(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利地址056038河北省邯鄲市邯鄲經(jīng)濟(jì)技術(shù)GO6Q30/GO6Q30/0601(20一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推本發(fā)明提供一種基于圖卷積的神經(jīng)協(xié)同過之間的相似度構(gòu)造用戶-用戶圖，物品-物品圖；物品的節(jié)點(diǎn)的特征向量作為神經(jīng)協(xié)同過濾算法NY結(jié)束21.一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在于包括以下步驟：S1:采集用戶行為數(shù)據(jù)和用戶，物品的屬性內(nèi)容；S2:若采集的行為是顯式評(píng)分，則根據(jù)用戶對(duì)物品的評(píng)分信息構(gòu)造用戶-物品圖，計(jì)算用戶與用戶、物品與物品之間的相似度構(gòu)造用戶-用戶圖，物品-物品圖；若采集的行為信息S3:對(duì)構(gòu)建的關(guān)系圖進(jìn)行圖卷積操作，得到用戶、物品的節(jié)點(diǎn)的特征向量；S4:將用戶、物品的節(jié)點(diǎn)的特征向量分別與用戶、物品的屬性特征進(jìn)行全連接；S5:將得到的用戶、物品的節(jié)點(diǎn)的特征向量作為神經(jīng)協(xié)同過濾算法框架的輸入層，從而進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果進(jìn)行信息推薦。2.根據(jù)權(quán)利要求1所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在于：所述S1所述用戶行為數(shù)據(jù)包括瀏覽、購(gòu)買以及評(píng)分信息；所述瀏覽、購(gòu)買以及評(píng)分信息包括用戶的年齡，性別，職業(yè)；物品的類別；用戶對(duì)物品1-5范圍內(nèi)的評(píng)分；以及用戶瀏覽行3.根據(jù)權(quán)利要求1所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在將物品類別字段賦予多值屬性并使用Multi-Hot編碼。4.根據(jù)權(quán)利要求1所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在于所述步驟S3包括：S31,構(gòu)建用戶-用戶圖；S32,構(gòu)建物品-物品圖；S33,構(gòu)建用戶-物品圖；S34,構(gòu)造度矩陣。5.根據(jù)權(quán)利要求4所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在于所述步驟S31包括：S311,計(jì)算用戶-用戶相似度：利用Person相關(guān)系數(shù)衡量用戶u和用戶u;之間的相似關(guān)系sim(u,,u),其中↓NI,是用戶u和u;之間共同做出評(píng)分的物品集合；S312,構(gòu)造用戶的鄰接矩陣A;所述步驟S311包括：S3111,利用每位用戶u的評(píng)分計(jì)算每位用戶的平均分u:S3112,計(jì)算用戶u和u;之間的Pearson相關(guān)系數(shù)如下：所述步驟S312中所述鄰接矩陣A是一個(gè)對(duì)角元素為0的對(duì)稱矩陣，矩陣中的元素e(u;,3u;)代表每對(duì)用戶是用戶u和u;之間的邊權(quán)值，所述步驟S312利用調(diào)整的余弦函數(shù)來定義物品i與物品j之間的相似度，包括：S3121,均值中心化：用戶u對(duì)物品j的評(píng)分：S3122,計(jì)算物品i與物品j之間的相似度6.根據(jù)權(quán)利要求4所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在于所述步驟S32包括：S321,定義物品-物品相似度；S322,構(gòu)造物品的鄰接矩陣A,;物品的鄰接矩陣A,是一個(gè)對(duì)角元素為0的對(duì)稱矩陣，矩陣中的e(v,,v)代表物品i和物品j之間的邊上的權(quán)值，即sim(i,j),其中7.根據(jù)權(quán)利要求4所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在于所述步驟S33包括：S331,當(dāng)用戶有顯式評(píng)分信息時(shí)，用戶物品評(píng)分矩陣R∈RM×N(M代表用戶個(gè)數(shù)，N代表物品個(gè)數(shù)),R∈{1,2,3,4,5};為每一級(jí)評(píng)分構(gòu)建用戶-商品交互圖即(0,1)矩陣，即當(dāng)r=1時(shí)，若用戶i對(duì)物品j有評(píng)分時(shí)，則為r;=1,否則r;=0;S332,當(dāng)用戶只有隱式行為的時(shí)候，僅有用戶對(duì)商品瀏覽、購(gòu)買行為信息，沒有顯式評(píng)分，其中，R∈{0,1}M×,R代表用戶與商品是否存在交互，因此僅包含一個(gè)用戶物品交互圖，48.