[发明专利]基于边信息和注意力机制的神经网络推荐方法及系统

权利要求书

1.一种基于边信息和注意力机制的神经网络推荐方法，其特征在于，包括：

步骤1，将多源数据构建为异构信息网络；所述数据包括用户-项目评分数据及边信息；

步骤2，提取异构信息网络中用户和项目的隐特征、属性特征和关系特征；其中隐特征为将用户和项目的编号进行嵌入得到的稠密特征表示，属性特征是通过多层感知器网络从用户和项目的属性矩阵中学习得到的，关系特征是通过基于元路径的网络嵌入从异构信息网络中学习得到的；

步骤3，根据提取的用户和项目的隐特征、属性特征和关系特征来预测用户对项目的评分，并基于预测评分进行推荐。

2.根据权利要求1所述的基于边信息和注意力机制的神经网络推荐方法，其特征在于，所述步骤2中，按照如下方式提取异构信息网络中用户和项目的隐特征：将用户和项目的对应编号转换为独热编码的二值化向量；通过嵌入层把得到的二值化向量映射为稠密的用户/项目嵌入；得到的用户/项目嵌入即为用户/项目的隐特征。

3.根据权利要求1所述的基于边信息和注意力机制的神经网络推荐方法，其特征在于，所述步骤2中，利用基于元路径的网络嵌入从异构信息网络中提取用户和项目的关系特征，包括：首先，对于每一条元路径，利用连通矩阵将异构信息网络转换为相应的同构信息网络；然后，利用网络嵌入算法提取同构信息网络中的用户或项目的特征表示。

4.根据权利要求1所述的基于边信息和注意力机制的神经网络推荐方法，其特征在于，所述步骤2中，按照如下方式提取异构信息网络中用户和项目的属性特征：将用户和项目的属性值转换为独热或多热编码的二值化向量；通过具有ReLU激活函数的两层全连接网络，将得到的二值化向量映射为稠密的特征表示，即得到用户属性特征矩阵以及项目属性特征矩阵。

5.根据权利要求1所述的基于边信息和注意力机制的神经网络推荐方法，其特征在于，所述步骤3包括：将每个用户和项目的隐特征、属性特征和关系特征通过一个注意力网络融合为一个用户特征向量和一个项目特征向量，然后，利用用户特征向量及项目特征向量预测用户对项目的评分，并将预测评分最高的前n个项目推荐给用户。

6.一种基于边信息和注意力机制的神经网络推荐系统，其特征在于，包括：

异构信息网络构建模块，用于将多源数据构建为异构信息网络；所述数据包括用户-项目评分数据及边信息；

特征提取模块，用于提取异构信息网络中用户和项目的隐特征、属性特征和关系特征；其中隐特征为将用户和项目的编号进行嵌入得到的稠密特征表示，属性特征是通过多层感知器网络从用户和项目的属性矩阵中学习得到的，关系特征是通过基于元路径的网络嵌入从异构信息网络中学习得到的；

预测评分及推荐模块，用于根据提取的用户和项目的隐特征、属性特征和关系特征来预测用户对项目的评分，并基于预测评分进行推荐。

7.根据权利要求6所述的基于边信息和注意力机制的神经网络推荐系统，其特征在于，所述特征提取模块中，按照如下方式提取异构信息网络中用户和项目的隐特征：将用户和项目的对应编号转换为独热编码的二值化向量；通过嵌入层把得到的二值化向量映射为稠密的用户/项目嵌入；得到的用户/项目嵌入即为用户/项目的隐特征。

8.根据权利要求6所述的基于边信息和注意力机制的神经网络推荐系统，其特征在于，所述特征提取模块中，利用基于元路径的网络嵌入从异构信息网络中提取用户和项目的关系特征，包括：首先，对于每一条元路径，利用连通矩阵将异构信息网络转换为相应的同构信息网络；然后，利用网络嵌入算法提取同构信息网络中的用户或项目的特征表示。

9.根据权利要求6所述的基于边信息和注意力机制的神经网络推荐系统，其特征在于，所述特征提取模块中，按照如下方式提取异构信息网络中用户和项目的属性特征：将用户和项目的属性值转换为独热或多热编码的二值化向量；通过具有ReLU激活函数的两层全连接网络，将得到的二值化向量映射为稠密的特征表示，即得到用户属性特征矩阵以及项目属性特征矩阵。

10.根据权利要求6所述的基于边信息和注意力机制的神经网络推荐系统，其特征在于，所述预测评分及推荐模块具体用于：将每个用户和项目的隐特征、属性特征和关系特征通过一个注意力网络融合为一个用户特征向量和一个项目特征向量，然后，利用用户特征向量及项目特征向量预测用户对项目的评分，并将预测评分最高的前n个项目推荐给用户。