基于注意图卷积神经网络的多行为推荐方法与流程

1.本发明涉及推荐系统及深度学习技术领域，具体涉及一种基于注意图卷积神经网络的多行为推荐方法。


背景技术：

2.在信息爆炸的年代中，推荐系统在解决信息过载的问题上发挥着巨大的作用。推荐系统的出现可以根据以往用户的历史信息中预测到用户感兴趣的新信息，例如在音乐、影视、电商、在线评论网站、基于位置的推荐服务等平台上被广泛应用。其中协同过滤(cf)技术是推荐领域中最为广泛使用的算法。然而大部分传统模型和神经网络模型都是对单一类型行为进行研究的，现实生活中用户的兴趣不单单体现在单一行为上，因此对多行为推荐的研究是必然的。目前对多行为推荐的模型研究主要是基于这四个框架：bpr、rnn，gcn，mtl。利用bpr框架是对多行为数据进行采样，利用辅助行为为用户的物品对进行排序服务；利用rnn网络捕捉多种行为的顺序信息，用行为特制注意力机制解决行为之间的重要程度。利用gcn网络捕获用户和物品图的多行为信息和物品和物品图捕获物品属性信息。利用mtl框架使得多个任务共享用户嵌入或者根据行为之间的顺序关系后进行模型训练。以上工作虽然取得了很大的成就，但是都忽略了多种行为下不同的嵌入表达和未能更深层挖掘行为之间的联系导致不能获得最优的模型。


