[发明专利]一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法、系统及计算机可读存储介质

权利要求书

1.一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法，其特征在于，包括以下步骤：

获取用户与项目交互数据，并构造用户-项目交互二部图；

构建用户与项目的初始嵌入查找表，利用聚类算法将用户-项目交互二部图进行子图划分，得到c个不连通的聚类子图；

使用矩阵分解来对聚类子图进行编码，得到位置拓扑编码；

定义关联规则表，利用关联规则表分别得到用户的和项目的超边组，整合所述超边组生成超图，并获得超图关联矩阵；

通过超图卷积操作分别学习用户与项目的高阶邻域复杂相关性，将超图卷积的输出与位置拓扑编码进行结合，并通过可学习的前馈神经网络来进行信息融合得到嵌入向量；

将嵌入向量进行内积处理得到用户与项目之间的关联分数，并根据关联分数为用户推荐可能感兴趣的项目；

构建用户与项目的初始嵌入查找表，利用聚类算法将用户-项目交互二部图进行子图划分，得到c个不连通的聚类子图具体过程为：

构建用户与项目的初始嵌入查找表分别为：其中N，M分别为用户的数量和项目的数量，表示第N个用户的向量表示，表示第M个项目的向量表示，用户与项目之间的交互构成了交互矩阵，记为H∈{0,1}^N×M；

使用METIS聚类算法对用户-项目交互二部图进行划分，对划分结果随机采样并充足得到c个不连通的子图，分割结果表示为：其中，G_c表示分割得到的第c个聚类子图；

使用矩阵分解来对聚类子图进行编码，得到位置拓扑编码具体为：

使用矩阵分解对聚类子图中的节点进行编码，通过梯度下降来获得用户位置拓扑编码矩阵P∈R_N×K和项目位置拓扑编码矩阵Q∈R_M×K；

通过超图卷积操作分别学习用户与项目的高阶邻域复杂相关性，将超图卷积的输出与位置拓扑编码进行结合，并通过可学习的前馈神经网络来进行信息融合得到嵌入向量，具体步骤为：

将超图关联矩阵和用户-项目嵌入通过超图卷积操作分别学习高阶邻域复杂相关性并得到超图卷积输出；

将超图卷积的输出与位置拓扑编码进行结合，并通过可学习的1层前馈神经网络来进行信息融合，得到嵌入向量；

其中，通过构建子图的邻接矩阵A_N×M和预测评分矩阵之间的误差函数来学习用户位置拓扑编码矩阵P和项目位置拓扑编码矩阵Q，因此用户i和商品j的拓扑位置编码p_i和q_j之间的误差被定义为：

公式中p_ik代表用户i的位置编码表示p_i的第k位数字，同理q_jk则代表项目j的位置编码q_j的第k位数字；

使用梯度下降算法来求解上述拓扑位置编码p_i和q_j之间的误差，首先求解损失函数的梯度：

接着沿梯度的负方向来更新变量：

其中，α为梯度下降法中的学习率，作用是控制参数的更新速率；

通过上述的两个步骤来进行迭代优化，直到算法收敛，至此，获得了用户和项目的拓扑位置编码矩阵P∈R_N×K,Q∈R_M×K。

2.根据权利要求1所述的一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法，其特征在于，所述获取用户与项目交互数据，并构造用户-项目交互二部图，具体为：

从开源的数据集中获取用户与项目交互数据，所述用户与项目交互数据为欧氏空间数据，将欧氏空间数据构造为非欧氏空间数据即得到用户-项目交互二部图。

3.根据权利要求2所述的一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法，其特征在于，对于开源数据集中每个可以观察到的用户项目交互视为正样本，对用户没有交互过的项目执行负采样策略，与正样本进行配对。