结合社交和兴趣信息的异源图卷积网络的社交推荐方法.pdf

《结合社交和兴趣信息的异源图卷积网络的社交推荐方法.pdf》由会员分享，可在线阅读，更多相关《结合社交和兴趣信息的异源图卷积网络的社交推荐方法.pdf（16页完成版）》请在专利查询网上搜索。

1、(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 (43)申请公布日 (21)申请号 202010216211.4 (22)申请日 2020.03.25 (71)申请人 合肥工业大学 地址 230009 安徽省合肥市包河区屯溪路 193号 申请人 科大讯飞股份有限公司 (72)发明人 吴乐黎俊伟孙培杰付瑞吉 汪萌洪日昌 (74)专利代理机构 安徽省合肥新安专利代理有 限责任公司 34101 代理人 陆丽莉何梅生 (51)Int.Cl. G06F 16/9536(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 。

2、17/16(2006.01) (54)发明名称 结合社交和兴趣信息的异源图卷积网络的 社交推荐方法 (57)摘要 本发明公开了一种结合社交和兴趣信息的 异源图卷积网络的社交推荐方法， 包括： 1.构造 用户社交关系矩阵S， 用户物品评分矩阵R； 2.利 用用户社交关系矩阵S和用户物品评分矩阵R， 构 造异源图G； 3.构造用户和物品的嵌入表示矩阵； 4.构造两个均为K个传播层的图卷积层， 将所述 的异源图G输入其中， 并通过构造注意力机制， 将 两个图卷积网络传播过程联系起来； 5.计算用户 对物品的物品偏好值， 从而对用户进行推荐。 本 发明能有效地结合社交信息和兴趣信息， 将两者 同时整合。

3、到一个模型， 捕捉用户与用户之间和用 户与物品之间的高阶关联信息， 并采用分层的注 意力机制训练， 最大化利用用户数据， 实现对用 户进行更精准的商品推荐。 权利要求书4页 说明书10页 附图1页 CN 111428147 A 2020.07.17 CN 111428147 A 1.一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法， 其特征是按如下步骤 进行： 步骤1、 构造用户社交关系矩阵S， 用户物品评分矩阵R： 令U表示用户集， 且Uu1,.,ua,.,ub,.,uM， 其中， ua表示第a个用户， ub表示第b 个用户， M表示用户总数， 1a,bM； 令V表示物品集， 且Vv1,。

4、vi,vj,vN， 其中， vi表示第i个物品， vj表示第j个物品， N表示物品总数， 1i,jN； 令sab表示第a个用户ua对 第b个用户ub的社交关系， 若sab1， 则表示第a个用户ua对第b个用户ub存在社交依赖关系， 若sab0， 则表示第a个用户ua对第b个用户ub不存在社交依赖关系， 从而构造所有用户之间 的社交关系矩阵SsabMM； 令Sa表示对第a个用户ua存在社交依赖关系的所有用户集合； 令rai表示第a个用户ua对第i个物品vi的评分值， 从而构造所有用户对所有物品的评分矩阵 RraiMN； 令Ra表示第a个用户ua产生过消费行为的所有物品集合， 令Ri表示对第i个物。

5、品 vi产生过消费行为的所有用户集合； 步骤2、 利用用户社交关系矩阵S和用户物品评分矩阵R， 构造异源图G： 步骤2.1、 利用用户社交关系矩阵S， 构造用户-用户的社交关系图GsU,SRMM， 其 中， 用户集U作为结点集， 社交关系矩阵S作为边集； 步骤2.2、 利用用户物品评分矩阵R， 构造用户-物品的兴趣关系图GcUV,RRMN， 其中， 用户集U和物品集V作为结点集， 评分矩阵R作为边集； 步骤2.3、 利用用户作为中间媒介， 将社交关系图Gs和兴趣关系图Gc结合起来作为整体 异源图GUV,ERM(M+N)， 其中， 用户集U和物品集V作为结点集， ERS作为边集； 步骤3、 构造。