技术实现要素：

3.本发明为了克服以上技术的不足，提供了一种通过构建多种行为的嵌入表达、多通道图卷积模块以及采用行为特制注意力机制模块对用户偏好建模并提升模型推荐效果的方法。
4.本发明克服其技术问题所采用的技术方案是：
5.一种基于注意图卷积神经网络的多行为推荐方法，包括如下步骤：
6.a)在电子商务数据集中采用留一法获得训练集和测试集；
7.b)训练集中包含n个用户、i个物品及k种类型的用户行为，利用训练集构建用户行为的无向图；
8.c)建立并训练基于行为特制注意多通道图卷积神经的多任务学习网络模型；
9.d)计算用户对物品进行某行为的偏好程度，实现物品推荐。
10.进一步的，步骤a)中测试集中的每一个用户都有一个没有与之交互过的物品，通过测试集调试步骤c)中的基于行为特制注意多通道图卷积神经的的多任务学习网络模型的参数。
11.进一步的，步骤b)中k＝3，3种类型的用户行为分别为用户购买物品行为、用户将物品添加到购物车行为以及用户点击物品链接行为。
12.进一步的，步骤b)包括如下步骤：
13.b-1)通过公式g＝(u
(k)
,i
(k)
)构建第k种用户行为的无向图g，k＝{1,2,
…
,k}，式中u(k)
为包含用户节点的集合，其中为第k种用户行为下的第n个用户的向量矩阵，n＝{1,2,
…
,n}，其中r为实数空间，d为维度，其中为第k种用户行为下的第n个物品的向量矩阵，m＝{1,2,
…
,i}，进一步的，步骤c)包括如下步骤：
14.c-1)通过公式计算无向图g的第l层时第u个用户的嵌入表达矩阵式中为无向图g的l-1层时物品i的嵌入表达矩阵，l＝{1,2,3}，nu为第u个用户交互过的物品数量，ni为第i个物品被第u个用户交互过的数量；
15.c-2)通过公式计算无向图g的第l层时第i个物品的嵌入表达矩阵式中为无向图g的l-1层时用户u的嵌入表达矩阵；
16.c-3)通过公式计算得到每种行为下l层聚合后最终第u个用户的嵌入表达矩阵eu；
17.c-4)通过公式计算得到每种行为下l层聚合后最终第i个物品的嵌入表达矩阵ei；
18.c-5)通过公式计算得到第u个用户在第k种行为下的嵌入表达矩阵式中为第k种行为下第u个用户受到其它行为影响的权重初始化矩阵，b为偏置初始化因数，为第u个用户在受到第k种行为影响之前的嵌入表达初始化矩阵；
19.c-6)通过公式计算得到第i个物品在第k种行为下的嵌入表达矩阵式中w
i(k)
为第k种行为下第i个物品受到其它行为影响的权重初始化矩阵，b为偏置初始化因数，为第i个物品在受到第k种行为影响之前的嵌入表达初始化矩阵，完成基于行为特制注意多通道图卷积神经的多任务学习网络模型的建立；
20.c-7)通过公式计算得到第k种行为的损失lk，式中σ为sigmoid函数，λ为l2范数归一化因子，为第u个用户对第i个物品进行第k种行为的可能性，第i个物品进行第k种行为的可能性，第i个物品进行第k种行为的可能性，为第u个用户对第j个物品进行第k种行为的可能性，户对第j个物品进行第k种行为的可能性，
21.c-8)通过公式计算得到总损失l
mtl
，式中ak为第k种行为的损失权重值；
22.c-9)利用总损失l
mtl
采用梯度下降法训练基于行为特制注意多通道图卷积神经的多任务学习网络模型，通过反向传播更新步骤c-5)中第u个用户在第k种行为下的嵌入表达矩阵和第k种行为下第u个用户受到其它行为影响的权重初始化矩阵更新步骤c-6)中第i个物品在第k种行为下的嵌入表达矩阵和第k种行为下第i个物品受到其它行为影响的权重初始化矩阵w
i(k)
。进一步的，步骤d)中通过公式计算得到用户对物品的偏好程度y，式中t为转置。
23.本发明的有益效果是：利用多通道图卷积神经网络模块为每一种行为设计一种特征表达来解决多种行为下多种嵌入表达的问题；采用行为特制注意力机制模块来捕获不同行为的重要程度；最终通过多任务学习框架对用户偏好建模，提升了模型的推荐效果，并可以通过对用户的偏好建模进行推荐。
附图说明
24.图1为本发明的方法流程图；
25.图2为本发明的行为特制注意力机制模块图。
具体实施方式
26.下面结合附图1、附图2对本发明做进一步说明。
27.一种基于注意图卷积神经网络的多行为推荐方法，包括如下步骤：
28.a)在电子商务数据集中采用留一法获得训练集和测试集；
29.b)训练集中包含n个用户、i个物品及k种类型的用户行为，利用训练集构建用户行为的无向图；
30.c)建立并训练基于行为特制注意多通道图卷积神经的多任务学习网络模型；
31.d)计算用户对物品进行某行为的偏好程度，实现物品推荐。
32.利用多通道图卷积神经网络模块为每一种行为设计一种特征表达来解决多种行为下多种嵌入表达的问题；采用行为特制注意力机制模块来捕获不同行为的重要程度；最终通过多任务学习框架对用户偏好建模，提升了模型的推荐效果，并可以通过对用户的偏好建模进行推荐。
33.实施例1：
34.步骤a)中测试集中的每一个用户都有一个没有与之交互过的物品，通过测试集调试步骤c)中的基于行为特制注意多通道图卷积神经的的多任务学习网络模型的参数。
35.实施例2：
36.步骤b)中k＝3，3种类型的用户行为分别为用户购买物品行为、用户将物品添加到购物车行为以及用户点击物品链接行为。例如采用一个真实的电子商务数据集，它来自中国最大的母婴电商平台贝贝，它们包括3种类型的用户行为，包括用户购买物品行为、用户将物品添加到购物车行为以及用户点击物品链接行为。
37.实施例3：
38.步骤b)包括如下步骤：
39.b-1)通过公式g＝(u
(k)
,i
(k)
)构建第k种用户行为的无向图g，k＝{1,2,
…
,k}，k＝1为用户购买物品行为、k＝2用户将物品添加到购物车行为、k＝3用户点击物品链接行为，式中u
(k)
为包含用户节点的集合，其中为第k种用户行为下的第n个用户的向量矩阵，n＝{1,2,
…
,n}，其中r为实数空间，d为维度，其中为第k种用户行为下的第n个物品的向量矩阵，m＝{1,2,
…
,i}，
40.实施例4：
41.步骤c)包括如下步骤：
42.c-1)通过公式计算无向图g的第l层时第u个用户的嵌入表达矩阵式中为无向图g的l-1层时物品i的嵌入表达矩阵，l＝{1,2,3}，nu为第u个用户交互过的物品数量，ni为第i个物品被第u个用户交互过的数量。
43.c-2)通过公式计算无向图g的第l层时第i个物品的嵌入表达矩阵式中为无向图g的l-1层时用户u的嵌入表达矩阵。
44.c-3)通过公式计算得到每种行为下l层聚合后最终第u个用户的嵌入表达矩阵eu。
45.c-4)通过公式计算得到每种行为下l层聚合后最终第i个物品的嵌入表达矩阵ei。
46.c-5)通过公式计算得到第u个用户在第k种行为下的嵌入表达矩阵式中为第k种行为下第u个用户受到其它行为影响的权重初始化矩阵(可训练的)，b为偏置初始化因数(是一个可训练的实数)，为第u个用户在受到第k种行为影响之前的嵌入表达初始化矩阵。c-6)通过公式计算得到第i个物品在第k种行为下的嵌入表达矩阵式中w
i(k)
为第k种行为下第i个物品受到其它行为影响的权重初始化矩阵(可训练的)，b为偏置初始化因数(是一个可训练的实数)，为第i个物品在受到第k种行为影响之前的嵌入表达初始化矩阵，完成基于行为特制注意多通道图卷积神经的多任务学习网络模型的建立。
47.c-7)通过公式计算得到第k种行为的损失lk，式中σ为sigmoid函数，λ为l2范数归一化因子，为第u个用户对第i个物品进行第k种行为的可能性，对第i个物品进行第k种行为的可能性，对第i个物品进行第k种行为的可能性，为第u个用户对第j个物品进行第k种行为的可能性，
48.c-8)通过公式计算得到总损失l
mtl
，式中ak为第k种行为的损失权重值。
49.c-9)利用总损失l
mtl
采用梯度下降法训练基于行为特制注意多通道图卷积神经的多任务学习网络模型，通过反向传播更新步骤c-5)中第u个用户在第k种行为下的嵌入表达矩阵和第k种行为下第u个用户受到其它行为影响的权重初始化矩阵更新步骤c-6)中第i个物品在第k种行为下的嵌入表达矩阵和第k种行为下第i个物品受到其它行为影响的权重初始化矩阵w
i(k)
。
50.实施例5：
51.步骤d)中通过公式计算得到用户对物品的偏好程度y，式中t为转置。最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。