[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

说明书

本发明属于深度学习技术领域，公开了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，包括步骤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。本发明能够过在过滤掉不可靠的信任特征的同时，让自适应矩阵学习用户的行为特征，从而学习用户的隐式信任行为逻辑，推断并完善用户的信任特征，增强了用户的评分数据与用户的信任数据之间的联系，提高了推荐性能。

技术领域

本发明属于深度学习技术领域，尤其涉及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。

背景技术

近年来，随着互联网的快速发展，互联网中用户与用户之间的交互也越来越紧密，这使得基于用户的社交信息的社会化推荐算法受到了广泛的关注，越来越多的研究者们利用用户的信任信息，如用户的好友、用户的关注等来缓解数据稀疏的问题，它能够缓解现有推荐算法中用户与项目交互的数据稀疏性问题，如Guo等人提出的融合了用户的信任信息的协同过滤模型(TrustSVD)等。但是经典的社会化推荐算法很依赖于用户的信任数据的质量，如果用户的信任数据很稀疏或者是噪音很大，那么就会使得算法的性能下降。最近几年研究者们在尝试解决信任数据的稀疏问题或者是噪音问题的过程中发现，如果只解决数据的稀疏问题，那么数据的噪音问题就会变得更加严重，相似的，如果只解决数据的噪音问题，那么数据的稀疏问题就会变得更加严重。因此，在我们考虑解决信任数据的稀疏性问题的同时，还要考虑解决数据的噪音问题。

现如今，有研究者尝试将这两个问题同时进行处理，如Yu等人提出的基于深度对抗网络算法，显式的定义了一个可靠的用户关系，并在深度对抗网络中不断学习并生成用户可能存在的信任用户，从而缓解信任的稀疏性问题。但如果算法通过人为的定义一个显式的用户关系来生成用户的信任数据，那么算法的性能很大程度上会取决于人为定义的用户关系的合理性。与此同时，研究者们发现用户的日常活动与用户的信任行为其实是有相关性的，如果Yang等人研究发现，无论是信任关系或者类似于信任的关系，用户的行为活动都会与他们信任的用户的行为活动呈现正相关性。

发明内容

本发明目的在于提供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,以解决上述技术问题。

为解决上述技术问题，本发明的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的具体技术方案如下：

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，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。

进一步地，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。

进一步地，所述步骤2包括如下具体步骤：