6、用户和物品的嵌入表示矩阵： 由用户集U和物品集V构建用户的自由嵌入矩阵CRND和物品的自由嵌入矩阵YRMD， 其中D表示隐因子的维度， 令所述自由嵌入矩阵C中第a列向量ca表示第a个用户ua对应的自 由嵌入向量， Y中第i列向量yi表示第i个物品vi对应的自由嵌入向量； 步骤4、 构造两个均为K个传播层的图卷积网络， 并输入所述异源图G， 再通过构造注意 力机制， 将两个图卷积网络传播过程联系起来： 步骤4.1、 新建两个K个传播层的图卷积网络， 并分别输入社交关系图Gs和兴趣关系图 Gc， 从而得到社交图卷积网络和兴趣图卷积网络； 步骤4.2、 定义两个图卷积网络的当前传播层数为k， 并初始。

7、化k0； 步骤4.3、 在社交图卷积网络中， 将第k个传播层中第a个用户ua对应的节点表示向量 初始化为ca； 在兴趣图卷积网络中， 将第k个传播层中第a个用户ua对应的节点表示向量 初始化为ca， 将第k个传播层中第i个物品vi对应的节点表示向量初始化为yi； 步骤4.4、 将所述社交网络图Gs输入到在社交图卷积网络中， 并利用式(7)更新社交网络 图Gs中每个用户的嵌入表示， 得到第k+1层的第a个用户ua的嵌入表示 式(1)中，表示在第k+1个传播层的社交图卷积网络中， 第b个用户ub的社交影响在 第a个用户ua所有关联用户社交影响中所占的比重； 权利要求书 1/4 页 2 CN 111。

8、428147 A 2 步骤4.5、 将所述兴趣网络图Gc输入到兴趣图卷积网络中， 并分别利用式(8)和式(9)更 新兴趣网络图Gc中用户和物品的嵌入表示， 得到第k+1层的第a个用户ua的嵌入表示和 第i个物品vi的嵌入表示与当前第k层的表示拼接， 然后利用式(10)进行线性变换得 到第k+1层第i个物品vi的最终嵌入表示 式(2)中，表示在第k+1个传播层的社交图卷积网络中， 第i个物品vi的影响在第a个 用户ua所有关联商品的影响中所占的比重； 式(3)中，表示在第k+1个传播层的社交图卷积网络中， 第a个用户ca的影响在第i个 物品vi所有关联用户的影响中所占的比重； 式(4)中， fk。

9、+1是一个非线性变换函数， Wf是对应的转换矩阵； 步骤4.6、 利用式(5)得到更新后的第k+1层的第a个用户ua的嵌入表示向量 式(5)中，分别代表在第k+1个传播层中第l种输出的重要性权重因子； l1,2,3； 步骤5、 计算用户对物品的物品偏好值， 从而对用户进行推荐： 步骤5.1、 根据每层图卷积网络的输出， 利用式(6)计算第a个用户ua对第i个物品vi的偏 好： 式(6)中， |表示对两个向量的拼接操作； 步骤5.2、 选取贝叶斯个性化排序的框架， 建立如式(7)所示的损失函数L( )： 式(7)中， ()表示sigmoid函数， 是正则化参数， |2表示二范数， 为网络模型 在。

10、优化过程中的所有可学习参数的集合， 第a个用户ua对第j个物品vj的预测偏好值； R- 表示用户评分为0的评分集合， R+表示用户评分为1的评分集合； 步骤5.3、 通过随机梯度下降法对所述损失函数L进行优化求解， 使得L达到最小， 从而 得到最优的预测评分矩阵， 并根据最优预测评分矩阵对用户进行物品推荐。 2.根据权利要求1所述的社交推荐方法， 其特征是， 所述步骤4.4中比重是按如下 过程计算得到： 利用式(8)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第b个用户ub之间的 权利要求书 2/4 页 3 CN 111428147 A 3 社交影响力因子并利用式(9)进行归一化处理。

11、， 得到归一化后的社交影响力因子 用于学习用户之间的社交影响力， 从而在社交图卷积网络中构造社交Bottom注意力 神经网络： 式(8)中， w1和W1是社交Bottom注意力神经网络中计算社交影响力的参数。 3.根据权利要求1所述的社交推荐方法， 其特征是， 所述步骤4.5中的比重是按如下 过程计算得到： 利用式(10)得到第k+1个传播层的社交图卷积网络中第i个用户vi和第a个用户ua之间 的社交影响力因子并利用式(11)进行归一化处理， 得到归一化后的兴趣影响力因子 用于学习物品对用户的兴趣影响力， 从而在兴趣图卷积网络中构造兴趣Bottom注意 力神经网络： 式(10)中， w2和W2。

