CN119415732A 一种大小路径独立性划分聚合的图神经网络音乐推 荐方法 （山东科技大学）

一种大小路径独立性划分聚合的图神经网本发明公开了一种大小路径独立性划分聚建损失函数优化训练异质图神经网络分类聚合22.根据权利要求1所述大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征步骤1.1、根据图的拓扑结构采用路径鉴别器将元路径划分为大邻居路径与小邻居路3.根据权利要求2所述大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征m条元路径pm的度值，定义dij表示pm的邻接矩阵中第i行第j列的元素，第i行对应第i个节点，第j列对应第j个节点；若第i个节点和第j个节点之间存在边时，则对应设置的邻接矩阵中第i行第j列的元素dij=1，否则d=0；vl表示n；4.根据权利要求3所述大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征3u的特征向量；表示在大邻居路径pbig下目标节点v与邻居节点u经过标准化之其中，是在大邻居路径pbig下目标节点v与邻居节点u的节点重要性得分；是在大邻居路径pbig下目标节点v与邻居节点u的过境概率；其中，select_TOP(-)为选择函数；是在大邻居路径pbig下目标节点v与所所有目标节点在大邻居路径pbig下保留的邻居节点集合构成大邻居路径pbig下的45.根据权利要求4所述大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征步骤1.3.2、对不同大邻居路径下的连接关系矩阵执行子图上的卷积操作捕捉大邻居cpbig的节点特征表示为目标节点v经过特征转换后的投影特征大邻居路径pbig下所有目标节点的节点特征表示为Hpbipsmau,6分别表示不同的小邻居路径，为小邻居路径的总数；按照与步式，获得小邻居路径psmau下的连接关系矩阵cpsmaul，所有小邻居路径下的连接关系不同小邻居路径下的连接关系矩阵执行子图上的卷积操作捕捉小邻居路径下的节点特征5其中，、分别为目标节点v在第e+1层、第e层卷积时cpsmaul的节点特征表示；Acomau是cpsmaul经过归一化后的邻接矩阵；是cpsmaul对应的度矩阵；是cpsmaul在第e层卷积时可学习的参数矩阵；其中目标节点v在第0层卷积时cpsmaul的特征表示为目标节点v经过特征转换后的投影特征；得到最终小邻居路径psmau下的所有目标节点的节点特征表示为征表示构成的小邻居路径节点特征表示集合为Hpsmall,o分别表示psmau,1、psmau,z、下所有目标节点的节点特征表示。6.根据权利要求5所述大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征，共包含，聚合时的偏执向量；是聚合时图级注意力向量的转置；Tanh(-)为激活函数；67.根据权利要求6所述大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征对每条元路径根据公式(1)计算节点特征矩阵中每条元路径的度值，再通公式(3)获得每条元路径的相对差异百分比，按照相对差异百分比的值将元路径划分为大境概率，再通过公式(5)和公式(6)计算在特征层面上每条元路径中节点间的特征相似性，最后使用公式(7)和公式(8)综合过境概率与特征相似性来重构元路径的连将收集到的音乐数据处理成异质图形式，其中异质图的节点代表不首先通过公式(9)对所有节点类型进行节点特征转换，将节点原始特征投影到相同的维度上；针对经过步骤3.1所得到的大邻居路径通过公式(10)执行子图上的卷积操作捕捉步骤3.3、根据公式(15)进行异质图神经网络分类聚合模型参数的不断更新和反向传步骤3.4、对使用公式(14)确定的用户节点嵌入矩阵和歌曲节点嵌入矩阵中的每个节点进行相似度计算，比较用户节点嵌入矩阵和歌曲节点嵌入矩阵中每个节点之间的相似7这类路径往往会导致用户节点数量呈指数级增长。虽然这些路径可能提供丰富的语义信有基于元路径的异质图神经网络分类模型在音乐推荐应用中存在的局限性主要体现在以8合得到更加全面的节点信息，从而使异质图神经网络更好地应用于音乐推荐的建模和预步骤3、获取当前用户的音乐数据，输入训练完成的异质图神经网络分类聚合模步骤1.1、根据图的拓扑结构采用路径鉴别器将元路径划分为大邻居路径与小邻m条元路径pm的度值，定义dij表示pm的邻接矩阵中第i行第j列的元素，第i行对应第i个节点，第j列对应第j个节点；若第i个节点和第j个节点之间存在边时，则对应设置pm的邻接矩阵中第i行第j列的元素，否则d=0；l9节点u的特征向量；表示在大邻居路径pbig下目标节点v与邻居节点u经过标准其中，是在大邻居路径pbig下目标节点v与邻居节点u的节点重要性得所有目标节点在大邻居路径pbig下保留的邻居节点集合构成大邻居路径pbig其中，xp和分别是目标节点v的原始特征和经过特征转换后的投影特征；其中，、分别为目标节点v在第e+1层、第e层卷积时层卷积时cpbig的节点特征表示为目标节点v经过特征转换后的投影特征形；最终得到大邻居路径pbig下所有目标节特征表示集合为H"oig,all={H"oig,1,H"big2,…,H"oigp}，Hpbig,1、Hpbig,2、psmau,6分别表示不同的小邻居路径，为小邻居路径的总数；按照与步式，获得小邻居路径psmau下的连接关系矩阵cpsmaul，所有小邻居路径下的连接关系不同小邻居路径下的连接关系矩阵执行子图上的卷积操作捕捉小邻居路径下的节点特征e层卷积时cpsmaul的节点特征表示；Acomau是cpsmaul经过归一化后的邻接矩阵；是cpsmaul对应的度矩阵；是cpsmaul在第e层卷积时可学习的参数矩阵；其中目标节点v在第0层卷积时cpsmaul的特征表示为目标节点v经过特征转换后的投影特征；得到最终小邻居路径psmau下的所有目标节点的节点特征表示为Hpsmall,o分别表示psmau,1、psmau,z、下所有目标节点的节点特征表示。