基于自适应聚合邻居图的冷启动推荐方法及系统

本发明涉及推荐系统，尤其涉及一种基于自适应聚合邻居图的冷启动推荐方法及系统。

背景技术：

1、推荐系统已被广泛应用于电子商务平台、新闻平台等网络商业社区，旨在为用户减轻信息过载的负担，从而提高平台的生产力，其主要目标是通过显式或隐式的用户反馈数据来分析用户的偏好，并据此预测用户的潜在需求，以提供个性化的推荐服务。尽管已经有许多研究致力于开发可靠和高效的推荐算法，但这些现有工作依然面临着冷启动问题的挑战。

2、通常情况下，用户和物品之间的历史交互对于推断用户对特定物品的兴趣至关重要，然而没有任何历史记录的新用户或物品是相当常见的情况。在这种情况下，传统基于历史交互记录的推荐方法已经无法进行有效推荐。

3、在没有任何历史信息的严格冷启动推荐问题中，许多研究致力于利用辅助信息来缓解用户偏好缺失，这些研究将冷启动问题视为用户偏好数据不完整，试图利用这些辅助信息重构用户偏好。因此如何全面刻画用户的偏好和物品的特性被认为是一个迫切需要解决的问题。

4、目前所面临的挑战在于如何有效地从稀疏特征中充分挖掘其复杂关系和信息，来准确地刻画用户偏好。

5、第一个问题是如何克服简单特征交互方法的局限性。特征交互不仅仅是简单的线性加和关系，而是涉及更为复杂的非线性关系。简单二阶特征交互通常只考虑特征之间的两两组合，可能会忽略更高阶的交互信息，导致信息丢失和模型表达能力不足。

6、第二个问题是如何体现不同特征交互的重要度。特征交互会学习所有的交叉特征，其中包含无用的交叉组合，无用的交叉特征会引入噪音并降低模型的表现。因此，需要从众多特征中选择出最为重要的交叉特征。例如，如果应用场景是预测一位男性用户是否会购买一款键盘的可能性，那么“性别＝男”和“购买历史包含鼠标”这一交叉特征，很可能比“性别＝男”和“年龄＝30”这一交叉特征重要，模型应该投入更多的“注意力”在前面特征上。

7、第三个问题是如何充分挖掘和聚合邻居信息。目前广泛采用的图注意力网络(gat)是逐步汇聚邻居节点特征以生成节点嵌入表示，通常是假设相邻节点之间是相互独立的，忽视了潜在邻居节点间的相互影响。这导致了信息传播时对全局图结构的捕捉不足，限制了模型对节点的表示学习能力。

技术实现思路

1、本发明的目的在于解决严格冷启动环境下如何充分挖掘用户特征及其复杂关系的问题，提出一种基于自适应聚合邻居图的冷启动推荐方法及系统，简称为a-gar，其主要旨在利用图结构充分挖掘用户/物品之间的复杂关系，以实现在冷启动环境下更为准确的推荐。

2、为了实现上述目的，本发明采用以下的技术方案：

3、一种基于自适应聚合邻居图的冷启动推荐方法，包含：

4、首先采用senet来学习二阶特征交互的相对重要性，随后通过mlp网络获取用户/物品的高阶属性特征表示，得到用户/物品的属性特征向量；

5、再利用扩展的变分自编码器从用户/物品属性特征中重构缺失的用户偏好/物品特性；

6、然后采用属性图注意力网络分别聚合用户/物品的邻居信息以及邻居间的交互信息，得到用户/物品的最终向量表示；

7、最后通过mlp和内积引入用户和物品特征之间的非线性交互，得到用户对物品的评分。

8、根据本发明基于自适应聚合邻居图的冷启动推荐方法，进一步地，获得用户/物品的属性特征向量过程如下：

9、首先利用嵌入层进行原始属性的学习，将其转换为嵌入表示；通过特征学习提取属性的二阶交互向量；

10、接着，引入senet的注意力机制，对二阶交互向量进行加权融合；

11、最后，通过多层感知器模型，将线性组合向量与二阶交互融合向量相结合，获得用户/物品的属性特征向量。

12、根据本发明基于自适应聚合邻居图的冷启动推荐方法，进一步地，引入senet的注意力机制，对二阶交互向量进行加权融合包含：

13、首先进行压缩操作，通过对k维二阶交互向量进行全局平均池化求均值，得到一个数值：

14、

15、其中，h＝[1,1,…,1]，是第i个属性与第j个属性二阶交互向量，表示对用户u的二阶交互向量压缩得到的数值，zu表示用户u的二阶交互向量压缩值集合，

16、接下来，通过双层mlp网络来学习用户u二阶交互向量的重要度：

17、τu＝sigmod(wtleakyrelu(wzzu))