12、是兴趣Bottom注意力神经网络中计算物品对用户产生的兴趣影响力 的参数。 4.根据权利要求1所述的社交推荐方法， 其特征是， 所述步骤4.5中的比重是按如下 过程计算得到： 利用式(12)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第i个物品vi之间 的社交影响力因子并利用式(13)进行归一化处理， 得到归一化后的兴趣影响力因子 用于学习用户对物品的兴趣影响力， 从而在兴趣图卷积网络中构造另一个兴趣 Bottom注意力神经网络： 式(12)中， w3和W3是兴趣Bottom注意力神经网络中计算用户对物品产生的兴趣影响力 的参数。 5.根据权利要求1所述的社交推荐方法， 其特征是， 。

13、所述步骤4.6中的重要性权重因子 是按如下过程计算得到： 权利要求书 3/4 页 4 CN 111428147 A 4 利用式(14)计算得到在第k+1个传播层时综合三种输出的综合权重因子并利用式 (15)进行归一化处理， 得到归一化后的综合权重因子从而为两个图卷积网络构造Top 注意力神经网络： 式(14)中， w4和W4表示top注意力神经网络中的学习参数，表示top注意力神经网络 层的每个输入， 其中top注意力神经网络层的第1个输入是当前第k个传播层中第a个用 户ua的嵌入表示向量即top注意力神经网络层的第2个输入是社交图卷积 网络中第k+1层第a个用户ua的嵌入表示即top注意力神。

14、经网络层的第3个 输入是兴趣图卷积网络中第k+1层的第a个用户ua的嵌入表示即 权利要求书 4/4 页 5 CN 111428147 A 5 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 技术领域 0001 本发明涉及社交推荐领域， 具体地说是一种结合社交和兴趣信息的异源图卷积网 络的社交推荐方法。 背景技术 0002 基于协同过滤的推荐系统， 由于能很好地对用户和商品建模从而大大提高推荐性 能， 近年来引起了工业界和学术界的广泛关注。 但是普遍存在的用户行为数据稀疏性问题， 仍极大地限制了协同过滤的效果。 而如何结合更多的有效信息， 从而学习到更精准的推荐， 成为了很迫切的研究需要。 0。

15、003 随着社交网络技术的发展， 人们在各种平台逐渐建立自己的社交关系， 并彼此分 享和影响自己对各种物品的偏好， 社交网络成为了用户很重要的数据信息。 因此， 为了在推 荐算法中有效的融入社交信息以达到更精准的推荐效果， 2006年Friedkin等人注意到了社 交网络对用户偏好的影响性， 2010年Jamali等人开始尝试利用社交网络中用户的邻居信息 解决用户数据稀疏问题， 提升推荐算法的效果。 因此通过利用图结构对用户-用户的社交信 息， 或者用户-物品之间的兴趣信息进行建模， 达到了不错的效果。 0004 而图卷积网络技术的出现和流行， 更进一步推动了这些模型的性能。 比如2019年 。

16、Xu等人提出利用图中的邻居节点信息， 捕捉用户之间的高阶相关信息， 实现对用户更好的 建模。 但目前大多数基于图卷积的模型， 只能将社交网络和兴趣网络独立区分对待， 无法实 现在同一个模型中， 同时利用到两种类型的网络信息。 0005 然而， 用户在两种图之间起到了重要的关联作用， 之前将两者独立对待的图卷积 网络模型， 无法捕捉到兴趣网络和社交网络之间重要的相关信息， 因此推荐效果也受到限 制。 因此， 如何有效地将社交信息和兴趣信息融合进一个模型对用户进行建模， 使得用户的 行为数据能最大化的利用和充分挖掘以提高推荐效果， 成为了一个值得关注的问题。 发明内容 0006 本发明为解决现有技。

