[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

说明书

本发明公开了一种基于轻量化图卷积网络的移动应用推荐方法，首先利用二部图建模APP与用户的交互关系，利用高阶连通性(树形图)进行初始的嵌入；然后，在轻量化图卷积层中，使用嵌入传播沿着图结构捕获协同过滤信号以进一步细化移动应用与用户的嵌入；最后，通过内积预测出用户对于不同移动应用的偏好，完成推荐任务。本发明属于移动应用技术领域，具体是指一种基于轻量化图卷积网络的移动应用推荐方法。

技术领域

本发明属于移动应用技术领域，具体是指一种基于轻量化图卷积网络的移动应用推荐方法。

背景技术

随着移动应用数量和类型的快速增长，如何准确地向用户推荐移动应用成为一个新的挑战。图卷积神经网络是一种典型的移动应用推荐技术。然而，现有的基于图卷积神经网络的移动应用推荐中存在着非线性激活、特征变换等操作，这些操作用于对用户与移动应用之间的高阶交互关系进行建模和表征会增加模型训练的难度，导致过平滑效应，降低了推荐性能。

其中，轻量化图卷积网络：LGC；

发明内容

为了解决上述难题，本发明提供了一种基于轻量化图卷积网络的移动应用推荐方法。

本发明采取的技术方案如下：一种基于轻量化图卷积网络的移动应用推荐方法，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κ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。