基于图学习的跨域推荐方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116028728A(43)申请公布日2023.04.28(21)申请号202310330356.0(22)申请日2023.03.31(71)申请人特斯联科技集团有限公司地址101199北京市通州区滨惠北一街3号院1号楼1层1-6室(72)发明人何英杰(74)专利代理机构北京中知法苑知识产权代理有限公司11226专利代理师景艳伟(51)Int.Cl.G06F16/9536(2019.01)G06Q30/0601(2023.01)G06N3/0455(2023.01)G06N3/096(2023.01)权利要求书2页说明书8页附图1页(54)发明名称基于图学习的跨域推荐方法及系统(57)摘要本发明提出一种基于图学习的跨域推荐方法及系统，属于信息推送技术领域。方法包括：分别获取源域和目标域的用户‑物品的评分信息，以及用户‑用户、物品‑物品的内容信息；构建用户‑物品交互关系、用户‑用户相似关系以及物品‑物品相似关系异构图，并利用图嵌入模型生成用户嵌入矩阵和物品嵌入矩阵；使用注意力机制分别对源域和目标域中用户嵌入矩阵进行结合，生成普通用户的组合嵌入矩阵；利用全连接神经网络将源域和目标域中用户的组合嵌入矩阵和物品的嵌入矩阵输出为用户和物品的表示；获取源域和目标域中用户和物品的相似度，生成最终用户和物品的交互预测，可以提高用户嵌入的质量，从而提高两个域的推荐精度。CN116028728ACN116028728A权利要求书1/2页1.一种基于图学习的跨域推荐方法，其特征在于，所述方法包括：分别获取源域和目标域的用户‑物品的评分信息，以及用户‑用户与物品‑物品的内容信息；构建用户‑物品交互关系、用户‑用户相似关系以及物品‑物品相似关系的异构图，并利用图嵌入模型生成用户嵌入矩阵和物品嵌入矩阵；使用注意力机制分别对源域和目标域中用户嵌入矩阵进行结合，生成普通用户的组合嵌入矩阵；利用全连接神经网络将源域和目标域中用户的组合嵌入矩阵和物品的嵌入矩阵输出为用户和物品的表示；获取源域和目标域中用户和物品的相似度，生成最终用户和物品的交互预测。2.根据权利要求1所述的基于图学习的跨域推荐方法，其特征在于，所述构建用户‑物品交互关系、用户‑用户相似关系以及物品‑物品相似关系的异构图，并利用图嵌入模型生成用户嵌入矩阵和物品嵌入矩阵，包括：计算用户和用户、物品和物品的相似性关系，并获取用户和物品的评分关系；基于相似性关系与评分关系生成合成边，以构建用户‑物品交互关系、用户‑用户相似关系以及物品‑物品相似关系的异构图；通过图嵌入模型Node2vec利用异构图生成用户嵌入矩阵和物品嵌入矩阵。3.根据权利要求2所述的基于图学习的跨域推荐方法，其特征在于，采用下述公式计算用户与用户、物品与物品的内容相似度关系：；其中，P(i,l)表示两个用户或者两个物品ui和ul的合成边的权重，α是一个超参数，表示用户与用户，或者物品和物品之间的相似度，UCi和UCl分别表示第i个用户或物品的向量与第l个用户或物品的向量。4.根据权利要求1所述的基于图学习的跨域推荐方法，其特征在于，生成普通用户的组合嵌入矩阵公式如下：；ab其中，Ui表示在源域a中第i个用户的向量，Ui表示在目标域b中第i个用户的向量；⊙表示逐元素相乘，Wa表示在源域a中的权重矩阵。5.根据权利要求1所述的基于图学习的跨域推荐方法，其特征在于，利用下述交叉熵损失函数获取源域和目标域中用户和物品的相似度：；其中，表示交叉熵损失函数，和分别表示真实值和预测值，表示正则化因子，和分别表示网络中需要进行正则化的参数，为超参数。6.一种基于图学习的跨域推荐系统，其特征在于，所述系统包括：输入数据获取单元，用于分别获取源域和目标域的用户‑物品的评分信息，以及用户‑用户、物品‑物品的内容信息；2CN116028728A权利要求书2/2页图嵌入层构造单元，用于构建用户‑物品交互关系、用户‑用户相似关系以及物品‑物品相似关系的异构图，并利用图嵌入模型生成用户嵌入矩阵和物品嵌入矩阵；特征组合单元，用于使用注意力机制分别对源域和目标域中用户嵌入矩阵进行结合，生成普通用户的组合嵌入矩阵；神经网络单元，利用全连接神经网络将源域和目标域中用户的组合嵌入矩阵和物品的嵌入矩阵输出为用户和物品的表示；预测结果输出单元，获取源域和目标域中用户和物品的相似度，生成最终用户和物品的交互预测。7.根据权利要求6所述的基于图学习的跨域推荐系统，其特征在于，所述图嵌入层构造单元，具体还用于：计算用户和用户、物品和物品的相似性关系，并获取用户和物品的评分关系；基于相似性关系与评分关系生成合成边，以构建用户‑物品交互关系异构图、用户‑用户相似关系异构图以及物品‑物品相似关系异构图；通过图嵌入模型Node2