融合非遗传承人社交关系的图卷积内容推荐方法

本发明属于非遗传播，尤其涉及融合非遗传承人社交关系的图卷积内容推荐方法。

背景技术：

1、应用智能推荐算法进行数字内容平台中非遗内容的个性化推荐，以此推动非遗传承发展及产业化进程，这一方法已被许多学者在其公开发表的论文中进行过阐述和探讨。有学者在其研究中提到，基于智能算法实现非物质文化遗产相关数字内容的精准推送，能够提高非遗的普及度，弥补非遗信息传播范围短板，在一定程度上激发普通用户的兴趣。例如，借助推荐方法中经典的协同过滤方法，可根据相似度推荐用户可能会浏览的非遗内容；而在数字内容平台中，用户之间的互动、用户与内容之间的交互，所形成的社交网络，也可利用其中节点之间的信任度作为非遗内容的传播网络。还有学者认为，在非遗内容的传播中，有必要根据受众特征、非遗自身特点等，结合智能化推荐算法，对非遗内容进行广泛且精准的推荐，以扩大非遗数字内容的影响力。在非遗传播中，发布非遗内容的传承人发挥着重要的作用，他们是非遗传统技艺的守护者，具有丰富的相关经验和知识，能够传授非遗文化的精髓，使之得以保持原汁原味的传承。在数字化时代，传承人的作用更为重要，他们可以通过网络平台向用户传播非遗文化，增强非遗文化在全球范围内的影响力。现如今，为实现非遗内容的有效传播，共情化成为一种行之有效的内容创作方式和内容营销手段：在展示非遗项目的同时，融入创作人(主要是非遗传承人)日常生活的悲喜情感，让非遗项目更具烟火气，形成了传承人各具风格的非遗内容创作现状。同时，受非遗在传统传播中对于口耳相传方式较好的适应性的启发，用户社交关系也是非遗数字内容传播中的重要一环。用户社交关系可以通过社交媒体等渠道传递非遗文化信息，尤其通过分享、转发等方式扩大了非遗内容的传播范围，增强非遗文化的交流与传承。

2、诸多研究都从理论层面探讨了对于推荐算法应用于非遗内容传播的益处，及在应用中可使用的辅助信息来源等，但开展具体实验、从技术角度论证所述方法可行性及有效性的研究较少。本发明总结分析现有非遗内容推荐的理论研究，并将结合推荐算法领域的相关研究，设计适用于非遗内容推荐的方法模型。

3、在现有推荐算法研究中，用户历史交互数据依旧是多数学者的选择。但面对爆炸式增长的数据量，数据稀疏性问题成为推荐方法研究中的热点。在模型构建中增加用户的社交数据作为辅助信息，是应对数据稀疏问题的解决途径之一。sorec模型被认为是第一个基于矩阵分解的社交网络推荐模型，其结合用户的直接社交关系和间接社交关系得出用户特征，以此为基础进行推荐。socialmf模型也采用了矩阵分解来构建，其认为用户存在一定的潜在兴趣，而这些潜在兴趣受到其信任的好友的兴趣特征的影响，于是在无评分数据的情况下，通过对用户与好友之间的信任传播建模，学习到用户特征用于推荐。矩阵分解在基于社交数据的推荐中得以应用，但其只能提取到简单的线性信息。鉴于用户之间的社交数据、用户与内容的交互数据均可采用图结构表示，且图神经网络(gnn)类算法在图数据分析挖掘中表现良好，因此，基于图神经网络的社交推荐方法成为研究热点之一。

4、在graphrec推荐模型中，采用基于图卷积神经网络的方法，通过用户与内容的交互数据和用户之间的社交数据构建用户模型，再与内容模型和评分模型进行融合，取得了较好的推荐效果。考虑到用户社交关系中，不同的好友与目标用户的信任程度也会有所不同，而一般的基于图卷积网络的推荐模型并未考虑到这一点。于是，有学者将注意力机制加入到模型中，即图注意力网络(gat)，在通过好友特征得到目标用户特征的操作中设定权重，以此来获得更加准确的用户特征以及推荐结果。在ngcf模型中，通过将用户与内容的交互数据集成到embedding中，以此来完成对用户-内容二部图高阶连通性的表达建模，在相似度计算中还应用到了空域图卷积来实现。作为ngcf模型的轻量版，lightgcn采用了一种简单而有效的用户-物品交互矩阵加权策略，不仅降低了模型复杂度，还在大规模数据集上表现出了比ngcf更好的推荐效果。区别于其他推荐方法，gnn-dsr模型认为用户对于内容的交互行为，不仅能体现出用户的兴趣偏好，还可以体现内容对用户的吸引力，并通过用户特征来构建内容的特征。

