一种基于图神经网络的知识社交推荐方法、系统和设备

技术领域

本申请涉及网络社交信息推荐技术领域，尤其涉及一种基于图神经网络 的知识社交推荐方法、系统和设备。

背景技术

在社交网站泛滥的当下，人们可以通过网络添加好友，增加关注，成为 粉丝，这些社交行为构成了巨大的社交网络。为很好地利用社交网络资源， 实现资源共享与推送，采用推荐系统向用户推送与用户兴趣相关的信息。推 荐系统主要利用用户对物品的行为信息，挖掘出用户的个性化需求，通过用 户的兴趣模型主动向用户提供满足其需求的信息，成为了为用户提供个性化 服务的一个重要研究领域，也得到了广泛的应用。

在现有的推荐系统中，通常采用协同过滤算法对用户(user)和项目(item) 进行处理，由于对专家知识的依赖性低，利用了群体智慧，得到了广泛的应 用，但是在商业推荐系统中用户和项目的数量往往十分庞大，并且用户能够 接触到的项目数量十分有限，直接导致用户对项目的行为信息十分稀疏，，存 在冷启动问题，导致推荐效果不佳；对用户(user)和项目(item)的处理也有 采用传统的基于矩阵分解的方法，得到的user和item往往在表达上是静态的， 且是彼此独立的，推荐性能不佳。

发明内容

本申请提供了一种基于图神经网络的知识社交推荐方法、系统和设备， 用于解决现有的推荐系统对用户和项目的评分数据稀疏和推荐新用户项目的 冷启动问题，同时避免对用户和项目处理的静态性和独立性，提高推荐性能。

