[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

说明书

本发明公开的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，方法包括：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，利用聚类算法进行子图划分；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和项目超边组，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。本发明提高了推荐精度和模型的可行性。

技术领域

本发明涉及人工智能技术领域，更具体的，涉及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。

背景技术

在信息爆炸的时代，用户每天都会产生大量的行为数据。面对如此巨量的信息时，用户很难分析和选择有用的信息，即信息过载已成为了信息量不断膨胀主要负面影响之一。

推荐系统作为处理信息过载的主要技术手段，能够过滤庞大的数据量，寻找有用的、高质量的信息，从而对用户行为做出合理预测。协同过滤是推荐系统中最常见的方法，它根据用户已有的交互行为，为每个用户寻找具有相似兴趣的用户来完成推荐任务。早期的推荐模型直接使用用户和项目的ID作为嵌入向量，导致所学习的嵌入表达具有局限性。

近年来，图卷积神经网络被证明了是一项在推荐领域非常强大的技术，用户的历史交互行为被用来构建成一个用户-项目二部图，图卷积神经网络协同过滤通过捕捉用户-项目关系非线性的高阶交互关系以学习有效的用户、项目嵌入，提升了模型的表达能力。然而，当前基于图卷积神经网络的协同过滤模型仍存在缺陷：首先，图神经网络模型的处理是将原始交互图进行树状展开，导致交互图的位置拓扑结构信息没有编码进嵌入表达中。其次，用户和项目建模不灵活，用户和物品不存在区别。此外，实体之间的高阶相关性建模也存在不足，用户-物品的高阶相关性对建模是很有帮助的。

现有技术中协同过滤模型嵌入表达不全面，用户与项目建模不灵活，没有考虑用户-物品的高阶相关性，因此亟需一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法。

发明内容

鉴于上述问题，本发明的目的是提供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，提高推荐精度和模型的可行性。

本发明第一方面提供了一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法，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。

本方案中，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。

本方案中，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。