[发明专利]基于图注意力的深度推荐方法

权利要求书

1.基于图注意力的深度推荐方法，其特征在于，包括以下步骤：

1)根据用户u的ID生成对应独热向量，将该独热向量与嵌入矩阵相乘得到用户u嵌入向量p_u；根据与用户u存在交互关系的物品i的ID生成对应独热向量，并将独热向量与嵌入矩阵相乘得到物品i的嵌入向量q_i；

2)根据用户嵌入向量p_u计算查询向量Q_u，根据物品嵌入向量q_i计算关键字向量K_i；根据物品嵌入向量q_i计算查询向量Q_i，用户嵌入向量p_u计算关键字向量K_u：

Q_u＝W_Qp_u；K_i＝W_Kq_i；Q_i＝W_Qq_i；K_u＝W_Kp_u；

其中，W_Q和W_K分别为查询向量和关键字向量的线性变换矩阵；

3)利用关键字向量K_i与查询向量Q_u计算物品i对于用户u的注意力分数α_i，利用关键字向量K_u与查询向量Q_i计算用户u对于物品i的注意力分数βu；

4)计算物品i向用户u传递的信息m(u,i)以及用户u向物品i传递的信息m(i,u)：

其中，表示物品i存在交互记录的用户ID的集合N_i中的元素个数；表示用户u的存在交互记录的物品ID的集合N_u中的元素个数；

5)计算用户与物品的高阶嵌入向量，用户第l阶嵌入表示和物品第l阶嵌入表示分别为：

其中，L表示嵌入表示向量最高阶的阶数；LeakyReLU为激活函数；表示在l阶用户嵌入表示过程中物品i的注意力；表示在l阶用户嵌入表示过程中用户u的注意力；

6)将用户的嵌入向量p_u以及对应高阶嵌入向量物品嵌入向量q_i以及高阶嵌入向量通过池化的方式得到用一个统一的用户特征向量e_u、物品特征向量e_i：

其中，[；]表示向量拼接操作，Pooling表示池化；

7)预测的用户u对物品i的兴趣分数y_u,i：

8)得到用户u对所有物品的兴趣分数后，最终输出兴趣分数高的物品作为用户u的推荐结果。

2.如权利要求1所述方法，其特征在于，计算物品i对于用户u的注意力分数α_i以及用户u对于物品i的注意力分数β_u的具体方法为：

其中，T表示转置；Softmax表示归一化指数函数；k表示查询向量和关键字向量的线性变换矩阵的维度。

3.如权利要求2所述方法，其特征在于，计算在l阶用户嵌入表示过程中物品i的注意力与在l阶用户嵌入表示过程中用户u的注意力的具体方法为；

其中，和分别为第l阶查询向量和关键字向量的线性变换矩阵。