有鉴于此，本申请第一方面提供了一种基于图神经网络的知识社交推荐 方法，包括：

构建用户项目二部图，通过图自编码器提取用户向量和项目实体向量， 所述图自编码器采用PinSage算法聚合节点；

将所述用户向量输入RNN网络，得到所述RNN网络输出的用户兴趣向 量；

将采集到的用户朋友兴趣向量和所述用户兴趣向量放入社交网络图中， 采用图注意力机制更新所述社交网络图的节点，得到更新兴趣向量；

将所述更新兴趣向量与所述用户兴趣向量进行拼接，得到用户最终嵌入 向量；

采用知识图谱卷积神经网络捕获知识图谱上项目之间的相关属性，得到 实体邻域表示向量；

将所述项目实体向量和所述实体邻域表示向量进行聚合，得到项目最终 嵌入向量；

将所述用户最终嵌入向量和所述项目最终嵌入向量融入解码器中进行重 构，输出关于用户和项目的预测评级结果。

可选地，所述用户朋友兴趣向量包括朋友短期兴趣向量和朋友长期兴趣 向量。

可选地，所述项目最终嵌入向量为：

其中，

可选地，所述用户最终嵌入向量为：

其中，W

可选地，所述解码器为双线性解码器。

本申请第二方面提供了一种基于图神经网络的知识社交推荐系统，包括：

二部图单元，用于构建用户项目二部图，通过图自编码器提取用户向量 和项目实体向量，所述图自编码器采用PinSage算法聚合节点；

用户兴趣提取单元，用于将所述用户向量输入RNN网络，得到所述RNN 网络输出的用户兴趣向量；

网络节点更新单元，用于将采集到的用户朋友兴趣向量和所述用户兴趣 向量放入社交网络图中，采用图注意力机制更新所述社交网络图的节点，得 到更新兴趣向量；

拼接单元，用于将所述更新兴趣向量与所述用户兴趣向量进行拼接，得 到用户最终嵌入向量；

实体领域表示单元，用于采用知识图谱卷积神经网络捕获知识图谱上项 目之间的相关属性，得到实体邻域表示向量；

聚合单元，用于将所述项目实体向量和所述实体邻域表示向量进行聚合， 得到项目最终嵌入向量；

解码单元，用于将所述用户最终嵌入向量和所述项目最终嵌入向量融入 解码器中进行重构，输出关于用户和项目的预测评级结果。

可选地，所述用户朋友兴趣向量包括朋友短期兴趣向量和朋友长期兴趣 向量。

可选地，所述项目最终嵌入向量为：

其中，

可选地，所述用户最终嵌入向量为：

其中，W

本申请第三方面提供了一种基于图神经网络的知识社交推荐设备，所述 设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的 基于图神经网络的知识社交推荐方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中提供了一种基于图神经网络的知识社交推荐方法，包括：构建 用户项目二部图，通过图自编码器提取用户向量和项目实体向量，图自编码 器采用PinSage算法聚合节点；将用户向量输入RNN网络，得到RNN网络 输出的用户兴趣向量；将采集到的用户朋友兴趣向量和用户兴趣向量放入社 交网络图中，采用图注意力机制更新社交网络图的节点，得到更新兴趣向量； 将更新兴趣向量与用户兴趣向量进行拼接，得到用户最终嵌入向量；采用知 识图谱卷积神经网络捕获知识图谱上项目之间的相关属性，得到实体邻域表示向量；将项目实体向量和实体邻域表示向量进行聚合，得到项目最终嵌入 向量；将用户最终嵌入向量和项目最终嵌入向量融入解码器中进行重构，输 出关于用户和项目的预测评级结果。本申请中提供的方法分别从社交网络和 知识图谱中挖掘用户和项目的影响因素，计算出用户和项目的嵌入向量，重 新建模解码，融合知识图谱和社交网络构建推荐模型，避免了单一信息推荐 时遇到的数据稀疏性和冷启动，解决了现有的推荐系统对用户和项目的评分 数据稀疏和推荐新用户项目的冷启动问题，同时避免对用户和项目处理的静态性和独立性，提高推荐性能。

附图说明

为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面 描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种基于图神经网络的知识社交推荐方法的 流程示意图；

图2为图神经网络的传播过程示意图；

图3为图注意力机制更新社交网络图的结构示意图；

图4为本申请实施例提供的一种基于图神经网络的知识社交推荐系统的 结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实 施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申 请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的 所有其他实施例，都属于本申请保护的范围。

实施例1

为了便于理解，请参阅图1至图3，本申请提供了一种基于图神经网络的 知识社交推荐方法的实施例，包括：

步骤101、构建用户项目二部图，通过图自编码器提取用户向量和项目实 体向量，所述图自编码器采用PinSage算法聚合节点。

如图1所示，本申请实施例中首先构建用户项目二部图，使用PinSage 算法聚合节点构建图自编码器，由此可以带来邻居节点个数的可控以及聚合 邻居节点过程中可以根据邻居节点的重要性聚合，提取用户向量和项目实体 向量。从项目j到用户i的信息传递定义为：

步骤102、将用户向量输入RNN网络，得到RNN网络输出的用户兴趣 向量。

将用户向量输入到循环卷积神经网络RNN中提取用户兴趣向量。

步骤103、将采集到的用户朋友兴趣向量和用户兴趣向量放入社交网络图 中，采用图注意力机制更新社交网络图的节点，得到更新兴趣向量。

将用户朋友兴趣分为短期兴趣和长期兴趣，短期兴趣用最近消费的物品 序列来建模，如朋友最近的在线会话。长期兴趣代表朋友的平均兴趣(即所 有序列的平均取值)，并使用个人嵌入进行建模。朋友兴趣由朋友短期兴趣和 长期兴趣拼接而成，并把朋友和用户的兴趣放到社交网络图中，如图2和图3 所示，通过图注意力机制GAT来捕捉朋友对用户的影响，解决复杂社交关系 的问题。对于目标用户T+1时刻的会话，朋友的短期兴趣的表示使用他们在 T+1时刻之前的会话，对每个朋友的活动

