交互图的角度来看，SVD++和NAIS等模型仅仅利用了用户的一阶邻居进行嵌入学习，虽然GC-MC模型考虑了用户-项目的高阶连接性，但是此模型并未将这种高阶信息编码进嵌入表达的学习过程中，从而影响了推荐准确度。

数据稀疏性和冷启动问题影响了协同过滤技术的推荐性能。社交网络的出现，使得越来越多的推荐算法利用社交网络提供的丰富信息来缓解数据稀疏性和冷启动等问题。但是，传统的基于社交网络推荐算法往往会忽略用户-项目之间隐式关系，为了建模用户-项目信息网络的隐式关系，研究人员提出一系列的图嵌入(Graph embedding，GE)模型。卷积神经网络借助其强大的建模能力得到了快速发展，但卷积神经网络只能处理欧式空间数据(如文本、图像等)。用户-项目交互图是图结构数据，属于非欧式空间数据，不满足平移不变性。图卷积神经网络是一种针对图结构数据的深度学习模型，利用图卷积神经网络建模图上的复杂信息使其具有强大的特征表征能力，PinSage、NGCF和LightGCN等均为典型的图卷积协同过滤技术。但它们聚合邻居节点的特征方式完全依赖于图结构，不利于扩展到其他的图结构，从而局限了模型的泛化能力。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于图卷积注意力机制的协同过滤推荐算法，更好的提高了推荐精度和模型的可解释性。

针对以往模型的缺陷，本发明提出的模型利用用户-项目交互图的拓扑结构，将用户-项目之间的高阶连接信息加入到嵌入表达的学习过程中，考虑了用户-项目之间的交互信息，以此揭示了用户/项目之间的耦合关系。

本发明的基于图卷积注意力机制的协同过滤推荐算法，包括以下步骤：

步骤1：数据采集、数据处理、数据集划分。

数据采集：本发明的数据集采用Gowalla数据集，此数据集包括29858条用户数据，40981条项目数据以及1027370条用户与项目交互数据。

数据处理：将采集到的欧式空间数据构造为非欧式空间数据(即图数据)，主要做法是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。

数据集划分：将处理好的数据集随机选取80％的历史交互作为训练集，用于训练模型；其余作为测试集，用于评估模型的泛化能力。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；

步骤2：模型的构建。