，共包含，L=-Erer,y·In(cass·z,)(15)；对每条元路径根据公式(1)计算节点特征矩阵中每条元路径的度值，再通过公式首先通过公式(9)对所有节点类型进行节点特征转换，将节点原始特征投影到相同的维度上；针对经过步骤3.1所得到的大邻居路径通过公式(10)执行子图上的卷积操作步骤3.3、根据公式(15)进行异质图神经网络分类聚合模型参数的不断更新和反步骤3.4、对使用公式(14)确定的用户节点嵌入矩阵和歌曲节点嵌入矩阵中的每[0016]大多依赖元路径捕获语义信息的音乐推荐系统往往仅考虑各种节点特征的聚合为了充分保留这些音乐的独特性，本发明特别关注了异质类型音乐间的特征提取和融合。[0018]传统音乐推荐模型在处理大规模音乐数据时，容易遇到音乐特征过平滑的问过程中保留了节点的初始特征，并结合图级注意力机制对不同风格的音乐进行深度融合。法打破了传统技术对音乐数据的限制，使模型能够更加精准地理解音乐的内在特征。通过所有元路径进行充分使用获得更加全面的节点特征嵌入，提高模型的泛化能力和鲁棒性，[0029]为了保证模型的有效性和泛化能力，LSPI设计了特定的损失函数来指导训练过m条元路径pm的度值，定义dij表示pm的邻接矩阵中第i行第j列的元素，第i行对应第i个节点，第j列对应第j个节点；若第i个节点和第j个节点之间存在边时，则对应设置pm的邻接矩阵中第i行第j列的元素，否则d=0；l之间的相对差异进行路径划分：Z对应的边关系。定于RZ的传递概率,其中AdjRZ和Dtz分别表示RZ对应的邻接矩阵和度节点vev，通过以下公式计算目标节点v与邻居节点u的特征相似性作为特征角度的判其中，是在大邻居路径pbig下目标节点v与邻居节点u的节点重要性得分，该节点重要性得分是综合了过境概率与特关系，选择出目标节点v在大邻居路径pbig下与邻居节点u经过相似性选择后的邻居集f个节点，邻居节点集合构成大邻居路径pbig下的连接关系矩阵cpbig。由于有多个不同的大邻居路径，因此所有大邻居路径下的连接关系矩阵构成大邻居连接关系矩阵集合其中，xv和形分别是目标节点v的原始特征和经过特征转换后的投影特征。阵通过下列公式执行子图上的卷积操作捕捉经过选择过后的其中，、分别为目标节点v在第e+1层、第e层卷积时层卷积时cpbig的节点特征表示为目标节点v经过特征转换后的投影特征；最终得到大邻居路径pbig下所有目标节特征表示集合为H"oig,all={H"oig,1,H"big2,…,H"oigp}，Hpbig,1、Hpbig,2、psmau,6分别表示不同的小邻居路径，为小邻居路径的总数。按照与步式，可以获得小邻居路径psmaul下的连接关系矩阵cpsmaul，所有小邻居路径下的连接不同小邻居路径下的连接关系矩阵执行子图上的卷积操作捕捉小邻居路径下的节点特征cpsmaul的节点特征表示；Acomau是cpsmaul经过归一化后的邻接矩阵；是cpsmaul对应的度矩阵；是cpsmaul在第e层卷积时可学习的参数矩阵；其中目标节点v在第0层卷积时cpsmaul的特征表示为目标节点v经过特征转换后的投影特征；得到最终小邻居路径psmau下的所有目标节点的节点特征表示为Hpsmall,o分别表示psmau,1、psmau,z、下所有目标节点的节点特征表示。步骤2.1、为了学习更全面的节点嵌入需要融合不同种类的元路径来丰富节点特共包含，L=-Erer,y·In(cass·z,)(15)；[0042]步骤3、获取当前用户的音乐数据，输入训练完成的图神经网络分类聚合模型对每条元路径根据公式(1)计算节点特征矩阵中每条元路径的度值，再通过公式首先通过公式(9)对所有节点类型进行节点特征转换，将节点原始特征投影到相同的维度上；针对经过步骤3.1所得到的大邻居路径通过公式(10)执行子图上的卷积操作表示学习的效果；MAGNN模型通过元路径内聚合和元路径间聚合实现异质图表示的学习；了邻居数量不同的元路径，具体来说从ACM数据集集中选取的元路径为{PAP,PSPSP,PAPAP}（PSP与PSPSP相同，因此只选择其一从IMDB数据集中选择的元路径为{MAM,MAMAM,MDMDM}（MDM与MDMDM相同，因此只选择其一从Yelp数据集中选择的元路径为t=30，则经过路径鉴别器后鉴定为大邻居路径的为{PSPSP,PAPAP}；对于IMDB数据集设定t=200，则经过路径鉴别器后确定为大邻居路径的为{MAMAM}；对于Yelp数据集设定t=100，则经过路径鉴别器后确定为大邻居路径的[0050]使用支持向量机SVM作为分类器，对模型在多分类任务上进行了评价，并采用[0052]如表1所示，LSPI在不同训练比例下始终优于基线方法，并且性能上得到明显提[0053]学习到的节点嵌入以平均归一化互信息(NMI)和调整后的兰德。[