18、其中，sigmod、leakyrelu是激活函数，wt、wz为权重向量，τu表示为用户u的二阶交互向量权重集；

19、最后，通过将相应的权重乘以用户u的二阶交互向量，完成对重要交互特征的加权操作，得到用户u的加权二阶交互融合向量υu。

20、根据本发明基于自适应聚合邻居图的冷启动推荐方法，进一步地，线性组合向量与二阶交互融合向量交互运算表示如下：

21、

22、χu＝leakyrelu(wvυu+wkκu+b)

23、其中，wv、wk为权重矩阵，b是偏置向量，leakyrelu是激活函数，κu表示用户u的线性组合向量，表示用户u的属性特征，表示用户u的第i个属性的取值。

24、根据本发明基于自适应聚合邻居图的冷启动推荐方法，进一步地，利用扩展的变分自编码器从用户/物品属性特征中重构缺失的用户偏好/物品特性包含：

25、对变分自编码器进行了扩展，通过引入重构特征近似偏好向量这一约束条件，从而推导出用户偏好/物品特性特征的有效表示；最终，将属性特征和偏好特征/物品特性结合起来构成融合特征。

26、根据本发明基于自适应聚合邻居图的冷启动推荐方法，进一步地，采用属性图注意力网络分别聚合用户/物品的邻居信息以及邻居间的交互信息，得到用户/物品的最终向量表示，包含：

27、首先利用用户/物品的属性信息构建一个用户/物品图；

28、然后通过双线聚合器来建模图中邻居间的交互关系，并结合图注意力网络聚合邻居信息；

29、最后得到用户/物品的最终向量表示。

30、根据本发明基于自适应聚合邻居图的冷启动推荐方法，进一步地，图注意力网络聚合邻居信息包含：采用图注意力模型gat捕获用户/物品图结构中节点之间的复杂关系，利用注意力机制来动态地学习节点之间的重要性，根据其邻居节点的重要性加权聚合邻居节点，以生成新的向量表示；

31、通过双线聚合器来建模图中邻居间的交互关系，公式表达如下：

32、

33、其中，⊙表示元素对应相乘，表示用户ui的邻居交互特征向量，用户ui的邻居节点um和un属于集合表示用户ui邻居节点um、un的属性特征向量；表示目标节点ui对应的关联数目，di＝|n(ui)|表示用户ui的节点度，wm、wn为权重矩阵。

34、根据本发明基于自适应聚合邻居图的冷启动推荐方法，进一步地，用户/物品的最终向量表示如下：

35、

36、其中，是用户ui最终向量表示，β是超参数，是用户ui的邻居聚合特征向量，是用户ui的特征向量。

37、根据本发明基于自适应聚合邻居图的冷启动推荐方法，进一步地，用户u对物品v的预测评分建模为：

38、

39、其中，pu是用户u的最终特征表示，qv是物品v的最终特征表示，bu,bv,μ分别表示用户偏差、物品偏差和全局偏差。

40、进一步地，本发明还提出一种基于自适应聚合邻居图的冷启动推荐系统，用于实现如上述的基于自适应聚合邻居图的冷启动推荐方法，包含：

41、属性融合模块，用于采用senet来学习二阶特征交互的相对重要性，随后通过mlp网络获取用户/物品的高阶属性特征表示，得到用户/物品的属性特征向量；

42、偏好生成模块，用于利用扩展的变分自编码器从用户/物品属性特征中重构缺失的用户偏好/物品特性；

43、邻居聚合模块，用于采用属性图注意力网络分别聚合用户/物品的邻居信息以及邻居间的交互信息，得到用户/物品的最终向量表示；

44、评分预测模块，用于通过mlp和内积引入用户和物品特征之间的非线性交互，得到用户对物品的评分。

45、与现有技术相比，本发明具有以下优点：

46、本发明提出一种基于自适应聚合邻居图的冷启动推荐方法，旨在解决从稀疏属性中充分聚集各种信息的问题，以全面准确的刻画用户偏好，提高模型表达能力和预测准确性。首先，引入通道注意力机制(squeeze-and-excitation network，senet)和mlp网络，获得用户/物品高阶属性特征表示，其中通道注意力机制灵活地捕捉不同特征交互的重要性，为每个特征交互分配不同的权重，提升对隐含特征关系的挖掘能力，增强线性回归模型的泛化表达能力。然后利用扩展的变分自编码器从用户/物品属性特征中重构缺失的用户偏好/物品特性。其次，采用属性图注意力网络聚合用户/物品的邻居信息以及邻居间的交互信息，本发明对图注意力网络(graph attention networks，gat)扩展，引入双线聚合器(bilinear aggregator，ba)来建模邻居间的交互关系，充分考虑邻居节点间的交互情况，将其融入目标节点的嵌入表示中，有效提高目标节点的嵌入表示质量。本发明利用高质量的节点嵌入表示为冷启动用户生成准确的个性化推荐结果。