17、术的不足之处， 提出一种结合社交和兴趣信息的异源图卷积 网络的社交推荐方法， 以期通过有效融合两者信息， 对用户进行更精准的推荐， 尤其是对行 为数据稀疏的用户群体， 从而实现更好的推荐效果。 0007 本发明为解决技术问题采用如下技术方案： 0008 本发明一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法的特点是按 如下步骤进行： 0009 步骤1、 构造用户社交关系矩阵S， 用户物品评分矩阵R： 0010 令U表示用户集， 且Uu1,.,ua,.,ub,.,uM， 其中， ua表示第a个用户， ub表 示第b个用户， M表示用户总数， 1a,bM； 令V表示物品集， 且Vv1,.,vi。

18、,.,vj,., vN， 其中， vi表示第i个物品， vj表示第j个物品， N表示物品总数， 1i,jN； 令sab表示第a个 用户ua对第b个用户ub的社交关系， 若sab1， 则表示第a个用户ua对第b个用户ub存在社交依 说明书 1/10 页 6 CN 111428147 A 6 赖关系， 若sab0， 则表示第a个用户ua对第b个用户ub不存在社交依赖关系， 从而构造所有 用户之间的社交关系矩阵SsabMM； 令Sa表示对第a个用户ua存在社交依赖关系的所有用 户集合； 令rai表示第a个用户ua对第i个物品vi的评分值， 从而构造所有用户对所有物品的 评分矩阵RraiMN； 令Ra。

19、表示第a个用户ua产生过消费行为的所有物品集合， 令Ri表示对 第i个物品vi产生过消费行为的所有用户集合； 0011 步骤2、 利用用户社交关系矩阵S和用户物品评分矩阵R， 构造异源图G： 0012 步骤2.1、 利用用户社交关系矩阵S， 构造用户-用户的社交关系图GsU,SRM M， 其中， 用户集U作为结点集， 社交关系矩阵S作为边集； 0013 步骤2.2、 利用用户物品评分矩阵R， 构造用户-物品的兴趣关系图GcUV,RRM N， 其中， 用户集U和物品集V作为结点集， 评分矩阵R作为边集； 0014 步骤2.3、 利用用户作为中间媒介， 将社交关系图Gs和兴趣关系图Gc结合起来作为。

20、 整体异源图GUV,ERM(M+N)， 其中， 用户集U和物品集V作为结点集， ERS作为边 集； 0015 步骤3、 构造用户和物品的嵌入表示矩阵： 0016 由用户集U和物品集V构建用户的自由嵌入矩阵CRND和物品的自由嵌入矩阵Y RMD， 其中D表示隐因子的维度， 令所述自由嵌入矩阵C中第a列向量ca表示第a个用户ua对应 的自由嵌入向量， Y中第i列向量yi表示第i个物品vi对应的自由嵌入向量； 0017 步骤4、 构造两个均为K个传播层的图卷积网络， 并输入所述异源图G， 再通过构造 注意力机制， 将两个图卷积网络传播过程联系起来： 0018 步骤4.1、 新建两个K个传播层的图卷积。

21、网络， 并分别输入社交关系图Gs和兴趣关 系图Gc， 从而得到社交图卷积网络和兴趣图卷积网络； 0019 步骤4.2、 定义两个图卷积网络的当前传播层数为k， 并初始化k0； 0020 步骤4.3、 在社交图卷积网络中， 将第k个传播层中第a个用户ua对应的节点表示向 量初始化为ca； 在兴趣图卷积网络中， 将第k个传播层中第a个用户ua对应的节点表示向 量初始化为ca， 将第k个传播层中第i个物品vi对应的节点表示向量 初始化为yi； 0021 步骤4.4、 将所述社交网络图Gs输入到在社交图卷积网络中， 并利用式(7)更新社 交网络图Gs中每个用户的嵌入表示， 得到第k+1层的第a个用户u。

22、a的嵌入表示 0022 0023式(1)中，表示在第k+1个传播层的社交图卷积网络中， 第b个用户ub的社交影 响在第a个用户ua所有关联用户社交影响中所占的比重； 0024 步骤4.5、 将所述兴趣网络图Gc输入到兴趣图卷积网络中， 并分别利用式(8)和式 (9)更新兴趣网络图Gc中用户和物品的嵌入表示， 得到第k+1层的第a个用户ua的嵌入表示 和第i个物品vi的嵌入表示与当前第k层的表示 拼接， 然后利用式(10)进行线性变 换得到第k+1层第i个物品vi的最终嵌入表示 0025 说明书 2/10 页 7 CN 111428147 A 7 0026 0027 0028式(2)中，表示在第。