根據(jù)權(quán)利要求4所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在顯式情況下利用用戶物品評(píng)分的鄰接矩陣A計(jì)算出r個(gè)9.根據(jù)權(quán)利要求1所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，其特征在上式(10)中只包含了鄰居節(jié)點(diǎn)的信息，為了使得節(jié)點(diǎn)本身的信息也被包含，需對(duì)該式10.根據(jù)權(quán)利要求1所述的一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推S41,使用全連接層將圖卷積得到的用戶、物品節(jié)點(diǎn)特征向量分別于用戶、物品的屬性5S42,使用一個(gè)全連接層聯(lián)這兩種不同的信使用一個(gè)基于神經(jīng)網(wǎng)絡(luò)的矩陣分解框架NCF,結(jié)合GMF和MLP實(shí)施所述S5,其中GMF為傳最后將所述GMF和MLP學(xué)習(xí)到的隱向量進(jìn)行全連接，并且輸出用logistic使得最后一層6技術(shù)領(lǐng)域[0001]本發(fā)明涉及信息推薦技術(shù)領(lǐng)域，特別是涉及一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法。背景技術(shù)規(guī)模已達(dá)9.04億，互聯(lián)網(wǎng)普及率達(dá)到64.5%,各類互聯(lián)網(wǎng)應(yīng)用的用戶規(guī)模及使用率都呈持續(xù)性增長(zhǎng)模式。隨著互聯(lián)網(wǎng)逐漸融入人們的日常生活，傳統(tǒng)的搜索引擎已經(jīng)無法滿足人們的需求，為了快速并準(zhǔn)確地預(yù)測(cè)用戶的喜好，推薦系統(tǒng)扮演了一個(gè)很重要的角色，幫助用戶能夠在海量的數(shù)據(jù)中尋找自己喜歡的物品。然而推薦系統(tǒng)目前仍然面臨一些問題。[0003](1)現(xiàn)階段推薦系統(tǒng)的推薦主要以采集用戶的評(píng)分?jǐn)?shù)據(jù)為主，但是由于有些用戶出于不愿意泄露自己的隱私的擔(dān)憂或者不愿意浪費(fèi)自己的時(shí)間因此不愿意留下評(píng)分，從而導(dǎo)致數(shù)據(jù)的稀疏性。[0004](2)傳統(tǒng)的基于矩陣分解協(xié)同過濾算法是使用簡(jiǎn)單內(nèi)積方法在低維空間上計(jì)算復(fù)雜的用戶和物品的特征，并不能深入學(xué)習(xí)到用戶和物品的特征之間的關(guān)系。[0005](3)傳統(tǒng)的推薦方法沒有過多的考慮用戶的屬性以及物品的屬性，以及用戶用戶之間的交互關(guān)系，物品物品之間的交互關(guān)系。發(fā)明內(nèi)容[0006]為了克服現(xiàn)有技術(shù)存在的上述問題，本發(fā)明的目的在于提供一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，利用卷積網(wǎng)絡(luò)模型處理，利用用戶和物品的交互日志，對(duì)用戶之間的交互行為進(jìn)行強(qiáng)度建模作為關(guān)系表示中的邊，進(jìn)一步得到交互關(guān)系圖，圖上疊加譜圖卷積生成用戶、物品節(jié)點(diǎn)特征向量，為了提高模型的泛化能力，結(jié)合用戶和物品自身屬性特征得到用戶、物品的特征向量，并使用神經(jīng)協(xié)同過濾算法(NCF)將用戶的特征向量和物品的特征向量映射到維數(shù)很高的高維空間，從特征中獲取更多信息得出更精準(zhǔn)的預(yù)測(cè)。[0007]本發(fā)明的目的在于提供一種基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，包括以下步驟：[0008]S1:采集用戶行為數(shù)據(jù)和用戶，物品的屬性內(nèi)容；[0009]S2:若采集的行為是顯式評(píng)分，則根據(jù)用戶對(duì)物品的評(píng)分信息構(gòu)造用戶-用戶圖，計(jì)算用戶與用戶、物品與物品之間的相似度構(gòu)造用戶-用戶圖，物品-物品圖；若采集的行為信息只有瀏覽、點(diǎn)擊等隱式交互信息，構(gòu)造用戶-物品圖；[0010]S3:對(duì)構(gòu)建的關(guān)系圖進(jìn)行圖卷積操作，得到用戶、物品的節(jié)點(diǎn)的特征向量；[0011]S4:將用戶、物品的節(jié)點(diǎn)的特征向量分別與用戶、物品的屬性特征進(jìn)行全連接；[0012]S5:將得到的用戶、物品的節(jié)點(diǎn)的特征向量作為神經(jīng)協(xié)同過濾算法框架的輸入層，從而進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果進(jìn)行信息推薦。