一种基于图神经网络的社交关系感知推荐方法与流程
本发明涉及人工智能及个性化推荐领域,特别涉及一种基于图神经网络的社交关系感知推荐方法。
背景技术:
1、随着互联网平台中用户规模、内容规模及商品规模的不断扩大,个性化推荐技术被广泛应用于电子商务、社交媒体、信息资讯和网络服务等场景。现有推荐方法通常根据用户的浏览、点击、收藏、评分或购买等历史交互行为,分析用户偏好,并从多个候选对象中筛选与用户偏好相匹配的推荐对象。
2、在实际应用中,用户的选择行为不仅受到自身历史偏好的影响,还可能受到好友、关注用户、群组成员等社交邻居的影响。因此,部分现有技术通过构建用户社交关系图和用户—对象交互图,并利用图神经网络在用户节点、对象节点及社交关系边之间进行信息传播,将社交邻居的对象交互特征聚合至目标用户,以提高推荐结果的准确性,尤其用于缓解目标用户历史交互数据不足所造成的数据稀疏问题。
3、但是,现有基于图神经网络的社交推荐方法通常将社交邻居的偏好信息直接融合至目标用户的用户表示中,或者根据社交关系强度、互动频率、偏好相似度等因素统一设置社交关系边权重,难以区分由目标用户自身交互行为形成的自主偏好和由社交关系传播形成的社交偏好。当社交邻居与目标用户在部分对象或对象类别上的偏好不一致时,社交传播信息可能推高与目标用户自主偏好不匹配的候选对象的推荐分值,从而使社交偏好对目标用户的自主偏好产生干扰。
4、此外,现有技术一般从社交关系边整体层面评估邻居影响力,难以确定具体社交邻居对具体候选对象所产生的实际推荐贡献。当某一社交邻居仅在部分候选对象或部分对象类别中产生无效影响时,直接降低整条社交关系边的权重,可能同时削弱该社交邻居在其他对象类别中的有效影响。现有方法还缺少根据目标用户对推荐结果的实际交互反馈,对社交传播贡献和偏好冲突进行持续验证及更新的机制,导致社交传播权重难以随用户真实偏好的变化进行针对性调整。
5、为此,提出一种基于图神经网络的社交关系感知推荐方法。
技术实现思路
1、本发明的主要目的在于提供一种基于图神经网络的社交关系感知推荐方法,可以有效解决背景技术中的问题。
2、为实现上述目的,本发明采取的技术方案为,
3、一种基于图神经网络的社交关系感知推荐方法,包括以下步骤:
4、s1、获取用户与推荐对象之间的历史交互数据、用户之间的社交关系数据以及推荐对象的对象特征,根据所述历史交互数据构建用户—对象交互图,根据所述社交关系数据构建用户社交关系图,并根据所述对象特征生成各推荐对象的对象表示;
5、s2、基于所述用户—对象交互图,在不调用所述用户社交关系图中的社交邻居传播信息的情况下,生成目标用户的自主偏好表示;基于所述用户社交关系图和用户—对象交互图,生成各社交邻居向所述目标用户传递的社交传播消息,并对所述社交传播消息进行聚合,得到所述目标用户的社交传播表示;
6、s3、针对各候选对象,根据所述自主偏好表示和对应的对象表示确定自主推荐分值,并根据所述自主偏好表示、社交传播表示和对象表示确定社交增强推荐分值;
7、s4、针对所述目标用户的各社交邻居,分别确定保留所述社交邻居对应的社交传播消息时的第一推荐分值和在消息聚合过程中排除所述社交邻居对应的社交传播消息时的第二推荐分值,根据所述第一推荐分值与第二推荐分值确定所述社交邻居对各候选对象的对象级边际贡献;
8、s5、根据所述社交增强推荐分值相对于自主推荐分值的分值增量,以及候选对象与所述自主偏好表示之间的匹配程度,确定各候选对象的自主偏好冲突度,并根据所述对象级边际贡献和自主偏好冲突度确定对应的冲突社交邻居;
9、s6、根据所述冲突社交邻居对应的冲突对象、对象类别及历史冲突记录,调整所述冲突社交邻居在候选对象级、对象类别级和社交关系边级中的至少一级传播权重,并根据调整后的传播权重更新所述社交传播表示;
10、s7、根据所述自主偏好表示和更新后的社交传播表示确定各候选对象的最终推荐分值,按照所述最终推荐分值生成所述目标用户的推荐结果。
11、进一步的,所述生成目标用户的自主偏好表示,包括:
12、通过第一图神经网络对所述用户—对象交互图中的目标用户节点、与所述目标用户存在历史交互的推荐对象节点及对应交互边进行消息传播,生成所述自主偏好表示;
13、所述生成目标用户的社交传播表示,包括:
14、通过第二图神经网络获取各社交邻居对应的对象交互特征,将所述对象交互特征沿对应的社交关系边传递至所述目标用户,并对各社交邻居对应的社交传播消息进行聚合。
15、进一步的,所述社交传播消息关联记录有社交邻居标识、目标用户标识、社交关系边标识、传播权重以及所关联的候选对象或对象类别,以在确定所述对象级边际贡献时,对指定社交邻居对应的社交传播消息进行保留或排除。
16、进一步的,所述社交邻居对候选对象的对象级边际贡献按照下式确定:
17、
18、其中,表示社交邻居对目标用户的候选对象的对象级边际贡献;表示在消息聚合过程中保留社交邻居对应的社交传播消息时,目标用户针对候选对象的第一推荐分值;表示在不改变所述用户—对象交互图和用户社交关系图的节点及边结构的情况下,从消息聚合过程中排除社交邻居对应的社交传播消息时,目标用户u针对候选对象的第二推荐分值。