23、k+1个传播层的社交图卷积网络中， 第i个物品vi的影响在 第a个用户ua所有关联商品的影响中所占的比重； 0029式(3)中，表示在第k+1个传播层的社交图卷积网络中， 第a个用户ca的影响在 第i个物品vi所有关联用户的影响中所占的比重； 0030 式(4)中， fk+1是一个非线性变换函数， Wf是对应的转换矩阵； 0031步骤4.6、 利用式(5)得到更新后的第k+1层的第a个用户ua的嵌入表示向量 0032 0033式(5)中，分别代表在第k+1个传播层中第l种输出的重要性权重因子； l1, 2,3； 0034 步骤5、 计算用户对物品的物品偏好值， 从而对用户进行推荐： 0035 。

24、步骤5.1、 根据每层图卷积网络的输出， 利用式(6)计算第a个用户ua对第i个物品vi 的偏好： 0036 0037 式(6)中， |表示对两个向量的拼接操作； 0038 步骤5.2、 选取贝叶斯个性化排序的框架， 建立如式(7)所示的损失函数L( )： 0039 0040 式(7)中， ()表示sigmoid函数， 是正则化参数， |2表示二范数， 为网络 模型在优化过程中的所有可学习参数的集合， 第a个用户ua对第j个物品vj的预测偏好值； R-表示用户评分为0的评分集合， R+表示用户评分为1的评分集合； 0041 步骤5.3、 通过随机梯度下降法对所述损失函数L进行优化求解， 使得L。

25、达到最小， 从而得到最优的预测评分矩阵， 并根据最优预测评分矩阵对用户进行物品推荐。 0042本发明所述的社交推荐方法的特点也在于， 所述步骤4.4中比重是按如下过程 计算得到： 0043 利用式(8)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第b个用户ub之 间的社交影响力因子并利用式(9)进行归一化处理， 得到归一化后的社交影响力因子 用于学习用户之间的社交影响力， 从而在社交图卷积网络中构造社交Bottom注意力 神经网络： 0044 说明书 3/10 页 8 CN 111428147 A 8 0045 0046 式(8)中， w1和W1是社交Bottom注意力神经网络中计算。

26、社交影响力的参数。 0047所述步骤4.5中的比重是按如下过程计算得到： 0048 利用式(10)得到第k+1个传播层的社交图卷积网络中第i个用户vi和第a个用户ua 之间的社交影响力因子并利用式(11)进行归一化处理， 得到归一化后的兴趣影响力 因子用于学习物品对用户的兴趣影响力， 从而在兴趣图卷积网络中构造兴趣Bottom 注意力神经网络： 0049 0050 0051 式(10)中， w2和W2是兴趣Bottom注意力神经网络中计算物品对用户产生的兴趣影 响力的参数。 0052所述步骤4.5中的比重是按如下过程计算得到： 0053 利用式(12)得到第k+1个传播层的社交图卷积网络中第a。

27、个用户ua和第i个物品vi 之间的社交影响力因子并利用式(13)进行归一化处理， 得到归一化后的兴趣影响力 因子用于学习用户对物品的兴趣影响力， 从而在兴趣图卷积网络中构造另一个兴趣 Bottom注意力神经网络： 0054 0055 0056 式(12)中， w3和W3是兴趣Bottom注意力神经网络中计算用户对物品产生的兴趣影 响力的参数。 0057所述步骤4.6中的重要性权重因子是按如下过程计算得到： 0058利用式(14)计算得到在第k+1个传播层时综合三种输出的综合权重因子并利 用式(15)进行归一化处理， 得到归一化后的综合权重因子从而为两个图卷积网络构造 Top注意力神经网络： 0。

