基于图卷积神经网络群组发现的群组推荐方法

技术特征：
1.一种基于图卷积神经网络群组发现的群组推荐方法，其特征在于，包括如下步骤：a)建立电影总数据集set，总数据集set中包含的电影类型数为l，按电影类型为划分依据，将movielens数据集划分为l个数据子集，set＝{set1,...,set
l
,...,set
l
}，set
l
为第l类电影的数据子集，l∈{1,2,...,l}；b)数据子集set
l
中存在m个用户和n部电影，根据用户和电影的交互数据构建用户-电影交互图，对用户-电影交互图中的节点的嵌入表示进行初始化，得到用户节点的初始嵌入表示e
u
及电影节点的初始嵌入表示e
i
，，为第m个用户节点u
m
的初始嵌入表示，m∈{1,2,...,m}，为第n个电影节点i
n
的初始嵌入表示，n∈{1,2,...,n}；c)在图卷积神经网络模型内计算得到第m个用户节点u
m
经过o层嵌入信息传播后嵌入表示计算得到第n个电影节点i
n
经过o层嵌入信息传播后嵌入表示o为图卷积神经网络模型的层数；d)第m个用户节点u
m
及第n个电影节点i
n
分别经过图卷积神经网络模型的o层传播后，分别将每一层的嵌入表示进行拼接，分别得到第m个用户节点u
m
的嵌入表示及及第n个电影节点i
n
的嵌入表示的嵌入表示的嵌入表示e)通过公式建立更新后的所有用户节点的嵌入表示e
′
u
，通过公式建立更新后的所有电影节点的嵌入表示e
′
i
，完成更新用户节点和电影节点嵌入表示的图卷积神经网络的构建；f)利用二元交叉熵损失函数对步骤e)完成的更新用户节点和电影节点嵌入表示的图卷积神经网络进行训练；g)将更新后的所有用户节点的嵌入表示e
′
u
输入到kmeans聚类算法进行群组发现，数据子集set
l
中的m个每个用户划分为m/s个群组，s为各个群组中用户的个数的平均数，set
l
＝{g1,
…
,g
j
,
…
,g
m
}，g
j
为第j个群组，j∈{1,2,...,m/s}；h)第j个群组g
j
中用户个数为p，1≤p≤m，中用户个数为p，1≤p≤m，为群组g
j
中第p个用户，p∈{1,2,...,p}，通过公式计算得到群组g
j
的嵌入表示式中为第p个用户的嵌入表示；i)将群组g
j
的嵌入表示与第n个电影节点i
n
的嵌入表示通过公式
进行内积计算得到群组g
j
对电影节点i
n
的预测偏好得分j)群组g
j
对数据子集set
l
中n部电影的偏好得分为中n部电影的偏好得分为k)将中的各个预测偏好得分进行排序，选择最高的k个电影进行推荐。2.根据权利要求1所述的基于图卷积神经网络群组发现的群组推荐方法，其特征在于：步骤a)中选择movielens数据集作为电影总数据集set。3.根据权利要求1所述的基于图卷积神经网络群组发现的群组推荐方法，其特征在于：步骤b)中e
u
∈r
m
×
d
，e
i
∈r
n
×
d
，r为实数空间，d为嵌入表示的维度。4.根据权利要求1所述的基于图卷积神经网络群组发现的群组推荐方法，其特征在于：步骤c)中通过公式计算得到第m个用户节点u
m
经过o层嵌入信息传播后嵌入表示通过公式计算得到第n个电影节点i
n
经过o层嵌入信息传播后嵌入表示式中relu(
·
)为relu激活函数，为第m个用户节点u
m
的度，为第n个电影节点i
n
的度，的度，为第n个电影节点i
n
的第o-1层的嵌入表示，入表示，为第m个用户节点u
m
的第o-1层的嵌入表示，嵌入表示，5.根据权利要求1所述的基于图卷积神经网络群组发现的群组推荐方法，其特征在于：步骤c)中0＜o≤5。6.根据权利要求1所述的基于图卷积神经网络群组发现的群组推荐方法，其特征在于：步骤f)中通过公式计算得到二元交叉熵损失函数l，式中为交互正样本，为无交互负样本，σ(
·
)为sigmoid激活函数，t为转置。
7.根据权利要求1所述的基于图卷积神经网络群组发现的群组推荐方法，其特征在于：步骤k)中k的取值为10。

技术总结
一种基于图卷积神经网络群组发现的群组推荐方法，根据电影主题类别将用户—电影交互数据划分为数据子集，使用各数据子集构建用户—电影交互图，通过图卷积网络从交互图中学习用户/电影嵌入表示，然后利用Kmeans算法进行群组发现，通过均值融合策略，将群组成员嵌入表示融合为群组嵌入表示，最后将群组嵌入表示与电影嵌入表示进行内积得到群组对电影的预测偏好得分，根据偏好得分向群组推荐电影。侧重于群组发现阶段的用户嵌入获取方法，考虑了群组的内部一致性对群组推荐算法性能的影响，将用户—电影的交互信息融入用户/电影的特征信息之中，提高了群组发现中的用户嵌入表示的准确度，进而增强了群组推荐算法的性能。进而增强了群组推荐算法的性能。进而增强了群组推荐算法的性能。


技术研发人员：王英龙 韩齐齐 舒明雷 刘辉 周书旺
受保护的技术使用者：山东省计算中心(国家超级计算济南中心) 齐鲁工业大学
技术研发日：2022.04.08
技术公布日：2022/7/12