一种基于超图卷积和社交关系的推荐方法

本发明属于推荐系统，具体涉及一种基于超图卷积和社交关系的推荐方法。

背景技术：

1、随着互联网信息的爆炸式增长，用户面临着海量的信息和选择，导致他们难以找到自己感兴趣的内容，推荐系统应运而生，推荐系统是一种利用算法和数据分析技术，根据用户的偏好和行为，为他们推荐个性化的物品或服务。推荐系统通过分析用户的行为和偏好，可以帮助用户过滤和推荐相关性更高的信息，提高用户的满意度和体验。不同用户拥有不同的兴趣和偏好，传统的广告和信息推送方式往往无法满足用户的个性化需求。推荐系统可以根据用户的个性化需求，为他们定制最符合他们喜好的推荐结果。为了提高推荐的准确性，学者们提出了很多优秀的推荐算法模型，现在常见的推荐系统算法包括协同过滤算法、矩阵分解算法等。也有学者尝试着从数据中挖掘出更加个性化的关系数据，但传统的推荐算法难以从海量的数据中挖掘出更加复杂的、高阶的关系数据，而在而近年来gcn在处理web数据等不同类型数据上卓有成效，在推荐系统领域获得了不错的成效并得到广泛应用。然而普通的gcn只能通过图结构来解释两两成对的节点之间的关系，无法解释更加复杂的三个或三个以上的节点间的关系。此外，现有的技术社交关系数据的应用大多只考虑了用户社交关系数据，没有同时融合物品相关的辅助数据。

2、同时，推荐算法至今仍有一些问题没有得到很好的解决：(1)冷启动问题。推荐系统的冷启动问题是指在系统面临新用户或新物品加入时所遇到的挑战。对于新用户，缺乏其个性化的行为数据和偏好信息，传统推荐算法难以准确理解其兴趣和喜好，导致无法为其提供个性化推荐服务。对于新物品，由于缺乏历史用户行为数据支撑，系统无法准确评估其特性和受欢迎程度，从而无法有效推荐给用户。(2)数据稀疏性问题。推荐系统的数据稀疏问题是指用户与物品之间的交互数据通常是稀疏的，即用户与物品之间的关联信息非常有限。这种情况导致推荐系统在进行个性化推荐时缺乏足够的数据支持，影响了推荐算法的准确性和效果。

技术实现思路

1、为解决上述现有技术存在的技术问题，本发明提供了一种基于超图卷积和社交关系的推荐方法，通过超图卷积来捕捉三个及三个以上的用户节点之间的关系，解决了普通图结构仅通过边来反应节点之间的两两关系，使得模型可以更好地捕捉高阶关系。同时，本发明从原始数据中通过中心性关系采样邻居，用注意力机制聚集邻居，捕捉用户的社交数据，且融合了物品相关的辅助数据，缓解了当前社交关系数据应用中大多只考虑用户社交数据的问题。人作为社会性动物，会愿意尝试熟悉的人或是有相同爱好的人所推荐的物品，分析社交数据可以丰富用户的特征表示，挖掘用户间的潜在关系，通过分析这些潜在的关系更有利于推荐效果，可以根据新用户的过往社交数据为其推荐物品，一定程度上缓解了常规推荐系统的冷启动问题和数据稀疏性问题。

2、本发明为实现上述发明目的，采取的技术方案如下：一种基于超图卷积和社交关系的推荐方法，包括以下步骤：s1、初始化用户u1与物品v1的特征表示，根据u1,v1构建交互矩阵y；s2、建立超图hg，对hg进行超图卷积，得到新的用户表示变量u2；s3、将用户表示向量u2经过中心性邻居提取器按照度中心性采样邻居；s4、再通过注意力机制对邻居进行聚集，得到最终的用户表示变量uout；s5、将物品表示变量v1经过多层神经网络mlp得到最终的物品表示变量vout；s6、以uout和vout作为输出，通过预测函数得到用户u对商品v的预测评分y。

3、进一步的作为本发明的优选技术方案，所述s1中，交互矩阵构建具体为：对于交互矩阵y＝{yuv|u∈u,v∈v}，u为用户集合，v为物品集合；其中yuv的值为1代表用户u和物品v之间存在交互关系，反之，若为0则表示不存在交互。

4、进一步的作为本发明的优选技术方案，所述s2中，建立超图hg的构建具体为：若多个用户对同一物品都存在交互，则视为这多个用户为共交互邻居；将共交互邻居视为一个集合，集合上的用户视为节点，集合即为超边，从而构建超图hg。

5、进一步的作为本发明的优选技术方案，构建hg的关联矩阵h步骤如下：

6、s401、设e为超边集合，v为顶点集合，h(v,e)表示节点v是否存在于超边e中，w为超边权重；

7、s402、节点的度矩阵dv，超边的度矩阵de的具体构建步骤为：顶点v的度的定义为：超边e的度的定义为：

8、进一步的作为本发明的优选技术方案，所述s2中超图卷积表示为：

9、

10、其中：θ(l)表示第l层上的可学习的参数矩阵，σ为激活函数，dv为节点的度矩阵，de为超边的度矩阵；h为超图hg的关联矩阵，h＝(v,e)，其中v为节点集合，e为超边集合，与ht的相乘操作表示hg上从节点特征到超边特征的聚合，与h的相乘操作表示hg上从超编特征到节点特征的聚合。

11、进一步的作为本发明的优选技术方案，所述s3中度中心性采样邻居具体步骤为：

12、s601、计算各个节点vi的度中心性；度量度中心性的公式为：

13、

14、其中，cdeg(vi)表示节点vi的度中心性，deg(vi)表示节点vi的度，n表示节点数；

15、s602、得到各个节点的中心性后，对节点邻居的中心性进行归一化，以归一化后的数值作为概率对邻居进行采样。

16、进一步的作为本发明的优选技术方案，所述s4中采用注意力机制聚集邻居的具体步骤为：s701、先对邻居节点的特征向量进行非线性变换：

17、eij＝leakyrelu(at[whi||whj]),w∈rd

18、其中，另邻居节点的特征表示向量集合h＝{h1,h2，···，hn},hi∈rd，中心节点特征表示向量为hc，n为节点邻居数，d为节点特征表示向量的维度，经聚集得到新的中心节点特征表示向量hc'；at为权重向量，||为拼接操作；

19、s702、再用softmax函数进行标准化：

20、

21、s703、中心节点hc的n个邻居节点经过self-attention聚集之后得到特征向量hagg，如下：

22、

23、s704、最终聚集得到新的中新节点特征表示向量hc'为：

24、hc'＝w(hc+hagg)+b

25、其中，w为参数矩阵，b为偏置参数。

26、进一步的作为本发明的优选技术方案，所述s6中预测评分y的兴趣概率公式为：

27、y＝sigmoid(uoutvout)

28、该公式表明了用户u对物品v的兴趣概率；其中：vout＝mlp(mlp(…mlp(v1)))。

29、本发明所述的一种基于超图卷积和社交关系的推荐方法，采用以上技术方案与现有技术相比，具有以下技术效果：

30、(1)本发明使用超图数据结构来表示用户和物品之间的关系，利用超图卷积来更新用户表示变量，与传统图神经网络来说，可以更加充分地利用复杂的社交数据，且在数据传输的过程中减少了信息的损失。

31、(2)本发明采用中心性关系和注意力机制结合的方法，挖掘用户之间的潜在联系，缓解了传统推荐系统的冷启动问题和数据稀疏问题。