CN113850317B 一种多种类邻居聚合的图卷积推 荐方法及系统 （陕西师范大学）

一种多种类邻居聚合的图卷积推荐方法及本发明提供的基于一种多种类邻居聚合的2步骤2，根据步骤1设定的阈值将训练集和测试集中数据步骤4，通过损失计算对步骤3中构建得到的图卷积步骤7，根据步骤6中得到的最终的推荐指标对步骤1中设依据用户与项目之间的交互次数设定得到一根据设定的阈值将训练集和测试集均进行分类，其中，将交互所述训练集和测试集中的正样本数量占正样本和中间样本总数的85%_S21，将步骤1中训练集中的正样本和中间样本邻接矩阵A和中间样本的邻接矩阵A；S24，根据S23得到的多个嵌入矩阵得到图卷积网络3根据得到的训练集中所有用户的损失值，结合反向传播法和梯根据随机生成初始嵌入矩阵得到图卷积网络模型的最终嵌入矩计算每个用户与对应的每个项目之间的rating值；得到每个用户对应项目的rating按照从大到小的顺序，从rating表中获取前20个rating值对应的项根据用户的推荐项目集合和TestTrue集合分别计算得到recall推荐指标、precision过下式计算每个用户与对应的每个项目之间的r其中,表示用户u对项目i的偏好程度；e,为用户u在经过多层卷积层之后的嵌入向e'为项目i经过多层卷积层后的嵌入向量的转置。样本划分单元，用于根据设定的阈值将训练集和测试集中数据样本进模型更新单元，用于通过损失计算对构建得到的图卷积网络模型进行项目推荐单元，用于根据更新后的图卷积网络模型进行项目推荐，参数优化单元，用于根据得到的最终的推荐指标对设定的阈值、得模型优化单元，用于迭代执行直至阈值及各参数达到最优；45的作为负样本；所述训练集和测试集中的正样本数量占正样本和中间样本总数的85％_6[0020]S22，根据S21得到的正样本的邻接矩阵A1和中间样本的到的最终嵌入矩阵；并将该更新后的最终嵌入矩阵作为下一次epoch的随机生成初始嵌入[0030]计算每个用户与对应的每个项目之间的rating值；得到每个用户对应项目的[0033]根据用户的推荐项目集合和TestTrue集合分别计算得到recall推荐指标、ff78集中的正样本数量占正样本和中间样本总数的85％_95%;[0060]S22，根据S21得到的正样本的邻接矩阵A1和中间样本的9[0074]根据以上公式可以得到的m个用户对n个项目的偏好程度，即得到rating表，该要考虑的是正样本和负样本的差异以及中间样本和负样本的差异，这里的差异可以通过这部分同理，不过这部分是通过用户的中间样本和负样本来计曲线的稳定区域。如果设定的epoch次数为M,那么每一次参数的更新，都需要进行M次[0093]步骤5中最终的三个推荐指标是指在趋于稳定的所有推荐指标中选取最大值作为[0095]本发明步骤(2)中聚合的邻居信息来自正样本和中间样本包含的连接信息，并且[0096]本发明步骤(3)中模型的损失函数计算与网络结构相对应，能够明显提升推荐效[0099]使用lastfm数据集，该数据集包含1892位用户和4489个项目。训练集中一共有[0102]2)后续需要根据推荐指标不断调整阈值ε的大小，调整时需要保证训练集和测试[0115]E0作为初始嵌入矩阵并不是一成不变的，每个训练和测试周期之差以及中间样本和负样本的rating之差，同时对于用户是否含有中间样本需要进行判[012