[发明专利]基于边增强型全局解耦图神经网络的序列推荐方法

权利要求书

1.基于边增强型全局解耦图神经网络的序列推荐方法，其特征在于，包括：

输入层：以训练数据中所有的项目为节点，以用户与项目之间的交互顺序为边，构建全局链接图，输入至图神经网络；

解耦学习层：全局层采用基于图神经网络的解耦表示方法聚合来自项目v_i所有邻居项目的预设数量个因素的影响概率，得到项目v_i的全局层面的解耦项目表示；

局部层先采用基于序列神经网络预处理目标用户的项目交互序列，再采用基于图神经网络的解耦表示方法聚合来自目标用户的项目v_i按交互时间顺序的前L-1个项目的预设数量个因素的影响概率，得到该目标用户的项目v_i的局部层面的解耦项目表示；

预测层：累加项目v_i的全局层面的解耦项目表示和目标用户的项目v_i的局部层面的解耦项目表示，与每个候选项目的初始嵌入表示相乘，即得到目标用户在项目v_i后作为下一个交互项目出现的概率；

迭代训练：设置训练目标训练图神经网络，更新项目表示和内部参数，得到训练完成的图神经网络；

将训练完成的图神经网络的预测层的输出结果按从大至小的顺序排列，概率最大的项目即为向目标用户推荐的项目。

2.如权利要求1所述的基于边增强型全局解耦图神经网络的序列推荐方法，其特征在于，全局层面的解耦表示方法包括：预设项目v_i受其邻居项目v_j的影响因素的数量为K个，即从项目v_i到邻居项目v_j具有K个通道，每个通道对应一个影响因素，基于通道感知机制分别计算每个邻居项目v_j的K个影响因素对项目v_i的影响概率，并聚合来自项目v_i所有邻居项目v_j的影响概率，以更新项目v_i的项目表示，得到

3.如权利要求1所述的基于边增强型全局解耦图神经网络的序列推荐方法，其特征在于，邻居项目v_j的第k个影响因素对项目v_i的影响概率的计算采用公式1：

其中，表示项目v_i和v_j是相邻链接的，以及项目v_j在影响因素k上对项目v_i的影响概率，表示通道k的参数，W_k′表示通道k’的参数，d_in表示输入的项目嵌入的维度，d_channel表示每个通道嵌入表示的维度，h_i表示项目v_i的初始嵌入表示，h_j表示项目v_j的初始嵌入表示，σ(·)表示非线性激活函数，W_k^T和W_k′^T分别表示对矩阵W_k和W_k′取转置。

4.如权利要求2所述的基于边增强型全局解耦图神经网络的序列推荐方法，其特征在于，采用公式2累加项目v_i的领域的第k个影响因素的影响概率至项目v_i中：

其中，表示累加项目v_i的领域的第k个影响因素的影响概率后项目v_i的项目表示，表示项目v_i的邻域，即所有邻居项目的集合；

采用公式3将K个通道的累加：

其中，表示项目v_i累加了K个通道的影响概率后的项目表示，即项目v_i的全局层面的解耦表示。