一种基于兴趣组划分和多信息融合的推荐方法

本发明属于推荐，具体涉及一种基于兴趣组划分和多信息融合的推荐方法。

背景技术：

1、在大数据时代，随着电子商务和社交媒体平台的快速发展，推荐系统已成为许多企业不可或缺的工具。在这个信息过载的时代，推荐系统可以为信息生产者提供反馈和洞察，帮助他们了解用户的需求和兴趣，从而让自己的产品脱颖而出；对于信息消费者而言，推荐系统可以根据他们的历史行为和兴趣偏好，从海量信息中自动地为其推荐最相关、最有价值的信息和内容，帮助他们更快速、准确地找到自己感兴趣的内容。

2、推荐系统的本质是从用户的历史交互中学习用户和物品的潜在表示，并根据学习到的这些表示来预测用户未来可能交互的物品。传统的推荐算法主要基于用户的显式行为数据进行推荐，但这种方法有时无法准确捕捉用户潜在的兴趣和偏好。为了更好地理解用户和物品之间的关系，研究者们开始探索融合用户社交信息的推荐模型。社交关系与用户之间的互动和兴趣相关，包含着丰富的隐含信息。因此，将用户的社交信息纳入推荐模型可以提升推荐的准确性和个性化程度。

3、图神经网络(graph convolutional networks，gcn)是一种适用于处理图结构数据的深度学习模型。通过在节点上聚合邻居节点的信息，gcn可以学习到节点的表示，并从整体上把握节点在图中的上下文关系。融合隐式信息和社交信息的图神经网络推荐方法基于gcn模型，利用用户-物品网络和用户-用户网络来建模用户和物品之间的关系。通过在这些网络中迭代地聚合邻居节点的信息，模型能够生成融合了隐式信息和社交信息的用户和物品的特征表示。这样的推荐方法能够更全面地理解用户的兴趣和喜好，并将用户之间的社交关系纳入考虑。通过结合学习到的用户和物品特征表示，该方法能够生成准确、个性化的推荐结果，提升推荐系统的效果。

4、但现有的推荐方法在实际应用中仍然存在一些挑战，首先现有推荐系统多考虑人-项1阶或者人-项-人2阶关系，由于协同过滤模型或者利用深度学习时普遍存在的过平滑问题，对超过二阶的隐藏关系考虑不足。其次，近年的基于图神经网络的推荐算法中，存在过渡平滑问题，降低了物品的具体“表示”差异，从而影响了推荐结果的准确性。

技术实现思路

1、为解决上述技术问题，本发明提出一种基于兴趣组划分和多信息融合的推荐方法，包括：

2、s1：获取用户-物品历史交互数据及用户社交信息，并对数据进行预处理，得到预处理后的用户-物品历史交互数据及用户社交信息；

3、s2：根据预处理后的用户-物品历史交互数据，将用户和物品作为图节点，用户购买物品作为边，得到用户-物品历史交互数据的图结构表示；根据预处理后的用户社交信息，将用户作为图节点，用于与用户的社交信息作为边，得到用户社交信息的图结构表示；

4、s3：通过卷积神经网络一次迭代对用户-物品历史交互数据的图结构表示和用户社交信息的图结构表示中的用户节点进行一阶邻居节点信息捕获，将节点的直接交互邻居的特征通过gcn的消息传递机制传递给节点自身，并与自身的特征相融合，让用户节点具有一阶邻居节点的特征；

5、s4：提取进行迭代一次后用户节点的特征表示，通过特征表示分类的方式进行用户节点兴趣组划分，让每个用户处于一个兴趣组里，其对应的交互物品也都放在该兴趣组里，兴趣组划分后，每个用户只处于一个兴趣组，而每个物品可能处于多个不同的兴趣组内；

