一种自适应卷积网络协同过滤的商品推荐方法与流程

1.本发明涉及图卷积网络和协同过滤算法技术领域，尤其是一种基于轻量级自适应图卷积网络的协同过滤的商品推荐方法。


背景技术：

2.随着信息技术的不断发展，如今互联网已经成为了人们日常生活中密不可分的一部分。人们每天都会在互联网上进行各种各样的活动例如看电影、购物、阅读新闻时事等，但随着互联网上信息的越来越多，人们发现越来越难以从互联网上的海量信息中找出最适合自己的那些。推荐系统的出现正是为了解决这种“信息过载”的问题，它会预测用户的需求并推荐给用户其最可能喜欢的内容，缓解了人们从海量信息中做出选择的烦恼。而协同过滤就是一种经典的推荐算法，随着神经网络的发展，图卷积网络成为一种协同过滤算法的前沿技术。然而现有的方法通常只认为目标节点的邻居节点只有积极影响，而忽略了可能存在的消极影响。


技术实现要素：

3.本发明的目的是针对现有技术的不足而设计的一种自适应卷积网络协同过滤的商品推荐方法，采用自适应嵌入传播模块和基于注意力机制的层组合模块来提取目标节点的邻域信息，从而更好地表征目标节点的自身信息，并将其用于预测不同用户对于不同商品的偏好程度进行商品推荐，不仅性能更好，更容易实现，而且具有一定的可解释性，方法简便，计算量小，效率高等优点。
4.本发明的目的是这样实现的：一种自适应卷积网络协同过滤的商品推荐方法，其特点在于采用自适应嵌入传播模块和基于注意力机制的层组合模块来提取目标节点的邻域信息，清洗和筛选用户和商品的交互记录数据，获得高质量的可用于神经网络训练的数据，并通过xavier初始化方法将用户和商品转换为可供训练的嵌入向量，基于图卷积网络中图卷积操作的自适应嵌入传播模块，融入信号处理中的高频信号过滤器和低频信号过滤器以及注意力机制；基于自注意力机制的层组合模块，将传统的基于经验的组合方式转变为通过训练让目标节点自适应地选择不同层嵌入向量的权重，并通过relu激活函数避免梯度消失和稀疏性问题，最终通过计算用户和商品的最终嵌入向量的内积来预测不同用户对于不同商品的偏好程度，商品推荐具体包括以下步骤：
5.步骤一：使用数据清洗与嵌入向量转换模块
6.获取商品和用户的id以及不同用户与不同商品的交互记录数据，清除掉缺失数据、交互记录低于10次的用户和商品记录，使用xavier初始化方法随机初始化用户和商品的嵌入向量；
7.步骤二：自适应嵌入传播模块
8.基于lgcn的图卷积网络中的嵌入传播层，融入信号处理中的低频信号与高频信号并结合注意力机制得到商品和用户的不同卷积层的积极信息和消极信息；
9.步骤三：基于注意力的层组合模块与预测模块
10.将步骤二中得到的积极信息和消极信息输入到基于自注意力的层组合网络，得到不同卷积层的积极信息和消极信息的权重并进行组合，得到用户和商品的最终嵌入表示，根据最终嵌入表示预测用户对商品的偏好程度。
11.本发明与现有技术相比具有如下有益的技术效果：
12.1)易行性，只需要收集用户与商品的交互记录，不需要用户对商品的评分、评论等相关信息，只需要收集用户是否与商品有过交互过即可。
13.2)简单性，模型的输入数据只需要使用xavier初始化为随机嵌入向量即可用于训练，模型算法简单易懂，计算量小，采用端到端的训练方式，可以直接对输入的用户数据输出预测的多个偏好商品并按照偏好程度由大到小排序。
14.3)高效性，基于轻量级图卷积网络，在原始模型的基础上增加了自适应嵌入传播模块和基于自注意力机制的层组合模块，相比较原始的轻量级图卷积网络性能改进明显，召回率和归一化折损累计增益提升明显。
附图说明
15.图1为本发明的网络架构示意图；
16.图2为本发明操作流程图；
17.图3为自适应嵌入传播模块示意图。
具体实施方式
18.通过以下具体实施例对本发明作进一步的详细说明。
19.实施例1
20.参阅附图1，本发明通过获取的用户和商品的交互记录数据经清洗和筛选，并通过xavier初始化方法将其转换为可供训练的嵌入向量。然后，将输入数据输入到自适应嵌入传播模块并融入信号处理中的高频信号过滤器和低频信号过滤器，以及注意力机制来得到各个目标节点的各阶嵌入向量。将得到的各阶嵌入向量注入基于自注意力机制的层组合模块，通过训练让目标节点自适应地选择不同层嵌入向量的权重，并通过relu激活函数避免梯度消失和稀疏性问题，最终通过计算用户和商品的最终嵌入向量的内积来预测不同用户对于不同商品的偏好程度。
21.参阅附图2，一种基于轻量级图卷积网络的协同过滤算法的商品推荐，具体操作按以下步骤进行：
22.(一)嵌入层设计
23.用e
u
和e
i
来表示用户和商品的嵌入向量，且向量维度为d。那么可以得到一个用户和商品的嵌入向量的集合其中|m|和|n|代表用户和s商品的总数。然后，使用xavier初始化方法将用户和商品的嵌入向量初始化为随机向量使得信息在网络中更好地传递。
24.(二)自适应嵌入传播模块设计
25.将用户和商品的交互图看作是一个无向图g＝(v,e)，其中节点集合中共有节点数
|v|＝n，e是边的集合。那么g的邻接矩阵则是设计积极信息过滤器f
p
＝d
‑
1/2
ad
1/2
和消极信息过滤器f
n
＝
‑
d
‑
1/2
ad
1/2
来分别过滤出目标节点邻居的积极信息和消极信息。其中：是对角矩阵，且d
ii
＝∑
j
a
jj
。将f
p
和f
n
代入下述1式进行图卷积操作：
[0026][0027]
其中：表示节点i的聚合领域节点的嵌入向量；和分别表示节点i中积极信息和消极信息的比例，且设置
[0028]
设则通过设置共享门控机制α
ij
＝tanh(f
t
[e
i
||e
j
])来学习α
ij
，其中f
t
表示共享卷积核，||表示连接操作，tanh是一种将α
ij
限制在[
‑
1,1]之间的激活函数，按下述2～3式进行自适应嵌入模块的图卷积操作：
[0029][0030][0031]
其中：和分别表示用户和商品的第k阶嵌入向量。
[0032]
(三)基于自注意力机制的层组合模块和模型预测模块设计
[0033]
获得用户和商品的每一阶嵌入向量之后，需要将其进行组合以获得用户和商品最终的嵌入向量。通过设计的基于自注意力机制的层组合模块，按下述4～5式操作：
[0034][0035][0036]
其中：β
(k)
表示第k阶嵌入向量的权重，且按下述6式定义：
[0037]
β
(k)
＝softmax(relu(g
t
[e
(0)
||e
(k)
]))
ꢀꢀꢀ
(6)；
[0038]
其中：g
t
可以看作一种共享卷积核；relu(
·
)是用于将值限制在[0,1]之间的激活函数；softmax(
·
)函数是确保所有阶的嵌入向量权重和为1。
[0039]
最终，使用内积得到的标量来表示用户u对于商品i的偏好程度，其值越大则表示越偏好。
[0040]
本发明的保护内容不局限于以上实施例，在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。