一种基于超图卷积网络的跨视图对比学习群组推荐方法

本发明涉及偏好预测的超图卷积网络的跨视图对比学习群组推荐，具体涉及一种基于超图卷积网络的跨视图对比学习群组推荐方法。

背景技术：

1、随着互联网的发展以及在线社区活动的普及，具有相似背景(如爱好、职业、年龄)的人根据不同的需要固定或临时组成一个小组去参与不同的活动。例如，根据用户不同的兴趣划分为很多兴趣小组，游戏小组、绘画小组等，以便获得各种活动资源。人们也常常聚在一起进行各种群组活动，例如，临时组队的旅游团、团队聚餐或者看电影。常规的，这些人可能彼此熟悉，比如共同生活在一个家庭中；也可能彼此陌生，是在某个活动中偶然间相遇的，例如几个旅行者共同加入一个旅行团。在这些场景下，我们需要为群组推荐一个或者几个合适的项目，以满足群组的需求。但是每一个群组中有很多用户，不同用户之间的偏好存在着个体差异。因此，群组推荐的最终目的是聚合群组成员不同的偏好，向群组推荐适合且令人满意的项目。群组推荐不仅可以节约群组决策的时间，也可以减少群组成员之间不必要的矛盾。

2、现有的方法大多采用启发式的方法或基于注意力机制的方法来聚合群体成员的个人偏好来推断群组的偏好。然而这些方法只是对单个组的用户偏好进行建模，忽略了组内外复杂的高级交互。其次，一个群组最终的决策并不一定来自群组成员的偏好。但现有方法不足以对这种跨群组偏好进行建模。此外，由于群组-项目交互的稀疏，使得群组推荐存在数据稀疏的问题。如果没有解决上述问题，会降低推荐结果的准确性。

技术实现思路

1、本发明目的是为了克服现有技术中的不足问题，从而提出一种基于超图卷积网络的跨视图对比学习群组推荐方法。所述方法实现了向群组推荐评分最高的多个物品，并且在现实生活中，需要向群组推荐适合且令人满意的项目。

2、本发明是通过以下技术方案实现的，本发明提出一种基于超图卷积网络的跨视图对比学习群组推荐方法，所述方法包括以下步骤：

3、步骤1、在camra2011和马蜂窝平台获取群组交互数据集，其中数据集包含用户对物品、群组对物品的交互历史以及用户-群组组成关系；

4、步骤2、训练集中的用户集合为u，u＝{u1,u2,…,uh,…,um}，h∈{1,…,m}，其中uh为第h个用户，m为用户的数量；商品集合为i，i＝{i1，i2，...，jj，...，in}，j∈{1，...，n}，其中ij为第j个商品，n为商品的数量；群组集合为g，g＝{g1，g2，...，gt，...，gk}，t∈{1，...，k}，其中gt为第t个群组，k为群组的数量；其中，第t组gt∈g由一组群组成员组成，用g(t)＝{u1，u2，...，uh，...，up}表示，其中uh∈u，p是群组gt包含群组成员的数量，g(t)是群组gt成员的集合；

5、步骤3、构造具有丰富边信息的超图，通过连接两个以上节点的超边来扩展图结构；其中，超边可以连接任何数量的节点；超图表示为gm＝(vm，εm)，其中，vm＝u∪i是包含n个唯一顶点的节点集，每个节点表示群体成员或群组交互的项目，εm是包含m个超边的边集，每条超边表示一个群组，它是由群组中的成员和群组交互的项目组成；形式上，用εt＝{u1，u2，…uh…，up，i1，i2，…，ij，…，iq}来表示群组gt；其中，uh∈u，ij∈i，并且εt∈εm；超图的连通性用关联矩阵来表示；对于每一个顶点和超边，使用对角矩阵d和b分别表示顶点和超边的度，其中每个超边e∈ε包含两个或多个顶点，并被赋予正权重wee，所有的权重形成对角矩阵w∈rm×m；

6、步骤4、在超图的重叠图上的图卷积网络中，从连接相似的群组去捕获和传播组级的偏好，构建重叠图；其中，用gg＝(vg，εg)表示超图的重叠图；vg＝{e：e∈ε}，εg＝{(ep，eq)：ep，eq∈ε，|ep∩eq|≥1}，并为重叠图中的每一条边配置一个权重wp，q，其中wp，q＝|ep∩eq|/|ep∪eq|；

7、步骤5、利用群组-项目二部图来构造图gi＝(vi，εi)；其中vi＝g∪i表示节点集，εi＝{(gt，ij)gt∈g，ij∈i，r(t，j)＝1}；邻接矩阵

8、步骤6、通过利用超图从成员级别聚合群组内成员的偏好进而获得群组偏好通过利用重叠图从相似的群组中去捕获和传播群组的偏好通过利用群组-项目二部图从群组的交互历史中去捕获群组偏好采用三个不同的门控来自动区分不同视图的贡献，计算最终的群组表示gt：其中α、β和γ分别表示学习到的权重，分别由以及得到；其中wm、wi和wg∈rd是三种不同的可训练权重，σ是激活函数；

