[发明专利]一种在图神经网络中引入物品类别信息的推荐方法

权利要求书

1.一种在图神经网络中引入物品类别信息的推荐方法，其特征在于，包括如下步骤：

步骤1，确定输入数据

所述输入数据为表现用户、物品以及辅助信息之间交互关系的用户-物品交互图，所述用户-物品交互图包括关系数据和知识图谱；所述关系数据表示用户和物品之间的交互行为；所述知识图谱表示物品与其辅助信息之间的关系；所述交互行为指用户对物品的隐式反馈；所述辅助信息是指与物品相关的一系列特征描述；

步骤2，构建潜在因子模块

所述潜在因子模块用于对用户选择商品的意图进行建模，用户选择物品总会出于某种意图，得到该模块中用户和物品的向量表示；

步骤3，构建类别信息模块

所述类别信息模块用于获得物品的类别信息，所述类别信息模块采用物品先验知识向量作为物品的特征信息；

步骤4，构建类别加权聚合模块

所述类别加权聚合模块用于将知识图谱和物品先验知识向量进行加权聚合，得到该模块中用户和物品的向量表示；

步骤5，构建评分预测模块

所述评分预测模块用于将潜在因子模块和类别加权聚合模块得到用户和物品的向量表示进行整合，进而进行向量计算，最终实现在给定交互行为集合以及知识图谱上学习一个函数，该函数能够预测一个用户有多大可能性购买或选择一个物品。

2.根据权利要求1所述在图神经网络中引入物品类别信息的推荐方法，其特征在于，所述用户对物品的隐式反馈，包括浏览、购买、点赞、收藏和转发，在关系数据中，用户和物品之间的交互行为集合O⁺＝{(u，i)|u∈U，i∈I}，其中U表示用户集合，I表示物品集合，u表示用户，i表示用户u选择的物品；

所述知识图谱表示为G＝{(h，r，t)|h，t∈V，r∈R}，其中，V表示实体集合，其中的一个实体即为物品h或物品的辅助信息t；R表示即物品与其辅助信息之间的关系r的集合。

3.根据权利要求2所述在图神经网络中引入物品类别信息的推荐方法，其特征在于，所述潜在因子模块中，将用户选择物品意图作为相应的潜在因子p，根据所有潜在因子p的集合P，将用户和物品配对(u，i)进行划分，形成{(u，p，i)|p∈P}，每个潜在因子p均与知识图谱中的关系匹配，运用注意力机制构造潜在因子p的向量e_p：

式中：e_r表示关系r的ID嵌入向量，α(r，p)表示潜在因子p与知识图谱中物品关系之间的重要性得分，计算公式为：

式中：w_rp表示一个可以训练的权重矩阵，该权重矩阵对应知识图谱中一个具体的关系r以及一个具体的潜在因子p，r′表示用户选择指定的物品在知识图谱中对应的其他关系。

4.根据权利要求3所述在图神经网络中引入物品类别信息的推荐方法，其特征在于，所述潜在因子模块中，两个潜在因子的距离相关系数越小，意味着两个潜在因子之间越独立，潜在因子之间的独立性以L_ING表示，计算公式如下：

式中：e_p和e_p′为潜在因子p与潜在因子p′的向量，dCor(e_p，e_p′)表示潜在因子p与潜在因子p′之间的距离系数；dCov(e_p，e_p′)表示e_p与e_p′的距离协方差；dVar(e_p)表示e_p的距离方差，dVar(e_p′)表示e_p′的距离方差。