28、059 0060 说明书 4/10 页 9 CN 111428147 A 9 0061式(14)中， w4和W4表示top注意力神经网络中的学习参数，表示top注意力神经 网络层的每个输入， 其中top注意力神经网络层的第1个输入是当前第k个传播层中第a 个用户ua的嵌入表示向量即top注意力神经网络层的第2个输入是社交图 卷积网络中第k+1层第a个用户ua的嵌入表示即top注意力神经网络层的第 3个输入是兴趣图卷积网络中第k+1层的第a个用户ua的嵌入表示即 0062 与已有技术相比， 本发明有益效果体现在： 0063 本发明提出同时结合用户兴趣信息和用户社交信息的思想， 将社交推荐问题视为。

29、 预测图连接的问题。 通过构造用户-用户的社交网络， 和用户-物品的兴趣网络， 作为异源图 的形式输入到图卷积网络中， 克服了现有的用户数据稀疏性的问题， 更够实现更好的用户 社交推荐； 另外在采用基于异源图输入的图卷积网络结构中， 本发明设计了分层的注意力 机制， 能够根据各自重要性， 区分地学习各自图中的邻居聚集信息， 以捕捉到更精确的高阶 关系， 以及根据重要程度区分学习对应图更新后的输出嵌入表示， 以捕捉每个用户的偏好 被不同方面的影响程度。 附图说明 0064 图1为本发明结合社交和兴趣信息的异源图卷积网络的社交推荐方法的流程图。 具体实施方式 0065 参见图1， 本实施例中， 一。

30、种结合社交信息和兴趣信息的图卷积网络的社交推荐方 法是按如下步骤进行： 0066 步骤1、 构造用户社交关系矩阵S， 用户物品评分矩阵R： 0067 令U表示用户集， 且Uu1,.,ua,.,ub,.,uM， 其中， ua表示第a个用户， ub表 示第b个用户， M表示用户总数， 1a,bM； 令V表示物品集， 且Vv1,.,vi,.,vj,., vN， 其中， vi表示第i个物品， vj表示第j个物品， N表示物品总数， 1i,jN； 令sab表示第a个 用户ua对第b个用户ub的社交关系， 若sab1， 则表示第a个用户ua对第b个用户ub存在社交依 赖关系， 若sab0， 则表示第a个用。

31、户ua对第b个用户ub不存在社交依赖关系， 从而构造所有 用户之间的社交关系矩阵SsabMM； 令Sa表示对第a个用户ua存在社交依赖关系的所有用 户集合； 令rai表示第a个用户ua对第i个物品vi的评分值， 从而构造所有用户对所有物品的 评分矩阵RraiMN； 令Ra表示第a个用户ua产生过消费行为的所有物品集合， 令Ri表示对 第i个物品vi产生过消费行为的所有用户集合； 0068 步骤2、 利用用户社交关系矩阵S和用户物品评分矩阵R， 构造异源图G： 0069 步骤2.1、 利用用户社交关系矩阵S， 构造用户-用户的社交关系图GsU,SRM M， 其中， 用户集U作为结点集， 社交关系。

32、矩阵S作为边集； 0070 步骤2.2、 利用用户物品评分矩阵R， 构造用户-物品的兴趣关系图GcUV,RRM N， 其中， 用户集U和物品集V作为结点集， 评分矩阵R作为边集； 0071 步骤2.3、 利用用户作为中间媒介， 将社交关系图Gs和兴趣关系图Gc结合起来作为 整体异源图G(UV,ERM(M+N)， 其中， 用户集U和物品集V作为结点集， ERS作为边 说明书 5/10 页 10 CN 111428147 A 10 集； 0072 步骤3、 构造用户和物品的嵌入表示矩阵： 0073 由用户集U和物品集V构建用户的自由嵌入矩阵CRND和物品的自由嵌入矩阵Y RMD， 其中D表示隐因子。

33、的维度， 令自由嵌入矩阵C中第a列向量ca表示第a个用户ua对应的自 由嵌入向量， Y中第i列向量yi表示第i个物品vi对应的自由嵌入向量； 0074 步骤4、 构造两个均为K个传播层的图卷积网络， 并输入异源图G， 再通过构造注意 力机制， 将两个图卷积网络传播过程联系起来： 0075 步骤4.1、 新建两个K个传播层的图卷积网络， 并分别输入社交关系图Gs和兴趣关 系图Gc， 从而得到社交图卷积网络和兴趣图卷积网络； 0076 步骤4.2、 定义两个图卷积网络的当前传播层数为k， 并初始化k0； 0077 步骤4.2、 在社交图卷积网络中， 将第k个传播层中第a个用户ua对应的节点表示向 。

