[发明专利]基于深度图卷积网络的自适应学习隐式用户信任行为方法

权利要求书

1.一种基于深度图卷积网络的自适应学习隐式用户信任行为方法，其特征在于，包括如下三个步骤：

步骤1：信任信息预处理,利用用户的历史行为来过滤掉不可靠的信任信息，来缓解信任的噪音问题；

步骤2：图卷积网络学习，深度图卷积网络根据用户的评分数据以及信任特征进行学习，并且输出用户的特征；

步骤3:自适应学习隐式信任特征,利用自适应学习矩阵来学习可靠的用户信息，并且推测用户的信任信息以及信任特征。

2.根据权利要求1所述的基于深度图卷积网络的自适应学习隐式用户信任行为方法，其特征在于，所述步骤1包括如下具体步骤：

首先获取用户对项目的评分数据以及用户的信任数据，并且将用户的评分数据划分为数据集、测试集、验证集，其中划分的比例为8：1:1；然后根据用户的评分数据对用户信任数据进行处理，利用Jaccard公式对不可靠的信任数据进行过滤，其中Jaccard公式为：

其中J_u,v表示用户u和用户v之间的相似度，该值在0到1之间的范围，越接近1代表用户u和用户v之间越相似，I_u和I_v分别表示用户u和用户v的历史评分数据。

3.根据权利要求2所述的基于深度图卷积网络的自适应学习隐式用户信任行为方法，其特征在于，所述步骤2包括如下具体步骤：

图卷积网络部分首先将用户特征与信任数据进行融合，将用户的信任数据作为用户的特征，与用户的行为特征融合成用户的信任特征，然后将用户的信任特征输入到深度图卷积神经网络中进行不断的迭代与学习，并且每一次迭代都会使用上一次迭代的结果作为这一次迭代的输入：

其中G_a＝{i|G_ai＝1}∈I为用户a交互过的项目的集合，H_i＝{i|H_ai＝1}∈U为交互过i的用户集合，而W^k+1则为带权重的参数学习矩阵。

4.根据权利要求3所述的基于深度图卷积网络的自适应学习隐式用户信任行为方法，其特征在于，所述步骤3的自适应学习包括评分预测部分和隐式信任特征更新部分，评分预测部分用来输出最终的预测结果，隐式信任特征更新部分根据用户的隐式信任行为来更新用户的信任特征。

5.根据权利要求4所述的基于深度图卷积网络的自适应学习隐式用户信任行为方法，其特征在于，所述评分预测部分在经过多次迭代之后，整个模型达到收敛，则根据图卷积部分输出的用户嵌入以及项目嵌入来作为输入，最后输出预测的评分矩阵：

其中,代表的是向量的内积操作。

6.根据权利要求5所述的基于深度图卷积网络的自适应学习隐式用户信任行为方法，其特征在于，所述隐式信任特征更新部分：使用用户的信任数据作为用户的属性在图卷积中进行学习，使用一个自适应学习矩阵来学习到图卷积网络输出的用户向量用以下公式来对隐式信任特征进行更新：

其中W_t是一个需要进行学习的带权重的矩阵参数，则是根据用户a的特征进行预测的特征向量；然后需要根据更新后的用户信任特征来对用户的隐式信任属性进行推断与更新，并且每一次迭代都需要用到上一次迭代之后的结果，公式如下：

其中T代表了所有用户的信任属性矩阵，代表了更新后的用户信任特征矩阵，I^X则是一个元素全为1的矩阵，隐式信任特征的更新一直持续到整个模型收敛。

7.根据权利要求5所述的基于深度图卷积网络的自适应学习隐式用户信任行为方法，其特征在于，所述步骤3还包括模型优化，用两个损失函数进行优化：预测评分损失函数：使用贝叶斯个性化排名来作为项目推荐的损失函数：

其中σ(x)代表的是sigmoid函数，是在图卷积模块中学习到的权重参数矩阵，而λ则是正则因子；

自适应学习隐式信任损失函数：用交叉熵损失函数来评估学习到的信任特征和真实的信任特征之间的差距，即：

其中Θ_a＝[W_t]是在学习隐式信任特征的过程的权重参数集合；

根据上述两部分的损失函数，将两个损失函数进行结合，使用平衡因子γ平衡两个损失函数之间的关系，如下公式所示：

其中Θ＝[Θ_a,Θ_r]包含上述的两个损失函数的参数。