6、s5：进行了兴趣组划分后，通过卷积神经网络在各自的兴趣组内和用户社交信息的图结构表示中进行2-k次迭代分别进行用户节点和物品节点的高阶邻居节点信息捕获，在每次迭代过程中，节点都会进行邻域聚合，将节点的直接交互邻居的特征通过gcn的消息传递机制传递给节点自身，并与自身的特征相融合，从而更新自身节点特征表示，让其具有高阶邻居的特征；

7、s6：将每一次迭代后获得的特征表示进行聚合，得到在兴趣组里和用户社交信息的图结构表示中用户节点的最终特征表示以及在兴趣组里物品节点的最终特征表示；

8、s7：将在兴趣组里的用户节点最终特征表示与用户社交信息的图结构表示中的用户节点最终特征表示进行聚合，得到了用户节点总体的最终特征表示；

9、s8：将在每个兴趣组里物品节点的最终特征表示进行聚合，得到物品节点总体的最终特征表示；

10、s9：将用户节点和物品节点总体的最终特征表示执行内积操作，得到的内积值作为用户对这个物品喜爱程度值，值越高说明用户越喜欢，则进行推荐。

11、本发明的有益效果：

12、本发明聚焦于用户与物品交互的隐藏信息及用户的社交信息，引入了图卷积神经网络(gcn)，利用gcn的卷积操作对用户和物品的交互行为进行建模，以提取用户和物品之间的高阶相关性和特征表示，同时引入了兴趣组划分的思想，减轻gcn中过渡平滑问题的影响，从而提高了推荐的准确度。

技术特征：

1.一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，包括：

2.根据权利要求1所述的一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，获取用户-物品历史交互数据及用户社交信息，并对数据进行预处理，包括：

3.根据权利要求1所述的一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，通过卷积神经网络进行邻居节点信息捕获，将节点的直接交互邻居的特征通过gcn的消息传递机制传递给节点自身，包括：

4.根据权利要求1所述的一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，提取一阶邻居信息交互后的用户节点的特征表示，包括：

5.根据权利要求1所述的一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，通过特征表示分类的方式进行用户节点兴趣组划分，包括：

6.根据权利要求1所述的一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，卷积神经网络第k次迭代后的用户节点和物品节点，表示为：

7.根据权利要求1所述的一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，将每一次迭代后获得的特征表示进行聚合，得到在兴趣组里和用户社交信息的图结构表示中用户节点的最终特征表示以及在兴趣组里物品节点的最终特征表示，包括：

8.根据权利要求1一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，将在兴趣组里的用户节点最终特征表示与用户社交信息的图结构表示中的用户节点最终特征表示进行聚合，得到了用户节点总体的最终特征表示，包括：

9.根据权利要求1所述的一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，将在每个兴趣组里物品节点的最终特征表示进行聚合，得到物品节点总体的最终特征表示，包括：

10.根据权利要求1所述的一种基于兴趣组划分和多信息融合的推荐方法，其特征在于，将用户节点和物品节点的总体最终表示执行内积操作，得到的内积值作为用户对这个物品喜爱程度值，包括：

技术总结
本发明属于推荐技术领域，具体涉及一种基于兴趣组划分和多信息融合的推荐方法，包括：获取用户‑物品历史交互数据及用户社交信息；将用户和物品以及他们之间的关系表示成图结构；通过卷积神经网络对图结构表示中的用户节点进行一阶邻居节点信息捕获；进行用户节点兴趣组划分；通过卷积神经网络在各自的兴趣组内进行用户节点和物品节点的高阶邻居节点信息捕获；提取用户和节点的特征执行内积操作，得到的内积值作为用户对这个物品喜爱程度值进行推荐。本发明聚焦于用户与物品交互的隐藏信息及用户的社交信息，提取用户和物品之间的高阶相关性和特征表示，同时引入了兴趣组划分的思想，从而提高了推荐的准确度。

技术研发人员：涂琪琳,卢星宇,刘宴兵,孟凯,胡思楠
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/3/27