[发明专利]基于图神经网络与元数据的个性化服务推荐方法

说明书

本发明公开了一种基于图神经网络与元数据的个性化服务推荐方法。通过对用户的历史服务交互记录以无向图的方式建模，该图表达了用户与服务的交互行为以及服务与服务、服务与其元数据之间的关系；图神经网络根据当前图中节点之间的连接关系，计算得到每个节点的特征表示向量；再使用线性变换、注意力机制等方法对不同类型的节点各自进行融合计算。本发明从服务、供应商、类别三个角度细化了用户选择服务时的主要动机并将用户的服务偏好发展趋势归纳为长期、短期以及动态三个部分，以应对用户偏好的多变性；元数据的引入丰富了服务的特征表示，能在冷启动以及数据稀疏的情况下，依旧实现关于服务的精确推荐。

技术领域

本发明涉及数据挖掘与推荐系统领域，具体涉及一种基于图神经网络与元数据的个性化服务推荐方法。

背景技术

随着信息技术的蓬勃发展，相较于传统的物料、货品供应，基于数字化信息资产的应用服务供应体系逐渐成熟。应用服务商是通过网络给企业或者个人配置、租赁以及解决方案的企业，它们早已融入了普罗大众的日常生活，例如手机移动通信服务、流媒体推送服务、计算资源租赁服务等。

服务商通过不断强化自身产品的优势以及拓宽、细化应用场景的需求，以提升自身产品的优势。这使得市面上来自不同公司、不同系列的服务产品种类繁多，给个人或者企业用户在选择服务时带来“信息过载”的问题——用户无法快速定位到符合目标需求的服务。因此亟需一种方法能够整合当前市面上的服务商品信息，根据用户历史交互记录，推荐符合用户预期的服务商品。

目前主流的推荐方法有传统方法，如协同过滤、社区推荐、矩阵分解等方法；也有基于深度学习的方法，如基于RNN序列推荐算法、基于LSTM时序推荐算法等。但是上述方法通常对用户与物品之间的交互记录进行建模，并没有对物品的其他特征进行深度挖掘，导致无法给予更加精准的推荐。当前，服务推荐系统面临的主要两大难题如下：首先，用户的在选择服务品类受到多种因素影响，例如收费、供应商、服务类别等，需要能够全面、深入地考察影响用户偏好的具体因素；其次，用户对于服务的需求通常也在不断发生变化，模型需要能够灵敏地捕捉用户的偏好变迁以提供更加准确的服务推荐。

发明内容

在对于现有主流方法的局限性深度考察之后，本发明提出了一种基于图神经网络与元数据的个性化服务推荐方法。

该方法针对于用户与服务的交互行为，包括购买商品、收听歌曲、订阅流量等，通过融入服务的元数据信息(供应商，服务类别)，以丰富服务的特征表示，并强化不同服务之间的区别与联系；根据用户近期的服务历史序列记录，以图结构建模用户交互的服务序列记录以及元数据与服务之间的关系。其中，用户的交互记录图为无向图，包括了用户、服务、供应商、类别节点。基于此图，图神经网络能够根据不同节点之间的关系从而获得它们的特征表示向量。最后，使用注意力机制以及线性变换的方式将特征表示向量融合提炼为用户的服务偏好向量表示，进而能够与服务特征表示向量运算获得不同服务的推荐分数。

基于图神经网络与元数据的个性化服务推荐方法，包括以下步骤：

步骤(1)获取用户的服务历史序列记录以及服务对应的供应商和类别信息，作为服务的交互记录；

步骤(2)根据步骤(1)获取的服务的交互记录中，服务交互的时序先后，对交互记录进行升序排序；根据用户的ID对交互记录进行分组；建立每项服务与供应商、类别的映射字典L；

步骤(3)构建用户服务序列图G_u(V,E)，包含用户在给定时间范围内的服务历史序列记录，用户与服务、用户与供应商、用户与类别的交互关系以及服务与供应商、服务与类别之间的关系；所述用户服务序列图G_u(V,E)中的节点类型有四种：用户、服务、供应商、类别。