5、综上，上述模型大多只针对用户与内容进行建模来完成推荐，若要适应非遗内容推荐这一特殊场景，还缺少了非遗传承人特征对于内容推荐带来的影响。

技术实现思路

1、为解决上述技术问题，本发明提出融合非遗传承人社交关系的图卷积内容推荐方法(以下简称gchs)，将传承人社交关系融入推荐模型，能够提升非遗内容推荐准确性。

2、为实现上述目的，本发明提供了融合非遗传承人社交关系的图卷积内容推荐方法，包括：

3、融合非遗传承人社交关系的图卷积内容推荐方法，其特征在于，包括：

4、对用户、非遗内容和传承人进行特征提取，获取用户兴趣偏好特征、非遗内容特征和传承人特征；

5、基于所述用户兴趣偏好特征、非遗内容特征和传承人特征，利用向量内积方法获取用户与待推荐非遗内容的相似度值；

6、根据所述相似度值，为用户进行非遗内容推荐。

7、可选地，获取所述用户兴趣偏好特征、非遗内容特征和传承人特征包括：

8、分别获取所需用户初始特征和内容初始特征；

9、基于获取的所需用户初始特征和内容初始特征，利用多层以注意力机制为聚合方法的空域图卷积神经网络获取每一层的用户特征和内容特征；

10、将每一层的用户特征和内容特征进行连接得到最终的所述用户兴趣偏好特征和非遗内容特征，再使用平均聚合方法获得所述传承人特征。

11、可选地，获取所述用户初始特征包括：

12、定义用户集合为u＝{u1，u2，...，um}，非遗内容集合为i＝{i1，i2，...，in}，其中m、n分别表示用户总数和内容总数；定义用户与内容交互矩阵为rm*n，使用rij表示矩阵rm*n中第i行第j个元素，rij＝1表示用户i与内容j有过交互行为，rij＝0表示用户i与内容j未发生交互行为；对用户-内容交互矩阵rm*n进行独热编码，按照索引顺序，对照得到相应用户节点的所述用户初始特征。

13、可选地，每一层的所述用户特征为：

14、

15、其中，表示用户u在第l+1次的迭代后的特征向量，w1和w2均为可训练的权重向量，nu表示用户u在社交关系图中一阶邻居的集合，⊙表示将两个向量进行对应元素相乘操作，αuu表示聚合用户u的特征向量时其一阶邻居用户v的注意力权重，v表示用户u的一阶邻居用户v，表示用户v在第l次迭代后的特征向量。

16、可选地，所述用户兴趣偏好特征为：

17、

18、其中，eu为用户u的兴趣偏好特征向量，l为迭代层数。

19、可选地，所述内容初始特征为：

20、

21、其中，为内容初始特征，ni表示与内容i存在交互的用户节点集合；

22、每一层的所述内容特征为：

23、

24、其中，表示内容i在第l+1次迭代后的特征向量，表示经过第l次迭代后的用户u的特征向量，则表示经过l次迭代后的内容u的特征向量，⊙表示将两个向量进行对应元素相乘操作，αiu表示聚合内容i的特征向量时其一阶邻居用户u的注意力权重；

25、最终的所述非遗内容特征为：

26、

27、其中，ei为最终的非遗内容特征向量，l为迭代层数。

28、可选地，所述传承人特征基于传承人所发布非遗内容的特征，通过平均聚合方法获得；

29、所述传承人特征为：

30、

31、其中，eh传承人特征向量，nh表示传承人h所发布内容的集合，ei为传承人所发布的非遗内容。

32、可选地，所述相似度值为：

33、

34、其中，sim(u，i)表示待推荐内容i与目标用户u的相似度值，为待推荐非遗内容i的特征向量，eu为目标用户u的特征向量，为待推荐非遗内容i的发布者的特征向量。

35、与现有技术相比，本发明具有如下优点和技术效果：

36、将非遗传承人特征融入推荐模型，增加了推荐过程中的辅助信息，能够适应非遗内容推荐这一特殊场景，提升模型推荐的准确率；

37、通过非遗传承人的社交关系来获取其自身的特征，且应用了注意力机制，保障了特征提取的准确性。