[发明专利]基于图卷积神经网络交互的推荐方法及系统

权利要求书

1.一种基于图卷积神经网络交互的推荐方法，其特征在于，包括以下步骤：

将数据库划分为训练集、验证集、测试集，所述训练集、验证集、测试集都包括分类型特征和连续型特征；

构建点击率预估模型，所述点击率预估模型包括依次连接的图卷积神经网络和输出层，所述图卷积神经网络包含多个依次连接的图卷积层，每个图卷积层只处理当前节点的一阶邻域信息，将训练集的各个特征作为节点，通过各节点之间相互连接的连接边构成无向图输入到图卷积神经网络中，图卷积神经网络输出各个特征对应的特征交互向量，将各个特征交互向量拼接起来输入到输出层，输出层输出点击率预估值，通过优化器优化损失函数，直至迭代收敛，并通过验证集验证以调整超参数，反复优化，直至获得经过测试集测试合格的最优点击率预估模型；

利用所述最优点击率预估模型对候选集输出点击率预估值，并根据点击率预估结果对候选集排序，从而输出推荐列表，

其中， 在每个图卷积层之后都具有Dropout层，所述Dropout层将上一图卷积层的输出以部分随机抛弃的方式输入到下一图卷积层，通过残差网络用以将上一图卷积层的输出与该图卷积层的输出组合相加输入到下一图卷积层中。

2.根据权利要求1所述的基于图卷积神经网络交互的推荐方法，其特征在于，所述将数据库划分为训练集、验证集、测试集之前，先对数据进行预处理，所述预处理包括用嵌入方法将分类型特征按照不同特征域映射到低维空间，分别形成低维特征向量，将连续型特征进行标准化处理。

3.根据权利要求2所述的基于图卷积神经网络交互的推荐方法，其特征在于，

图卷积神经网络的每一个图卷积层的传播方式如公式1所示：

（1）

（2）

其中，，是无向图的邻接矩阵；

𝑤是连接边的权重；

是一个单位矩阵，是无向图的自连接矩阵；

是的度矩阵，即；

是第T个图卷积层的激活单元矩阵，，，

E是各分类型特征转化的低维特征向量构成的矩阵；

是每一层的参数矩阵；

是非线性激活函数。

4.根据权利要求1所述的基于图卷积神经网络交互的推荐方法，其特征在于，所述将数据库划分为训练集、验证集、测试集之前，对于数据库中任一特征缺失的值，采用均值插补、利用同类均值插补、极大似然估计中的任一种方式填充。

5.根据权利要求1所述的基于图卷积神经网络交互的推荐方法，其特征在于，

采用自适应矩估计的优化方式优化损失函数。

6.根据权利要求1所述的基于图卷积神经网络交互的推荐方法，其特征在于，

所述输出层是sigmoid 函数。

7.根据权利要求1所述的基于图卷积神经网络交互的推荐方法，其特征在于，生成所述最优点击率预估模型后，还将所述点击率预估模型保存成调用的接口，推荐系统通过所述接口调用所述最优点击率预估模型，实现基于IPTV 点播节目的推荐系统。