34、量初始化为ca； 在兴趣图卷积网络中， 将第k个传播层中第a个用户ua对应的节点表示向 量初始化为ca， 将第k个传播层中第i个物品vi对应的节点表示向量 初始化为yi； 0078 步骤4.3、 对每个图卷积网络内部分别构造Bottom注意力机制： 0079 步骤4.3.1、 利用式(1)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第 b个用户ub之间的社交影响力因子并利用式(2)进行归一化处理， 得到归一化后的社交 影响力因子用于学习用户之间的社交影响力， 从而在社交图卷积网络中构造社交 Bottom注意力神经网络： 0080 0081 0082 式(1)中， w1和W1是社交Bo。

35、ttom注意力神经网络中计算社交影响力的参数； 0083 步骤4.3.2、 利用式(3)得到第k+1个传播层的社交图卷积网络中第i个用户vi和第 a个用户ua之间的社交影响力因子并利用式(4)进行归一化处理， 得到归一化后的兴趣 影响力因子用于学习物品对用户的兴趣影响力， 从而在兴趣图卷积网络中构造兴趣 Bottom注意力神经网络： 0084 0085 0086 式(3)中， w2和W2是兴趣Bottom注意力神经网络中计算物品对用户产生的兴趣影响 力的参数； 0087 步骤4.3.3、 聚集物品的邻居结点信息， 更新兴趣图中的物品结点： 0088 在聚集邻居信息操作中， 最自然的做法是， 求。

36、平均值， 如更新第k+1层物品vi可以 说明书 6/10 页 11 CN 111428147 A 11 通过求得， 但是， 这种做法忽略了不同用户对每个用户产生的兴趣影响程度。 所以考虑构造一个注意力神经网络。 0089 利用式(3)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第i个物品vi之 间的社交影响力因子并利用式(4)进行归一化处理， 得到归一化后的兴趣影响力因子 用于学习用户对物品的兴趣影响力， 从而在兴趣图卷积网络中构造另一个兴趣Bottom 注意力神经网络： 0090 0091 0092 式(3)中， w3和W3是兴趣Bottom注意力神经网络中计算用户对物品产生的兴趣。

37、影响 力的参数； 0093 步骤4.4、 将社交网络图Gs输入到在社交图卷积网络中， 并利用式(7)更新社交网 络图Gs中每个用户的嵌入表示， 得到第k+1层的第a个用户ua的嵌入表示 0094 0095 步骤4.5、 将兴趣网络图Gc输入到兴趣图卷积网络中， 并分别利用式(8)和式(9)更 新兴趣网络图Gc中用户和物品的嵌入表示， 得到第k+1层的第a个用户ua的嵌入表示和 第i个物品vi的嵌入表示与当前第k层的表示拼接， 然后经过式(10)的线性变换得到 第k+1层第i个物品vi的最终嵌入表示 0096 0097 0098 0099 式(10)中， fk+1是一个非线性变换函数， Wf是对。

38、应的转换矩阵； 0100 步骤4.6、 构造Top注意力机制， 结合两种图卷积网络更新传播整体的用户嵌入表 示： 0101 步骤4.6.1、 利用式(11)计算得到在第k+1个传播层时综合三种输出的综合权重因 子并利用式(12)进行归一化处理， 得到归一化后的综合权重因子从而为两个图卷 积网络构造Top注意力神经网络： 0102 说明书 7/10 页 12 CN 111428147 A 12 0103 0104式(11)中， w4和W4表示top注意力神经网络中的学习参数，表示top注意力神经 网络层的每个输入， 其中top注意力神经网络层的第1个输入是当前第k个传播层中第a 个用户ua的嵌入。

