CN115082142B 一种基于异构关系图神经网络的推 荐方法、装置及介质 （华南理工大学）

本发明公开了一种基于异构关系图神经网图结构数据的节点特征向量；节点嵌入向量学方法学习社交关系或者商品属性关系在对用户购买商品时所产生的影响，能够提高推荐准确2采用图结构的方式对用户社交关系、商品属性关系以及用户商品构建推荐模型，将推荐模型中的三个图卷积网络，分别无监督学习：对同一节点在两个信息域的编码器输出的特征，进行个所述三个图卷积网络为用户商品交互图卷积网络GCNui、用户社交关系图卷积网络将特征向量分别输入到对应的图卷积网络，进行结点特征聚合更新卷积网络GCNui输出交互场景下用户和商品的特征卧,用户社交关系图卷积网络GCNuu输出社交场景下用户的特征商品属性关系图卷积网络GCNii输出商品类别场景下商品的特征分别将两个渠道输出的用户特征和商品特征进k为关系类型的语义信息特征，瓦为融合两个学习视角的用户特征；mean(1)表示对向量矩阵的第一维求平均值，3将三种关系对应的关系图，与初始化及经过过滤的节点特征，一其中，三个图卷积网络最终输出用户和商品的两种语义关系将数据集进行划分，对每个用户的验证集和测试集分别随机选取通过自适应对比学习方法，将辅助域每个实例特征乘以一个经过cl_u为用户侧对比学习infoNCE损失值，Lcl_i为商品侧对比学习infoNCE损失值，γ均为系数。将有监督损失和无监督损失的和作为推荐模型的目标损失函数，其器可执行的程序在由处理器执行时用于执行如权利要求1-4[0012]将推荐模型最终学习到的用户和商品嵌入向量进行打分预测，得到推荐商品顺5户商品交互图卷积网络GCNui输出交互场景下用户和商品的特征用户社交关系图卷积网络GCNuu输出社交场景下用户的特征Ea,商品属性关系图卷积网络GCNii输出商品类别场景下商品的特征分别将两个渠道输出的用户特征和商品特征6γ均为系数。[0041]进一步地，所述结合节点嵌入向量学习和无监督学习对7施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适指示的技术特征的数量或者隐含指明所指示的技术特属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体[0063]根据用户商品交互数大于3的条件过滤无效的用户，保留有效的用户和相应的商出与初始化特征向量进行加和平均后得到最终用户和8购买(iu)视角下的两种用户特征，商品类别(ii)视角和被购买(ui)视角下的两种商品特[0073]将模型最终得到的特征向量，利用BPRLoss损失函数得到模型推荐预测的有监督转换后的特征与不做变换的ui视角下的特征进行9上述无监督损失求和得出模型目标损失函数，然后将梯度反向传播到异构图神经网络中。发明将特征编码网络分为，用户商品交互图卷积网络GCNui、用户社交关系图卷积网络GCNuu可能对最后的预测结果影响不同，故本发明对基础的用户特征进行非线性过滤(自控单元块输出交互场景下用户和商品的特征GCNuu模块输出社交场景下用户的特征GCNii模块输出商品类别场景下商品的特征分别将两个渠道输出的用户和商品特征进现有的聚合方法虽然用注意力机制来学习每种类型关系的语义信息对目标结点特征表示图的特征信息。元学习器是两层的非线性网络作为一个分辨器产生个性化的参数矩阵将产生的参数矩阵的每一列归一化，使得产生的参数矩阵种每一列元素值形式上[0114]最后，将用户对比损失函数Lcl_u和商品对比损失函数Lcl_i[0121](2)本实施例提到的利用图卷积网络来编码各个域下的关系图数据，其实用户既[0122](3)虽然没有显示的元路经，但在隐藏卷积层将两个相关渠道下图卷积编码的特[0123](4)融合方式可以聚合多个渠道下的特征向量得到全面表征，但是可能模糊不同[0124](5)对比学习主要思想是拉近两个视角下同一个样本的特征表示，拉远与锚点不[0132]在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提改变以及其中被描述为较大操作的一部分的子操作被说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块算机软件产品存储在一个存储介质中，