一种基于异质信息网络和自适应去噪的推荐方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114372206A(43)申请公布日2022.04.19(21)申请号202111627159.2(22)申请日2021.12.28(71)申请人大连海事大学地址116026辽宁省大连市高新园区凌海路1号(72)发明人张益嘉靳思晨(74)专利代理机构大连东方专利代理有限责任公司21212代理人陈丽李洪福(51)Int.Cl.G06F16/9536(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于异质信息网络和自适应去噪的推荐方法及系统(57)摘要本发明公开了一种基于异质信息网络和自适应去噪的推荐方法及系统，属于推荐系统的技术领域。本发明中，采用异质信息网络作为模型的输入，可以更好地处理等复杂的输入，更好的建模真实世界，解决了同质信息网络无法模拟的现实情况，大幅提高了推荐的精度。加入了自适应去噪模块，可以有效的去除数据集中的噪声，更好地保留了异质信息网络数据集的有效数据。同时辅以深度图卷积神经网络，可以有效的提高推荐模型的精度，同时适应更复杂的现实世界。解决了当前推荐系统中大多只关注推荐精度问题，不仅可以从数据集的角度改变模型的推荐效果，同时由于加入了去噪模块，模型的时间复杂度也变得较低，可以有效的应用在实际的工业环境中。CN114372206ACN114372206A权利要求书1/2页1.一种基于异质信息网络和自适应去噪的推荐方法，其特征在于，所述方法包括：S1、预处理异质信息网络数据集，得到同质图；S2、将S1预处理后得到的同质图输入到三层叠加图卷积网络来学习节点嵌入，并利用融合函数融合多条元路径的节点嵌入；S3、将S2输出的节点嵌入输入到矩阵分解模型中进行训练，在训练过程中利用截断损失函数对S2输出的节点嵌入进行自适应去噪，去除节点嵌入中包含的噪声数据；所述截断损失函数中忽略具有动态阈值的噪声样本，所述动态阈值在训练过程中自动更新；S4、经过S3后得到所有用户和项目的嵌入，通过点积操作，得到用户对项目的预测评分，基于所述预测评分为用户推荐项目。2.根据权利要求1所述的一种基于异质信息网络和自适应去噪的推荐方法，其特征在于，预处理异质信息网络数据集包括：采用元路径，通过在异构图上随机游走，提取出基于所述元路径的语义的路径；将不同于首节点类型的其余节点删除，得到只包含一种类型节点的路径，形成同质图。3.根据权利要求1所述的一种基于异质信息网络和自适应去噪的推荐方法，其特征在于，将S1预处理后得到的同质图输入到三层叠加图卷积网络来学习用户和项目的嵌入包括：计算S1得到的同质图的图拉普拉斯矩阵；将所述图拉普拉斯矩阵输入三层叠加图卷积网络，从每一层获得一个嵌入；将每一层获得的嵌入连接起来，使最终的嵌入集合包含了每个卷积层的信息。4.根据权利要求3所述的一种基于异质信息网络和自适应去噪的推荐方法，其特征在于，融合函数是：其中σ(·)为非线性函数，l代表不同的元路径，P为元路径的个数，和b(l)为第l个元路径的节点变换矩阵和偏置向量，为节点的嵌入。5.根据权利要求1所述的一种基于异质信息网络和自适应去噪的推荐方法，其特征在于，将S2输出的节点嵌入输入到矩阵分解模型中进行训练时采用的损失函数为：其中，是用户u对项目i的预测评分，λ是正则化参数，Θ(U)和Θ(I)分别是用户和项目的嵌入融合函数g(·)中的全部参数。6.根据权利要求1所述的一种基于异质信息网络和自适应去噪的推荐方法，其特征在于，所述截断损失函数为：其中，τ(T)为动态阈值，u和i代表用户u和用户i组成的用户项目对，Loss(u，i)为损失值；2CN114372206A权利要求书2/2页Loss(u，i)为丢弃率函数∈(T)，丢弃率函数∈(T)如下：∈(T)＝min(αT，∈max)其中，∈max是丢弃率的上界，也就是最大丢弃率；T是迭代次数；α是一个超参数，以调整达到最大丢弃率的速度。7.一种基于异质信息网络和自适应去噪的推荐系统，其特征在于，所述系统包括：模型输入模块，用于预处理异质信息网络数据集，得到同质图；嵌入模块，用于将所述模型输入模块得到的同质图输入到三层叠加图卷积网络来学习用户和项目的嵌入，并利用融合函数融合多条元路径的节点嵌入；嵌入优化模块，用于将所述嵌入模块输出的节点嵌入输入到矩阵分解模型中进行训练，在训练过程中利用截断损失函数对所述嵌入模块输出的节点嵌入进行自适应去噪，去除节点嵌入中包含的噪声数据；所述截断损失函数中忽略具有动态阈值的噪声样本，所述动态阈值在训练过程中自动更新；推荐模块，用于将经过所述嵌入优化模块优化后得到的所有用户和项目的嵌入，通过点积操作，得到用户对项目的预测评分，基于