一种基于图卷积的群体推荐方法与流程

本发明涉及人工智能领域，具体涉及一种基于图卷积的群体推荐方法。

背景技术：

1、伴随着过去数十年互联网科技技术的高速发展，各种互联网和多媒体应用层出不穷，海量的文本、音频、视频等多媒体数据呈爆炸式增长，带来非常严重的信息过载的问题，人们在海量的数据中很难直接搜寻得到自己想要的结果。推荐技术在解决信息过载的问题中起到了关键的作用，并被很多在线服务广泛采用。例如在网上购物时，推荐技术给用户推荐该用户偏好购买的物品，在听音乐时推荐技术给用户推荐该用户喜好的歌曲，这为用户在选择的过程中节约了大量的时间，为人们的生活带来了便利。

2、现有的推荐系统侧重于个性化推荐，而随着带有社交性质的网上生活服务平台如美团、大众点评、马蜂窝网的兴起，人们参加集体活动的意愿以及趋势在近几年增长迅速，例如，和同事们一起出去吃饭，和家人一起出去旅游，和朋友们一起出去看电影、参加社交活动等等。而由于群体由不同群体成员组成，不同群体成员有不同的偏好，在群体决策过程中有不同的影响，这类场景是复杂且多样的，如图1所示，每个人有自己看电影的需求，也可能有组成群体共同观看电影的需求，如何将个人的观看历史与群体的观看历史相结合，从而推荐出让群体成员都满意的内容，在时下是一个具有挑战性的难题。

3、与传统推荐类似，群体与物品可在向量空间中被分别映射为向量空间的一个点，通过计算两点之间的距离(即两点的相似性)可计算群体对物品的偏好程度。物品指待推荐的内容。理想状态下，群体可同用户一样，使用与物品的历史交互数据来学习群体与物品在向量空间的位置，从而得到群体的具有偏好信息的嵌入表示，并得到理想的推荐效果。然而，事实上群体与物品的交互相较于用户与物品的交互非常稀疏，能从群体与物品的历史交互数据中学习得到的群体偏好的信息十分有限。因此，一种基本做法是利用群体成员的具有偏好信息的嵌入表示聚合群体的具有偏好信息的嵌入表示，这些具有偏好信息的嵌入表示可由密集的群体成员与物品的历史交互数据学习而来，从而丰富群体的嵌入表示。偏好聚合方式有多种，传统的启发式策略有平均，最小痛苦度，最大满意度等等。而随着深度学习技术的发展，有研究者提出利用注意力神经网络来学习群体成员在群体内的权重，从而更好地学习得到群体的偏好。

4、然而，复杂的偏好聚合机制在大多数情况下对推荐模型的推荐效果提升幅度较小，却大大增加了模型训练与预测的时间。在应用于大规模推荐场景时，模型训练与预测所需的时间更是成千上万倍地增加，导致使用推荐模型推荐的效率急剧下降。同时，大多数研究者忽略了群体之间的高阶交互对于群体推荐的增益作用，高阶交互指超越简单的用户与物品的交互或群体与物品的交互的其他交互。与用户相似，群体之间的影响力是随着群体与物品的交互扩散的，共同交互同一物品的群体之间具有相似性，将该高阶交互的关系建模入推荐算法中能更好地学习群体的深层次偏好信息，并且一些群体之间是有相同群体成员的，如图2所示，通过共同群体成员可计算出不同群体之间的相似度，将相似度高的群体视作带有隐性交互，从而丰富群体的偏好信息。

技术实现思路

1、为解决上述问题，本发明提供一种基于图卷积的群体推荐方法。

2、该方法通过构建用户推荐模型和群体推荐模型，为待推荐群体推荐物品，该方法包括以下步骤：

3、步骤一，准备用户与物品交互数据以及群体与物品交互数据作为训练数据，训练数据中包括用户、物品、群体与群体；使用用户物品关系图表示用户与物品的交互关系；使用群体物品关系图表示群体与物品的交互关系；

4、步骤二，将训练数据和用户物品关系图输入用户推荐模型卷积层得到用户的用户嵌入表示和物品的物品嵌入表示；

5、步骤三，根据用户的用户嵌入表示和物品的物品嵌入表示，采用点积计算的方式量化用户对物品的偏好程度；

6、步骤四，定义基于用户个性化推荐的损失函数对用户推荐模型进行预训练，得到用户的用户偏好嵌入和物品的物品特征嵌入；

7、步骤五，使用聚合方法将群体的所有群体成员的用户偏好嵌入聚合成群体的群体初始嵌入；

8、步骤六，通过共同群体成员计算群体与群体之间的余弦相似度得到群体与群体之间的偏好相似性；

9、步骤七，将群体的群体初始嵌入、物品的物品特征嵌入、群体与群体之间的偏好相似性和群体物品关系图输入群体推荐模型卷积层得到群体的群体嵌入表示和物品的物品嵌入向量；