19、进一步的,所述自主偏好冲突度按照下式确定:
20、
21、其中,表示目标用户针对候选对象的自主偏好冲突度;表示候选对象的社交增强推荐分值;表示候选对象的自主推荐分值;表示目标用户的自主偏好表示;表示候选对象的对象表示;表示取值归一化至区间[0,1]的相似度函数。
22、进一步的,所述根据所述对象级边际贡献和自主偏好冲突度确定对应的冲突社交邻居,包括:
23、根据下式确定社交邻居对候选对象的冲突贡献:
24、
25、其中,表示社交邻居对目标用户的候选对象的冲突贡献;
26、将所述冲突贡献超过预设冲突阈值的社交邻居确定为候选对象对应的冲突社交邻居。
27、进一步的,所述调整所述冲突社交邻居在候选对象级、对象类别级和社交关系边级中的至少一级传播权重,包括:
28、当所述冲突社交邻居产生的当前冲突对应于单个候选对象,且对应对象类别的历史冲突记录未满足预设类别回退条件时,降低所述冲突社交邻居针对该候选对象的候选对象级传播权重;
29、当所述冲突社交邻居在同一对象类别中的历史冲突次数或累计冲突贡献达到预设类别阈值时,降低所述冲突社交邻居针对该对象类别的对象类别级传播权重;
30、当所述冲突社交邻居涉及多个对象类别,且在所述多个对象类别中的累计历史冲突次数或累计冲突贡献达到预设社交关系边阈值时,降低所述冲突社交邻居对应的社交关系边级传播权重。
31、进一步的,在生成所述推荐结果之后,还包括:
32、获取所述目标用户针对所述推荐结果产生的实际交互反馈,根据所述实际交互反馈确定相应社交邻居的社交贡献验证结果,并根据所述社交贡献验证结果更新所述社交邻居对应的有效贡献记录和历史冲突记录,以用于后续推荐过程中的传播权重调整。
33、一种基于图神经网络的社交关系感知推荐系统,包括:
34、图构建模块,用于获取用户与推荐对象之间的历史交互数据、用户之间的社交关系数据以及推荐对象的对象特征,根据所述历史交互数据构建用户—对象交互图,根据所述社交关系数据构建用户社交关系图,并根据所述对象特征生成各推荐对象的对象表示;
35、偏好表示生成模块,用于基于所述用户—对象交互图,在不调用所述用户社交关系图中的社交邻居传播信息的情况下生成目标用户的自主偏好表示,并根据各社交邻居对应的社交传播消息生成所述目标用户的社交传播表示;
36、推荐分值确定模块,用于确定各候选对象的自主推荐分值和社交增强推荐分值;
37、边际贡献确定模块,用于根据在消息聚合过程中保留和排除指定社交邻居对应的社交传播消息时的推荐分值差异,确定所述社交邻居对候选对象的对象级边际贡献;
38、偏好冲突检测模块,用于根据所述社交增强推荐分值相对于自主推荐分值的分值增量,以及候选对象与自主偏好表示之间的匹配程度,确定自主偏好冲突度及冲突社交邻居;
39、传播回退模块,用于根据冲突对象、对象类别及历史冲突记录,调整所述冲突社交邻居在候选对象级、对象类别级和社交关系边级中的至少一级传播权重,并根据调整后的传播权重更新所述目标用户的社交传播表示;
40、推荐结果生成模块,用于根据所述自主偏好表示和更新后的社交传播表示确定各候选对象的最终推荐分值,并根据所述最终推荐分值生成推荐结果。
41、一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现所述的方法步骤。
42、与现有技术相比,本发明具有如下有益效果,
43、1、本发明分别生成目标用户的自主偏好表示和社交传播表示,并以未调用社交邻居传播信息时形成的自主偏好表示作为推荐基准,能够区分用户自身交互行为产生的偏好和社交关系传播产生的偏好,减少社交信息对用户真实兴趣的直接覆盖。
44、2、本发明通过比较保留和排除指定社交邻居的社交传播消息时的推荐分值,确定社交邻居对具体候选对象的对象级边际贡献,能够将社交影响由整体关系层面细化至具体邻居和具体候选对象,提高社交影响归因的准确性。
45、3、本发明结合社交增强推荐分值相对于自主推荐分值的分值增量,以及候选对象与自主偏好表示之间的匹配程度确定自主偏好冲突度,能够识别被社交传播信息显著推高但与目标用户自主偏好不匹配的候选对象,从而降低从众效应或无效社交传播对推荐结果的干扰。
46、4、本发明根据冲突对象、对象类别及历史冲突记录,在候选对象级、对象类别级和社交关系边级中的至少一个层级调整传播权重,能够保留社交邻居在其他候选对象或对象类别中的有效影响,避免因局部偏好冲突而整体削弱有效社交关系。
47、5、本发明可以根据目标用户对推荐结果产生的实际交互反馈,更新社交邻居的有效贡献记录和历史冲突记录,并用于后续传播权重调整,使社交关系感知过程能够随用户实际反馈动态更新,提高推荐结果与用户真实偏好的适配性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com