一种基于图卷积的群体推荐方法

技术领域

本发明涉及人工智能领域，具体涉及一种基于图卷积的群体推荐方法。

背景技术

伴随着过去数十年互联网科技技术的高速发展，各种互联网和多媒体应用层出不穷，海量的文本、音频、视频等多媒体数据呈爆炸式增长，带来非常严重的信息过载的问题，人们在海量的数据中很难直接搜寻得到自己想要的结果。推荐技术在解决信息过载的问题中起到了关键的作用，并被很多在线服务广泛采用。例如在网上购物时，推荐技术给用户推荐该用户偏好购买的物品，在听音乐时推荐技术给用户推荐该用户喜好的歌曲，这为用户在选择的过程中节约了大量的时间，为人们的生活带来了便利。

现有的推荐系统侧重于个性化推荐，而随着带有社交性质的网上生活服务平台如美团、大众点评、马蜂窝网的兴起，人们参加集体活动的意愿以及趋势在近几年增长迅速，例如，和同事们一起出去吃饭，和家人一起出去旅游，和朋友们一起出去看电影、参加社交活动等等。而由于群体由不同群体成员组成，不同群体成员有不同的偏好，在群体决策过程中有不同的影响，这类场景是复杂且多样的，如图1所示，每个人有自己看电影的需求，也可能有组成群体共同观看电影的需求，如何将个人的观看历史与群体的观看历史相结合，从而推荐出让群体成员都满意的内容，在时下是一个具有挑战性的难题。

与传统推荐类似，群体与物品可在向量空间中被分别映射为向量空间的一个点，通过计算两点之间的距离(即两点的相似性)可计算群体对物品的偏好程度。物品指待推荐的内容。理想状态下，群体可同用户一样，使用与物品的历史交互数据来学习群体与物品在向量空间的位置，从而得到群体的具有偏好信息的嵌入表示，并得到理想的推荐效果。然而，事实上群体与物品的交互相较于用户与物品的交互非常稀疏，能从群体与物品的历史交互数据中学习得到的群体偏好的信息十分有限。因此，一种基本做法是利用群体成员的具有偏好信息的嵌入表示聚合群体的具有偏好信息的嵌入表示，这些具有偏好信息的嵌入表示可由密集的群体成员与物品的历史交互数据学习而来，从而丰富群体的嵌入表示。偏好聚合方式有多种，传统的启发式策略有平均，最小痛苦度，最大满意度等等。而随着深度学习技术的发展，有研究者提出利用注意力神经网络来学习群体成员在群体内的权重，从而更好地学习得到群体的偏好。

然而，复杂的偏好聚合机制在大多数情况下对推荐模型的推荐效果提升幅度较小，却大大增加了模型训练与预测的时间。在应用于大规模推荐场景时，模型训练与预测所需的时间更是成千上万倍地增加，导致使用推荐模型推荐的效率急剧下降。同时，大多数研究者忽略了群体之间的高阶交互对于群体推荐的增益作用，高阶交互指超越简单的用户与物品的交互或群体与物品的交互的其他交互。与用户相似，群体之间的影响力是随着群体与物品的交互扩散的，共同交互同一物品的群体之间具有相似性，将该高阶交互的关系建模入推荐算法中能更好地学习群体的深层次偏好信息，并且一些群体之间是有相同群体成员的，如图2所示，通过共同群体成员可计算出不同群体之间的相似度，将相似度高的群体视作带有隐性交互，从而丰富群体的偏好信息。