[0013]優(yōu)選的，所述S1所述用戶行為數(shù)據(jù)包括瀏覽、購(gòu)買以及評(píng)分信息；所述瀏覽、購(gòu)買7以及評(píng)分信息包括用戶的年齡，性別，職業(yè)；物品的類別；段將‘F'和‘M’轉(zhuǎn)換成0和1;將年齡進(jìn)行段落劃分，包括有以下幾種：1:“小于18歲”;18:連續(xù)數(shù)字0-6;以及將物品類別字段賦予多值屬性并使用Multi-Hot編碼。[0016]S31,構(gòu)建用戶-用戶圖；[0017]S32,構(gòu)建物品-物品圖；[0018]S33,構(gòu)建用戶-物品圖。[0019]S34,構(gòu)造度矩陣。[0021]S311,計(jì)算用戶-用戶相似度：利用Person相關(guān)系數(shù)衡量用戶u和用戶u,之間的相似關(guān)系sim(u;,u),其中I,I,是用戶u?和u;之間共同做出評(píng)分的物品集合；[0022]S312,構(gòu)造用戶的鄰接矩陣A,;[0023]所述步驟S311包括：[0024]S3111,利用每位用戶u的評(píng)分計(jì)算每位用戶的平均分u:[0026]S3112,計(jì)算用戶u和u;之間的Pearson相關(guān)系數(shù)如下：[0028]所述步驟S312中所述鄰接矩陣A,是一個(gè)對(duì)角元素為0的對(duì)稱矩陣，矩陣中的元素[0030]所述步驟S312利用調(diào)整的余弦函數(shù)來定義物品i與物品j之間的相似度，包括：[0031]S3121,均值中心化：用戶u對(duì)物品j的評(píng)分：[0033]S3122,計(jì)算物品i與物品j之間的相似度[0036]S321,定義物品-物品相似度；8陣D;顯式情況下利用用戶物品評(píng)分的鄰接矩陣A計(jì)算出r個(gè)度矩陣D;利用隱式行為的鄰9[0064]優(yōu)選的，使用一個(gè)基于神經(jīng)網(wǎng)絡(luò)的矩陣分解框架NCF,結(jié)合GM型的推薦過程中沒有考慮輔助信息，本發(fā)明使用合到用戶、物品的節(jié)點(diǎn)特征向量中，同時(shí)也增加了用戶與物品的屬性內(nèi)容作為輔助信息，并將圖卷積之后的用戶、物品節(jié)點(diǎn)特征向量相結(jié)合作為NCF的輸入，提高模型的泛化能力并提升了推薦系統(tǒng)的準(zhǔn)確率。附圖說明[0075]附圖1為根據(jù)本發(fā)明實(shí)施例的推薦系統(tǒng)流程示意圖；[0076]附圖2為根據(jù)本發(fā)明實(shí)施例的顯式推薦子圖流程示意圖；[0077]附圖3為根據(jù)本發(fā)明實(shí)施例的隱式推薦子圖流程示意圖；[0078]附圖4為根據(jù)本發(fā)明實(shí)施例的NCF框架圖。具體實(shí)施方式[0079]下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行詳細(xì)說明，但并不用來限制本發(fā)明的保護(hù)范圍。[0080]參見圖1所示實(shí)施例的基于圖卷積的神經(jīng)協(xié)同過濾的信息推薦方法，包括以下步[0081]S1:采集用戶行為數(shù)據(jù)(包括瀏覽、購(gòu)買以及評(píng)分等信息)和用戶，物品的屬性內(nèi)[0082]S2:若采集的行為是顯式評(píng)分，則根據(jù)用戶對(duì)物品的評(píng)分信息構(gòu)造用戶-用戶圖，計(jì)算用戶與用戶、物品與物品之間的相似度構(gòu)造用戶-用戶圖，物品-物品圖；若采集的行為信息只有瀏覽、點(diǎn)擊等隱式交互信息，構(gòu)造用戶-物品圖；[0083]S3:對(duì)構(gòu)建的關(guān)系圖進(jìn)行圖卷積操作，得到用戶、物品的節(jié)點(diǎn)的特征向量；[0084]S4:將用戶、物品的節(jié)點(diǎn)的特征向量分別與用戶、物品的屬性特征進(jìn)行全連接；[0085]S5:將得到的用戶、物品的節(jié)點(diǎn)的特征向量作為神經(jīng)協(xié)同過濾算法框架的輸入層，從而進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果進(jìn)行信息推薦。[0086]本實(shí)施例的具體實(shí)施過程包括：[0087]一、采集的用戶瀏覽行記錄，用戶物品的屬性特征[0090]用戶對(duì)物品的評(píng)分：1-5[0091]用戶瀏覽行為：購(gòu)買、瀏覽次數(shù)、點(diǎn)擊次數(shù)等[0093]性別字段：需要將F'和M’轉(zhuǎn)換成0和1[0094]Age:年齡進(jìn)行段落劃分有以下幾種：[0095]1:“小于18歲”[0096]18:“18-24”[0097]25:“25-34”[0098]35:“35-44”[0099]45:“45-49”[0100]50:“50-55”量用戶u和用戶u;之間的相似關(guān)系sim(u,,u),其中I∩L,是用戶u和u;之間共同做出評(píng)分算出度矩陣D;利用用戶物品評(píng)分的鄰接矩陣A可以計(jì)算出r個(gè)度矩陣D(顯式)利用隱式