9、步骤7、计算群组gt对项目ij的预测得分将该得分降序排列得到为群组推荐的物品列表；随机从r中抽取(gt,ij)并为每一个群组gt采样负样本，使用成对损失来计算群组预测损失，具体如下：其中，og＝{(t,j,j')|(t,j)∈og+,(t,j')∈og-}表示群组-项目训练数据集，og+是观察到的交互的集合，og-是未观察到的交互的集合；

10、步骤8、对跨视图协作关联进行建模，建立跨视图对比损失；利用得到的三个群组偏好表示获得对比损失lcon；将群组推荐损失和对比损失结合起来联合训练，最小化以下目标函数来学习模型参数：l＝lgroup+λlcon；λ是控制对比损失的超参数。

11、进一步地，在步骤3中，构建成员级偏好网络，执行超图卷积操作来编码用户和项目之间的高阶关系；用户-商品的聚合过程为m(l+1)＝d-1hwb-1htm(l)θ(l)，其中d、b和w分别表示节点度矩阵、边度矩阵和权重矩阵；用单位矩阵初始化权值矩阵w，使得所有超边拥有相等的权重，θ为两个卷积层之间可学习的参数矩阵；超图卷积可以看成两个阶段的信息聚合，“节点-超边-节点”；即和

12、进一步地，在步骤3中，应用注意力机制学习成员在群组中的权重；其中，权重α(h,j)表示群组成员uh在群组决策项目ij时的影响力分数，通过计算o(h,j)＝htrelu(wu[uh；u'h]+wj[ij；i'j]+b)后进行softmax归一化得到。

13、进一步地，在步骤4中，

14、将群组嵌入g∈rk×d输入到图卷积网络，记为g(0)＝g，执行组级图卷积过程其中，i为单位矩阵，ap,q＝wp,q；是邻接矩阵的对角度矩阵，

15、对每层获得的群组嵌入进行平均，得到最终的组级的群组嵌入：因此每一群组gt的在组级下的群组表示为

16、进一步地，在步骤5中，

17、将群组嵌入g∈rk×d和项目嵌入i∈rn×d送到图卷积网络中，记作e(0)＝e，其中e是两个嵌入的拼接e＝[g；i]；执行项目级图卷积：

18、最终的群组表示通过平均在不同层学习到的表示得到，将其表示为获得每一群组gt的在项目级下的表示

19、进一步地，在步骤8中，

20、在多视图上应用对比学习，对于一个视图中的节点，另一个视图学习的同一节点嵌入视为正样本对；在两个视图中，除它之外的节点嵌入视为负样本对；即：正样本有一个来源，负样本有两个来源，即视图内节点和视图间节点。

21、进一步地，在步骤8中，

22、对于定义好的正负样本，成员级偏好视图和组级偏好视图之间的对比损失为其中，θ(·)函数来学习两个输入向量之间的分数，并分配给正样本对比负样本对更高的分数，具体使用来计算，h(·)是非线性投影用于提升表征质量，主要由两层感知机实现；成员级偏好视图和项目级偏好视图之间的对比损失为组级偏好视图和项目级偏好视图之间的对比损失为

23、进一步地，在步骤8中，

24、由于任意两个视图是对称的，所以lgm、lim、lig的计算方式同lmg、lmi、lgi的计算方式，成员级偏好网络视图和组级偏好网络视图间的最终对比损失为另外任何两个视图间损失计算方式也如此计算得到lcon2和lcon3；然后，对三个视图的对比损失进行平均处理得到最终的对比损失lcon：

25、本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于超图卷积网络的跨视图对比学习群组推荐方法的步骤。

26、本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于超图卷积网络的跨视图对比学习群组推荐方法的步骤。

27、本发明具有以下有益效果：

28、本发明提出了一个用于群组推荐的跨视图对比学习超图卷积网络模型，简写为“c2-hgr”。以构建多视图的方式挖掘群组对物品的偏好，从而精准的进行评分预测工作。

29、本发明设计了一个不同粒度级别的多视图学习框架，包括超图表征的成员级偏好网络，重叠图表征的组级偏好网络以及二部图表征的项目级偏好网络。通过三者有效融合，提取用户-项目、群组-项目的协同信息以及群组相似性，进而增强群组偏好。

30、本发明设计了一个新的超图神经卷积网络获得成员级聚合，而且利用超图转换的重叠图获得组级偏好。与现有的聚合方法相比，本发明的方法在性能方面展现出了优越性。此外，为了整合来自多个视图获得的群组偏好表示，本发明设计了一个有效的门控组件，以权衡每个视图对于整个模型的贡献程度。

31、本发明提出了一个基于自监督的多视图对比学习的方法，以增强群组表示，并解决数据稀疏性的问题。该方法与图卷积网络分层的设计无缝耦合。通过统一推荐任务和对比学习任务，可以显著提升推荐性能。并且本发明适用于群组推荐。