[发明专利]一种基于轻量化图卷积网络的移动应用推荐方法

权利要求书

1.一种基于轻量化图卷积网络的移动应用推荐方法，其特征在于，包括如下步骤：

1)初始嵌入层：嵌入向量e_i∈R^d代表用户u的嵌入矩阵，e_i∈R^d代表移动应用i嵌入矩阵，其中d为移动应用或用户的嵌入维度大小；因两者的嵌入维度一致，将参数矩阵构建整合为一个嵌入的大矩阵，具体如公式(1)、(2)所示：

2)轻量化图卷积层：在LGC层，对下一层进行归一化邻域嵌入求和，在LGC层的组合过程中，对每一层的嵌入进行求和，得到最终的向量表示；通过将移动应用节点和用户节点的特征聚合在图上，学习新节点的向量表示，将模型迭代地进行图卷积，即将邻域的特征聚合为目标节点的新向量表示，这种邻域聚合可以抽象为：

其中，AGG表示线性聚合函数，LGC仅从邻居传播信息，通过传播来自其连接用户的信息来获得移动应用i的表征

LGC中的传播规则为：

根据公式(4)和(5)，以二阶传播嵌入为例，得知：

在LGC中，eu(0)：表示所有用户、ei(0)：表示所有移动应用，当给定第0层嵌入时，通过公式(4)和(5)中定义的LGC传播规则计算更高层的嵌入，通过堆叠K个嵌入传播层，用户或移动应用接收从其K跳邻居传播的消息，以形成用户和移动应用节点的最终向量表征：

其中，αk为可学习的权重系数；

另外，矩阵形式的传播规则：用户-移动应用交互矩阵为其中，M和N分别表示用户数量和移动应用数量，如果u与i交互，则R_ui为1，否则为0；用户-移动应用交互的邻接矩阵为：

其中T是嵌入大小，给定第0层的嵌入矩阵，得到LGC矩阵的等价形式：

其中，D是一个(M+N)×(M+N)的对角正定矩阵，也称为邻接矩阵A的度矩阵；为对称归一化矩阵。

3)移动应用推荐层：通过LGC层的嵌入传播，得到用户u和移动应用i的多个向量表示；根据生成的节点向量表示，计算内积可以根据下式(11)预测用户对移动应用的偏好得分：