[发明专利]一种基于图卷积网络的社交推荐方法与系统

说明书

本发明公开了一种基于图卷积网络的社交推荐方法与系统，属于机器学习、社交推荐领域，主要包括数据集构建、邻域聚合、生成实体表示、模型训练与预测等。本发明在用户端同时考虑与之交互的物品和社交好友两类信息，在物品端同时考虑与之交互的用户以及协同相似物品两类信息，从而将用户‑物品交互网络、用户社交网络和物品协同相似网络三者建模在统一的网络之中，显式建模用户‑物品、用户社交网络以及物品协同相似网络之间的高阶连接性来提升嵌入，这样可以捕获用户对物品深层的潜在兴趣偏好，最终生成语义丰富的用户/物品表示，达到提高推荐准确性的目的。

技术领域

本发明属于机器学习、社交推荐领域，具体涉及一种基于图卷积网络的社交推荐方法与系统。

背景技术

随着网络技术的进步，人们可以轻易的访问到大量的在线信息，例如商品，电影。但于此同时，“信息过载”问题愈发严重，导致用户往往需要花费大量时间才能获得他们想要的信息。因此推荐系统应运而生，它旨在通过分析用户的兴趣与需求，判断与之相关的商品集，从而过滤掉大量无关信息。目前最流行的推荐技术之一是协同过滤(Collaborativefiltering，CF)，它利用用户的历史交互并基于他们的共同偏好进行推荐。一般而言，可学习CF模型有两个关键组成部分：1)嵌入将用户和物品转换为矢量化表示；2)交互建模，基于嵌入重构历史交互。例如，通过神经协同过滤模型用非线性神经网络代替MF内积的交互函数。

近年来，图神经网络GNN技术在图形数据方面取得了很大的发展，它们被提出用来学习图形数据的表示。他们的主要思想是如何使用神经网络迭代地聚集来自局部图邻域的特征信息。因此，GNN可以自然地集成节点信息和拓扑结构，在表示学习方面具有强大的能力，并被广泛用于基于CF的推荐场景中。但是在利用GNN对嵌入函数中的连通信息进行建模时，往往缺乏对用户-用户之间的社交关系以及物品-物品之间协同相似关系联合的显式编码，而这些协同信号在用户-物品交互中是潜在的，它揭示用户之间的行为相似性。更具体地说，大多数现有方法仅使用描述性特征(例如，ID和属性)来构建嵌入函数，对社交网络以及物品协同相似网络的信息利用方式往往是通过不同通道获得相应的嵌入表示，最后通过串联等方式融合语义信息，没有考虑把用户-物品交互网络、用户社交网络和物品协同相似网络的关系联合编码进嵌入学习过程中。

发明内容

发明目的：针对上述现有技术存在的问题，本发明目的在于提供一种能够有效利用社交关系与物品协同相似关系的社交推荐方法与系统，具有模型参数少、训练开销小、推荐结果准确性高等特点。

技术方案：为实现上述目的，本发明采用如下技术方案：一种基于图卷积网络的社交推荐方法，包括以下步骤：

步骤1，抽取用户-物品关系以及用户好友关系，处理后得到用户-物品交互关系以及用户-用户好友关系；

步骤2，基于用户和物品的交互建立物品-物品协同相似关系，并将所得到的用户和物品的关系建模在统一的网络之中，在用户端使用图神经网络分别对用户的两类邻域进行聚合操作，生成用户的两类节点特征，用户节点的邻域包括与之交互的物品以及用户的社交好友，然后通过门控机制对用户端的两类节点进行特征融合获得最终用户表示；在物品端使用图神经网络分别对物品的两类邻域进行聚合操作，生成物品的两类节点特征，物品节点的邻域包括与之交互的用户以及协同相似物品，然后通过门控机制对物品端的两类节点进行特征融合获得最终物品表示；

步骤3，通过图卷积网络的消息传递机制和串联操作，生成全局感知的用户表示和物品表示；

步骤4，通过损失函数对模型进行训练，以预测用户点击某一物品的概率。

进一步地，步骤2中物品-物品相似关系根据如下方法计算：

定义物品i和物品j之间的协同相似度sim_i,j的强度：