[发明专利]基于图注意力的深度推荐方法

说明书

本发明提供一种基于图注意力的深度推荐方法，针对现有的消息传播机制进行以推荐领域为导向的改进。设计了一种专门针对于推荐场景下的消息传播机制——基于图注意力的信息传递算法，该算法对当前用户和物品通过注意力机制计算出注意力分数，并通过加权求和的方式对当前节点的嵌入向量进行更新，从而学习出能够表达用户兴趣和物品属性的嵌入向量。再基于信息传递算法提出了基于图注意力的深度推荐方法，该方法根据用户‑物品交互行为图对GAMP算法进行级联排列，学习了用户和物品的高阶嵌入向量，从而取得了更好的推荐效果。

技术领域

本发明涉及基于神经网络的推荐技术。

背景技术

在推荐系统的Top-N推荐任务中，基于神经网络对用户和物品进行建模的推荐有以下方法：

一种利用多层感知机对现有矩阵分解进行泛化的方法NeuMF(Neural MatrixFactorization)的推荐精度低于使用图神经网络对用户和物品进行建模的推荐方法，一种基于图的自编码器矩阵补全方法GC-MC(Graph Convolutional Matrix Completion)以及一种基于图协同过滤的推荐方法NGCF(Graph Convolutional Matrix Completion)。

NeuMF(Neural Matrix Factorization)，一种使用神经网络的推荐方法，利用多层感知机对现有矩阵分解进行泛化，出自Proceedings of the 26^th InternationalConference on World Wide Web。

GC-MC(Graph Convolutional Matrix Completion)，一种基于图神经网络的推荐方法，基于图的自编码器矩阵补全，出自KDD 2018Workshop。

NGCF(Graph Convolutional Matrix Completion)，一种基于图神经网络的推荐方法，一种基于图协同过滤的推荐方法，出自Proceedings of the 42^nd InternationalACM SIGIR Conference on Research and Development in Information Retrieval。

发明内容

本发明所要解决的技术是，提供一种根据用户-物品交互行为图学习到用户和物品的高阶嵌入向量，从而使得基于图的推荐方法能取得更好的推荐效果。

本发明为解决上述技术问题所采用的技术方案是，基于图注意力的深度推荐方法，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；