10、步骤八，根据群体的群体嵌入表示和物品的物品嵌入向量，采用点积计算的方式量化群体对物品的偏好程度；

11、步骤九，定义基于群体推荐的损失函数对群体推荐模型进行训练，得到完成训练的群体推荐模型；

12、步骤十，利用完成训练的群体推荐模型为待推荐群体推荐物品。

13、进一步的，步骤二包括：

14、步骤二a，将训练数据和用户物品关系图输入用户推荐模型，随机初始化一个向量作为用户的用户初始嵌入表示，随机初始化一个向量作为物品的物品初始嵌入表示；

15、步骤二b，初始化用户在用户推荐模型第0层卷积层的嵌入表示，初始化物品在用户推荐模型第0层卷积层的嵌入表示；定义用户在用户推荐模型第层卷积层的嵌入表示为，定义物品在用户推荐模型第层卷积层的嵌入表示为；

16、步骤二c，用户在用户推荐模型第层卷积层的嵌入表示为：

17、；

18、物品在用户推荐模型第层卷积层的嵌入表示为：

19、；

20、其中，为用户卷积归一化系数，代表与用户交互的物品集合，代表与物品交互的用户集合；

21、步骤二d，将用户在用户推荐模型各层卷积层的嵌入表示融合得到用户的用户嵌入表示：

22、；

23、将物品在用户推荐模型各层卷积层的嵌入表示融合得到物品的物品嵌入表示：

24、；

25、其中，代表用户推荐模型中卷积层的总层数，代表聚合方法。

26、进一步的，步骤三具体包括：

27、采用点积计算的方式量化用户对物品的偏好程度：

28、；

29、其中，表示矩阵转置操作。

30、进一步的，步骤四中所述基于用户个性化推荐的损失函数，具体指：

31、；

32、其中，为l2正则化公式，为用户在用户推荐模型第0层卷积层的嵌入表示与物品在用户推荐模型第0层卷积层的嵌入表示的集合，代表与用户交互的物品集合，代表物品与用户发生过交互，代表物品与用户未发生交互，代表sigmoid函数，代表自然对数符号，代表用户对物品的偏好程度。

33、进一步的，步骤五具体包括：

34、使用聚合方法将群体所有群体成员的用户偏好嵌入聚合成群体的群体初始嵌入：

35、；

36、其中，代表群体的群体成员集合。

37、进一步的，步骤六具体包括：

38、群体与群体之间的偏好相似性为：

39、；

40、其中，代表群体的群体成员集合，代表群体的群体成员集合，表示取并集运算，表示取绝对值运算。

41、进一步的，步骤七具体包括：

42、步骤七a，将群体的群体初始嵌入、物品的物品特征嵌入、群体与群体之间的偏好相似性和群体物品关系图输入群体推荐模型卷积层，将群体的群体初始嵌入作为群体的初始嵌入表示，物品的物品特征嵌入作为物品的初始嵌入向量；

43、步骤七b，初始化群体在群体推荐模型第0层卷积层的嵌入表示，初始化物品在群体推荐模型第0层卷积层的嵌入向量；定义群体在群体推荐模型第层卷积层的嵌入表示为，定义物品在群体推荐模型第层卷积层的嵌入向量为；

44、步骤七c，群体在群体推荐模型第层卷积层的嵌入表示为：

45、；

46、物品在群体推荐模型第层卷积层的嵌入向量为：

47、；

48、其中，为控制卷积传播中互为相似组的群体偏好比重的超参数，为群体卷积归一化系数，为与群体相交互的物品集合，为与物品相交互的群体集合，代表群体的相似组的集合，代表群体的相似组在群体推荐模型第层卷积层的嵌入表示；

49、步骤七d，将群体在群体推荐模型各层卷积层的嵌入表示融合，得到群体的群体嵌入表示：

50、；

51、将物品在群体推荐模型各层卷积层的嵌入向量融合，得到物品的物品嵌入向量：

52、；

53、其中，代表群体推荐模型中卷积层的总层数。

54、进一步的，步骤八具体包括：

55、采用点积计算的方式量化群体对物品的偏好程度：

56、。

57、进一步的，步骤九中所述基于群体推荐的损失函数为：

58、；

59、其中，为与群体相交互的物品集合，代表物品与群体发生过交互，代表物品与群体未发生交互，为群体在群体推荐模型第0层卷积层的嵌入表示与物品在群体推荐模型第0层卷积层的嵌入向量的集合，为群体对物品的偏好程度，为l2正则化公式，代表sigmoid函数，代表自然对数符号。

60、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

61、与现有方法比，本技术提供了一种基于图卷积的群体推荐方法，包括了基于用户历史交互数据的群体嵌入预训练与启发式群体聚合策略、基于余弦相似度的群体偏好相似性计算、基于图卷积神经网络的群体高阶交互信息扩散。本技术构建模型利用图卷积神经网络模拟了群体的高阶交互及社交传播过程，并针对群体交互的稀疏性，利用群体之间共有的群体成员基于余弦相似度计算了群体之间的偏好相似性，基于群体之间的偏好相似性丰富群体偏好信息，从而提高模型的群体推荐准确率，同时还保持了推荐的效率。