发明内容

为解决上述问题，本发明提供一种基于图卷积的群体推荐方法。

该方法通过构建用户推荐模型和群体推荐模型，为待推荐群体推荐物品，该方法包括以下步骤：

步骤一，准备用户与物品交互数据以及群体与物品交互数据作为训练数据，训练数据中包括用户

步骤二，将训练数据和用户物品关系图

步骤三，根据用户

步骤四，定义基于用户个性化推荐的损失函数

步骤五，使用聚合方法将群体

步骤六，通过共同群体成员计算群体

步骤七，将群体

步骤八，根据群体

步骤九，定义基于群体推荐的损失函数

步骤十，利用完成训练的群体推荐模型为待推荐群体推荐物品。

进一步的，步骤二包括：

步骤二A，将训练数据和用户物品关系图

步骤二B，初始化用户

步骤二C，用户

；

物品

；

其中，

步骤二D，将用户

；

将物品

；

其中，

进一步的，步骤三具体包括：

采用点积计算的方式量化用户

；

其中，

进一步的，步骤四中所述基于用户个性化推荐的损失函数

；

其中，

进一步的，步骤五具体包括：

使用聚合方法将群体

；

其中，

进一步的，步骤六具体包括：

群体

；

其中，

进一步的，步骤七具体包括：

步骤七A，将群体

步骤七B，初始化群体

步骤七C，群体

；

物品

；

其中，

步骤七D，将群体

；

将物品

；

其中，

进一步的，步骤八具体包括：

采用点积计算的方式量化群体

。

进一步的，步骤九中所述基于群体推荐的损失函数

；

其中，

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

与现有方法比，本申请提供了一种基于图卷积的群体推荐方法，包括了基于用户历史交互数据的群体嵌入预训练与启发式群体聚合策略、基于余弦相似度的群体偏好相似性计算、基于图卷积神经网络的群体高阶交互信息扩散。本申请构建模型利用图卷积神经网络模拟了群体的高阶交互及社交传播过程，并针对群体交互的稀疏性，利用群体之间共有的群体成员基于余弦相似度计算了群体之间的偏好相似性，基于群体之间的偏好相似性丰富群体偏好信息，从而提高模型的群体推荐准确率，同时还保持了推荐的效率。

附图说明

图1为本发明背景技术提供的群体电影推荐应用场景的示意图；

图2为本发明背景技术提供的基于群体共同群体成员的偏好相似性丰富群体偏好信息的示意图；

图3为本发明实施例提供的基于图卷积的群体推荐方法流程图；

图4为本发明实施例提供的群体推荐模型的模型结构图。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明，在详细说明本发明各实施例的技术方案前，对所涉及的名词和术语进行解释说明，在本说明书中，名称相同或标号相同的部件代表相似或相同的结构，且仅限于示意的目的。

本发明提出一种基于图卷积的群体推荐方法，使用图卷积神经网络模拟扩散群体之间的高阶交互关系，使用启发式的平均聚合策略来聚合群体成员的偏好信息，并且使用群体之间共有的群体成员来计算群体之间的相似度，使用群体成员与物品交互历史计算物品之间的相似度，以增强群体高阶交互扩散的能力。

一种基于图卷积的群体推荐方法如图3所示，该方法由三部分构成：基于用户历史交互数据的群体嵌入预训练与启发式群体聚合策略；基于余弦相似度的群体偏好相似性计算；基于图卷积神经网络的群体高阶交互信息扩散。基于该方法，本发明构建用户推荐模型和群体推荐模型，两个模型的结构如图4所示。

1.基于用户历史交互数据的群体嵌入预训练与启发式群体聚合策略

使用用户物品关系图

使用群体物品关系图

本发明采用在线生活推荐平台的数据作为训练数据，例如大众点评平台、豆瓣平台。从平台的数据中收集用户信息以及用户与物品的交互信息，若具有社交联系的一组用户在相同时间和相同地点上有重合活动数据，就将这些用户视为一个群体的成员，重合活动数据视为该群体的交互数据。

用户与物品的历史交互数据中包含用户的个人偏好信息，为了在用户推荐模型中利用这些个人偏好信息，本发明通过预训练的方式，把用户与物品的历史交互数据转化为用户嵌入与物品嵌入。

具体来说，本发明使用图卷积神经网络的方式来预训练得到用户嵌入与物品嵌入。将训练数据与用户物品关系图

；

物品

；

其中，

将用户

；

将物品

；

其中，

得到用户

；

其中，

使用贝叶斯个性化排序（BPR）损失定义基于用户个性化推荐的损失函数

；

其中，

群体做出的决定很大部分是由群体成员的偏好所决定的，为了在群体推荐中利用群体成员的个性化偏好，使用聚合方法将所有群体成员的用户偏好嵌入聚合成群体

；

其中，

聚合方法

2.基于余弦相似度的群体偏好相似性计算

不同的群体之间可能有共同群体成员，定义与群体

；

其中，

3.基于图卷积神经网络的群体高阶交互信息扩散

群体与物品的历史交互中包含了群体的偏好信息，同样可用图卷积的方式来获得群体与物品的交互中隐藏的群体的偏好信息，然而群体与物品的历史交互远远比用户与物品的历史交互稀疏，这意味单纯使用群体物品关系图

因此，本发明将群体之间的偏好相似性与图卷积相结合，使群体的信息在图卷积的扩散过程中，同时扩散入相似群体的嵌入表示中，以有效填补群体物品关系图

将群体

；

物品

；

其中，

将群体

；

将物品

；

其中，

类似的，上式中聚合方法

得到群体

。

使用贝叶斯个性化排序（BPR）损失定义基于群体推荐的损失函数

；

其中，

将多个未与待推荐群体交互过的物品作为待推荐物品集合，利用完成训练的群体推荐模型预测待推荐群体对待推荐物品集合中所有物品的偏好程度，并将得到的偏好程度进行排序，根据排序结果为群体

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。