CN115510319B 一种基于潜在兴趣多视图融合的推 荐方法和系统 （山西大学）

US2022253722A1,202一种基于潜在兴趣多视图融合的推荐方法本发明公开了一种基于潜在兴趣多视图融表示增加个性化的特征使其可以保持自己的特络结构改进了经典LightGCN模型，设计了VS_2原始的用户商品交互行为矩阵ReR"",其中，表示R是一个mxn维，每个元素为实数的矩阵；m和n分别表示用户和商品的数量，若R中用户u与商品i对应的元素Rui非在原始的用户商品交互行为矩阵R的基础上，用一个用户商品的二部图G＝(N,E)来(t))T将每个奇异值视为推荐系统中的一个潜在兴趣主题；用户u和商品i由前t个潜在兴趣根据前t个潜在兴趣主题下每个用户u和商品i的结构相关得分score(t)ui，生成相似度矩阵其中用户u和商品i对应元素M"-scor原始的用户商品交互行为矩阵R转化为由t个潜在兴趣主题确定的不同实值连续矩阵设置阈值η去除基于相似性矩阵M(t)的双子图中结构相关分数过3其中"和"分别是e(0)u和e(0)i所述多视图融合模块：由主成分控制机制PCCM来动态调整每个视图对推荐结果的影(t)，在各视图信息传播优化完成后，通过公式得到视图V(t)的相似度s(1)ui,s主成分控制机制PCCM是基于用户u的潜在兴趣只有在用户愿意与某类商品交互时，才能进3.根据权利要求1所述的一种基于潜在兴趣多视图融合的推荐系统的推荐方法，其特4步骤4，将每个奇异值视为推荐系统中的一个潜在兴趣主相似度矩阵其中用户u和商品i对应元素M"-score";原始的用户一商品交互其中"和"分别是e(0)u和e(0)i5控制机制PCCM是基于用户u的潜在兴趣只有在用户愿意与某类商品交互时，才能进行准确(t)，在各视图信息传播优化完成后，通过公式得到视图V(t)的相似度s(1)ui,s6上，基于图卷积网络(GCN)的模型由于在学习网络结构表示上的强大能力成为基于深度学本质上是一种特殊的图拉普拉斯平滑，导致GCN模型存在严重的过平滑问题——在多层图[0007]原始的用户商品交互行为矩阵其中，7[0010]将每个奇异值视为推荐系统中的一个潜在兴趣主题；用户u和商品i由前t个潜在[0012]根据前t个潜在兴趣主题下每个用户u和商品i的结构相关得分score(t)似度矩阵其中用户u和商品i对应元素M'"=sco[0013]原始的用户商品交互行为矩阵R转化为由t个潜在兴趣主题确定的不同实值连续[0017]当且仅当相似度矩阵M(t)中用户u和商品i对应元素不小于阈值η,且原始的用[0019]对于多视图生成模块生成的每个视图，将用户u和商品i的初始嵌入分别表示为e[0023]其中"和"分别是e(0)u和e(0)i的静态拷贝，不参与优化更新；保证个性化特征在8(t)，在各视图信息传播优化完成后，通过公式得到视图V(t)的相似度s(1)ui,s[0030]所述主成分控制机制PCCM是基于用户u的潜在兴趣只有在用户愿意与某类商品交)T生成相似度矩阵其中用户u和商品i对应元素M"=score";[0038]原始的用户商品交互离散矩阵R转化为由t个潜在兴趣主题确定的不同实值连续9[0041]当且仅当相似度矩阵M(t)中用户u和商品i对应元素不小于阈值η,且原始的用[0044]将用户u和商品i的初始嵌入分别表示为e(0)u和e(0)i；从潜在兴含关于用户或商品自身特征的个性化特征，并利用它们来初始化视图V(t)中的节点嵌入表成分控制机制PCCM是基于用户u的潜在兴趣只有在用户愿意与某类商品交互时，才能进行[0071]将每个奇异值视为推荐系统中的一个潜在兴趣主题；用户u和商品i由前t个潜在[0073]根据前t个潜在兴趣主题下每个用户u和商品i的结构相关得分score(t)似度矩阵M"eR",其中用户u和商品i对应元素M"=score";[0074]原始的用户商品交互行为矩阵R转化为由t个潜在兴趣主题确定的不同实值连续[0078]当且仅当相似度矩阵M(t)中用户u和商品i对应元素w?不小于阈值η,且原始的用[0080]对于多视图生成模块生成的每个视图，将用户u和商品i的初始嵌入分别表示为e(t)，在各视图信息传播优化完成后，通过公式s"-e'e,得到视图V(t)的相似度s(1)ui,s[0091]所述主成分控制机制PCCM是基于用户u的潜在兴趣只有在用户愿意与某类商品交用64个潜在兴趣主题和52个潜在兴趣主题生成2个不同视图，以使用64个潜在兴趣主题为[0103]通过设置阈值η来去除基于相似性矩阵M(64)的双子图中结构相关分数过低的噪声[0107]针对生成的两个潜在兴趣主题视图V(64)和V(52)，使用各视图下奇异(64)p(64)u阵R分解得到的相似度score,"记为s(0)ui,通过PCCM进行得分融合：λt为VS_Li