[发明专利]一种基于异质信息网络和自适应去噪的推荐方法及系统

说明书

本发明公开了一种基于异质信息网络和自适应去噪的推荐方法及系统，属于推荐系统的技术领域。本发明中，采用异质信息网络作为模型的输入，可以更好地处理等复杂的输入，更好的建模真实世界，解决了同质信息网络无法模拟的现实情况，大幅提高了推荐的精度。加入了自适应去噪模块，可以有效的去除数据集中的噪声，更好地保留了异质信息网络数据集的有效数据。同时辅以深度图卷积神经网络，可以有效的提高推荐模型的精度，同时适应更复杂的现实世界。解决了当前推荐系统中大多只关注推荐精度问题，不仅可以从数据集的角度改变模型的推荐效果，同时由于加入了去噪模块，模型的时间复杂度也变得较低，可以有效的应用在实际的工业环境中。

技术领域

本发明属于推荐系统的技术领域，涉及一种基于异质信息网络和自适应去噪的推荐方法及系统。

背景技术

近年来，推荐系统在不同的在线服务中发挥着越来越重要的作用，它帮助用户在庞大的数据源中发现感兴趣的商品。

在推荐系统领域，以往的许多研究都是基于同质信息网络的。这样做的一个优点是建模更方便，不需要考虑不同类型的节点和边，算法的实现也更加自然。

然而，现实世界中信息网络的类型和关系是多方面的，且多种形式的辅助信息如用户、商品、导演、主演等实体信息都可以被用于推荐系统。仅依靠同质网络难以对更复杂的图网络进行建模。

发明内容

有鉴于此，本发明提供了一种基于异质信息网络和自适应去噪的推荐系统，解决了当前推荐系统中大多只关注推荐精度的问题，只关注推荐精度不考虑数据集的多样性，比如同质图和异质图，会导致无法适应更加复杂的数据集，无法更好的模拟现实世界，得到的嵌入也会大打折扣。同时，本发明相比于现有的异质信息网络推荐系统，设计了更好的元路径模型，同时融合了更好的自适应去噪机制，可以得到更好的推荐效果，同时解决了现有的异质信息网络推荐系统精度低和无法有效在包含大量噪声的数据集中提取嵌入的问题。不仅可以从数据集的角度改变模型的推荐效果，同时由于加入了去噪模块，模型的时间复杂度也变得较低，可以有效的应用在实际的工业环境中。

为此，本发明提供了以下技术方案：

一方面，本发明提供了一种基于异质信息网络和自适应去噪的推荐方法，所述方法包括：

S1、预处理异质信息网络数据集，得到同质图；

S2、将S1预处理后得到的同质图输入到三层叠加图卷积网络来学习节点嵌入，并利用融合函数融合多条元路径的节点嵌入；

S3、将S2输出的节点嵌入输入到矩阵分解模型中进行训练，在训练过程中利用截断损失函数对S2输出的节点嵌入进行自适应去噪，去除节点嵌入中包含的噪声数据；所述截断损失函数中忽略具有动态阈值的噪声样本，所述动态阈值在训练过程中自动更新；

S4、经过S3后得到所有用户和项目的嵌入，通过点积操作，得到用户对项目的预测评分，基于所述预测评分为用户推荐项目。

进一步地，预处理异质信息网络数据集包括：

采用元路径，通过在异构图上随机游走，提取出基于所述元路径的语义的路径；

将不同于首节点类型的其余节点删除，得到只包含一种类型节点的路径，形成同质图。

进一步地，将S1预处理后得到的同质图输入到三层叠加图卷积网络来学习用户和项目的嵌入包括：

计算S1得到的同质图的图拉普拉斯矩阵；

将所述图拉普拉斯矩阵输入三层叠加图卷积网络，从每一层获得一个嵌入；

将每一层获得的嵌入连接起来，使最终的嵌入集合包含了每个卷积层的信息。

进一步地，融合函数是：