其中f是两个节点元素之间的相似度函数。

上式是朋友k对用户u的影响，然后提供权重以组合特征：

通过多层注意力机制的迭代来获得每个节点的最终表示形式：

步骤104、将更新兴趣向量与用户兴趣向量进行拼接，得到用户最终嵌入 向量。

由于用户的兴趣取决于它最近的行为和社交影响，因此可以通过使用完 全连接的图层将它们组合在一起来获得用户最终的表示形式：

步骤105、采用知识图谱卷积神经网络捕获知识图谱上项目之间的相关属 性，得到实体邻域表示向量。

步骤106、将项目实体向量和所述实体邻域表示向量进行聚合，得到项目 最终嵌入向量。

使用图卷积神经网络训练项目相关性属性的知识图谱，计算一个给定实 体表示时，学习关系对用户重要性表达，将实体自身属性和邻居信息结合起 来进行节点嵌入表达，学习知识图谱KG中的结构信息和语义信息，以及用 户个性化和潜在兴趣；

每个实体邻域的权重由得分

b

聚合后的向量由实体本身的向量表示v以及实体邻居节点的向量表示

其中，

步骤107、将用户最终嵌入向量和项目最终嵌入向量融入解码器中进行重 构，输出关于用户和项目的预测评级结果。

将评分矩阵看作是一个二部图，边上权重表示为user对item的评分，由 此把矩阵填充问题转化为边的权值预测问题，通过图自编码器获取到图中顶 点的表达后进行链接预测；将用户向量和项目向量的潜在信息融入解码器中 进行重构。采用一个双线性解码器，把用户对物品的评分等级视为多类，

其中

申请实施例提供的基于图神经网络的知识社交推荐方法具有以下优点：

(1)针对复杂的社交网络数据，尝试使用图注意力神经网络获得朋友的 短期和长期兴趣对于用户影响；

(2)在构建图自编码器的编码器过程中，使用PinSage算法聚合邻居生 成节点的嵌入，由此可以带来邻居节点个数的可控以及聚合邻居节点过程中 可以根据邻居节点的重要性聚合；

(3)利用图卷积网络捕获知识图谱上项目之间的相关属性，通过邻域聚 合的操作，并且邻居对应的权重是由连接关系和特定用户的分数来加权的；

(4)通过融合知识图谱和社交网络构建推荐模型，解决单一信息做推荐 时遇到的数据稀疏性和冷启动问题。

本申请实施例中提供的方法分别从社交网络和知识图谱中挖掘用户和项 目的影响因素，计算出用户和项目的嵌入向量，重新建模解码，融合知识图 谱和社交网络构建推荐模型，避免了单一信息推荐时遇到的数据稀疏性和冷 启动，解决了现有的推荐系统对用户和项目的评分数据稀疏和推荐新用户项 目的冷启动问题，同时避免对用户和项目处理的静态性和独立性，提高推荐 性能。

实施例2

请参阅图4，本申请中提供了一种基于图神经网络的知识社交推荐系统的 实施例，包括：

二部图单元，用于构建用户项目二部图，通过图自编码器提取用户向量 和项目实体向量，图自编码器采用PinSage算法聚合节点。

用户兴趣提取单元，用于将用户向量输入RNN网络，得到RNN网络输 出的用户兴趣向量。

网络节点更新单元，用于将采集到的用户朋友兴趣向量和用户兴趣向量 放入社交网络图中，采用图注意力机制更新社交网络图的节点，得到更新兴 趣向量。

拼接单元，用于将更新兴趣向量与用户兴趣向量进行拼接，得到用户最 终嵌入向量。

实体领域表示单元，用于采用知识图谱卷积神经网络捕获知识图谱上项 目之间的相关属性，得到实体邻域表示向量。

聚合单元，用于将项目实体向量和实体邻域表示向量进行聚合，得到项 目最终嵌入向量。

解码单元，用于将用户最终嵌入向量和项目最终嵌入向量融入解码器中 进行重构，输出关于用户和项目的预测评级结果。

用户朋友兴趣向量包括朋友短期兴趣向量和朋友长期兴趣向量。

项目最终嵌入向量为：

其中，

用户最终嵌入向量为：

其中，W

如图1所示，本申请实施例中首先构建用户项目二部图，使用PinSage 算法聚合节点构建图自编码器，由此可以带来邻居节点个数的可控以及聚合 邻居节点过程中可以根据邻居节点的重要性聚合，提取用户向量和项目实体 向量。从项目j到用户i的信息传递定义为：