39、表示向量即top注意力神经网络层的第2个输入是社交图 卷积网络中第k+1层第a个用户ua的嵌入表示即top注意力神经网络层的第 3个输入是兴趣图卷积网络中第k+1层的第a个用户ua的嵌入表示即对 于每个用户而言， 学习其来自三个方面的建模数据的重要性得分， 在每轮迭代中根据各自 的重要性得分区分地对用户嵌入进行更新。 重要性得分越大， 意味着用户越容易被该方面 的信息影响。 0105 步骤4.6.2、 利用式(13)得到更新后的第k+1层的第a个用户ua的嵌入表示向量 0106 0107 步骤5、 计算用户对物品的物品偏好值， 从而对用户进行推荐： 0108 步骤5.1、 根据每层图卷积网络的。

40、输出， 利用式(14)计算第a个用户ua对第i个物品 vi的偏好： 0109 0110 式(14)中， |表示对两个向量的拼接操作； 0111 步骤5.2、 选取贝叶斯个性化排序的框架， 建立如式(15)所示的损失函数L( )： 0112 0113 式(15)中， ()表示sigmoid函数， 是正则化参数， |2表示二范数， 为网 络模型在优化过程中的所有可学习参数的集合， 第a个用户ua对第j个物品vj的预测偏好 值； R-表示用户评分为0的评分集合， R+表示用户评分为1的评分集合； 0114 步骤5.3、 通过随机梯度下降法对损失函数L进行优化求解， 使得L达到最小， 从而 得到最优的。

41、预测评分矩阵， 并根据最优预测评分矩阵对用户进行物品推荐。 0115 实施例： 0116 为了验证本发明方法的有效性， 本发明选取了来自两个社交平台的真实公开数据 集： Yelp和Flickr， 都包含了大量的用户社交信息和物品评价信息。 Yelp数据集包含用户之 间的社交网络， 和用户基于位置对周围餐厅的评价信息， 由17237个用户， 38342个物品， 204448条评价和143765个用户之间的连接构成； Flickr数据集包含用户之间的关注信息， 和用户分享图片的偏好， 由8358个用户， 82120个物品， 327815条评价和187273个用户连接 构成。 本实验将原始的5分制评。

42、分转化为二值评分， 即把3分及以上的评价视作1， 把3分以下 的评分视作0。 为了避免噪音， 过滤掉了少于2条用户连接和2条物品评价的用户信息， 以及 少于2条评价的物品。 最终处理后的数据集作为本次实验的两个数据集D_Yelp和D_Flickr。 说明书 8/10 页 13 CN 111428147 A 13 0117 在训练过程中， 为每个用户挑选5的记录作为测试数据， 10的作为验证数据， 其余的作为训练数据。 本发明采用两种评价指标， 包括HR(Hit Ratio)和NDCG(Normalized Discounted Cumulative Gain)。 选取了8个模型来和本发明提出的。

43、方法进行效果对比， 分 别是： 2019年Rendle等人提出的BPR， 2017年He等人提出的NeuMF,2019年Fanet等人提出的 GraphRec,2018年Ying等人提出的PinSage,2019年Wang等人提出的NGCF,2010年Jamali等 人提出的SocialMF,2015年Guo， Zhang等人提出的TrustSVD,2019年Wu等人提出的DiffNet。 0118 具体地， 根据实验结果， 可得出结果如下表所示。 其中， 表1为本发明方法在两种评 价指标下， 与所选用的8种对比方法在数据集D_Yelp和D_Flickr上得到的实验结果对比表； 表2为本发明方。

44、法在选用不同Top-N排序时， 分别根据这两种排序评价指标与8种对比方法 在两个数据集上得到的实验结果对比表。 0119 0120 表1 说明书 9/10 页 14 CN 111428147 A 14 0121 0122 表2 0123 实验结果显示， 在两个数据集上， 本发明提出的方法， 在不同的评价标准上， 均比 选用的8种方法效果要更好， 从而证明了本发明提出方法的可行性。 0124 综上所述， 本方法能够同时利用用户的社交信息和兴趣信息， 在图卷积网络中对 用户进行更精准的建模， 有效的解决用户的数据稀疏性问题， 捕捉用户在两方面的高阶关 联信息， 实现更精准的社交推荐。 说明书 10/10 页 15 CN 111428147 A 15 图1 说明书附图 1/1 页 16 CN 111428147 A 16 。