将用户向量输入到循环卷积神经网络RNN中提取用户兴趣向量。

将用户朋友兴趣分为短期兴趣和长期兴趣，短期兴趣用最近消费的物品 序列来建模，如朋友最近的在线会话。长期兴趣代表朋友的平均兴趣(即所 有序列的平均取值)，并使用个人嵌入进行建模。朋友兴趣由朋友短期兴趣和 长期兴趣拼接而成，并把朋友和用户的兴趣放到社交网络图中，如图2和图3 所示，通过图注意力机制GAT来捕捉朋友对用户的影响，解决复杂社交关系 的问题。对于目标用户T+1时刻的会话，朋友的短期兴趣的表示使用他们在 T+1时刻之前的会话，对每个朋友的活动

其中f是两个节点元素之间的相似度函数。

上式是朋友k对用户u的影响，然后提供权重以组合特征：

通过多层注意力机制的迭代来获得每个节点的最终表示形式：

由于用户的兴趣取决于它最近的行为和社交影响，因此可以通过使用完 全连接的图层将它们组合在一起来获得用户最终的表示形式：

使用图卷积神经网络训练项目相关性属性的知识图谱，计算一个给定实 体表示时，学习关系对用户重要性表达，将实体自身属性和邻居信息结合起 来进行节点嵌入表达，学习知识图谱KG中的结构信息和语义信息，以及用 户个性化和潜在兴趣；

每个实体邻域的权重由得分

b

聚合后的向量由实体本身的向量表示v以及实体邻居节点的向量表示

其中，

将评分矩阵看作是一个二部图，边上权重表示为user对item的评分，由 此把矩阵填充问题转化为边的权值预测问题，通过图自编码器获取到图中顶 点的表达后进行链接预测；将用户向量和项目向量的潜在信息融入解码器中 进行重构。采用一个双线性解码器，把用户对物品的评分等级视为多类，

其中

本申请实施例提供的基于图神经网络的知识社交推荐系统具有以下优 点：

(1)针对复杂的社交网络数据，尝试使用图注意力神经网络获得朋友的 短期和长期兴趣对于用户影响；

(2)在构建图自编码器的编码器过程中，使用PinSage算法聚合邻居生 成节点的嵌入，由此可以带来邻居节点个数的可控以及聚合邻居节点过程中 可以根据邻居节点的重要性聚合；

(3)利用图卷积网络捕获知识图谱上项目之间的相关属性，通过邻域聚 合的操作，并且邻居对应的权重是由连接关系和特定用户的分数来加权的；

(4)通过融合知识图谱和社交网络构建推荐模型，解决单一信息做推荐 时遇到的数据稀疏性和冷启动问题。

本申请实施例中提供的系统分别从社交网络和知识图谱中挖掘用户和项 目的影响因素，计算出用户和项目的嵌入向量，重新建模解码，融合知识图 谱和社交网络构建推荐模型，避免了单一信息推荐时遇到的数据稀疏性和冷 启动，解决了现有的推荐系统对用户和项目的评分数据稀疏和推荐新用户项 目的冷启动问题，同时避免对用户和项目处理的静态性和独立性，提高推荐 性能。

实施例3

本申请中提供了一种基于图神经网络的知识社交推荐设备的实施例，设 备包括处理器以及存储器：

存储器用于存储程序代码，并将程序代码传输给所述处理器；

处理器用于根据程序代码中的指令执行实施例1中的基于图神经网络的 知识社交推荐方法。

本申请实施例中提供的设备分别从社交网络和知识图谱中挖掘用户和项 目的影响因素，计算出用户和项目的嵌入向量，重新建模解码，融合知识图 谱和社交网络构建推荐模型，避免了单一信息推荐时遇到的数据稀疏性和冷 启动，解决了现有的推荐系统对用户和项目的评分数据稀疏和推荐新用户项 目的冷启动问题，同时避免对用户和项目处理的静态性和独立性，提高推荐 性能。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制； 尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应 当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案 的本质脱离本申请各实施例技术方案的精神和范围。