CN111428147A - 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 - Google Patents

Abstract

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。

Description

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

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

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。

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。

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。

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

本发明为解决现有技术的不足之处，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。

本发明为解决技术问题采用如下技术方案：

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：

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U＝{u₁,...,u_a,...,u_b,...,u_M}，其中，u_a表示第a个用户，u_b表示第b个用户，M表示用户总数，1≤a,b≤M；令V表示物品集，且V＝{v₁,...,v_i,...,v_j,...,v_N}，其中，v_i表示第i个物品，v_j表示第j个物品，N表示物品总数，1≤i,j≤N；令s_ab表示第a个用户u_a对第b个用户u_b的社交关系，若s_ab＝1，则表示第a个用户u_a对第b个用户u_b存在社交依赖关系，若s_ab＝0，则表示第a个用户u_a对第b个用户u_b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S＝{s_ab}_M×M；令S_a表示对第a个用户u_a存在社交依赖关系的所有用户集合；令r_ai表示第a个用户u_a对第i个物品v_i的评分值，从而构造所有用户对所有物品的评分矩阵R＝{r_ai}_M×N；令R_a表示第a个用户u_a产生过消费行为的所有物品集合，令R_i表示对第i个物品v_i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G_s＝{U,S∈R^{M ×M}}，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G_c＝{U∪V,R∈R^{M ×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；

步骤2.3、利用用户作为中间媒介，将社交关系图G_s和兴趣关系图G_c结合起来作为整体异源图G＝{U∪V,E∈R^M×(^M+N)}，其中，用户集U和物品集V作为结点集，E＝R∪S作为边集；

步骤3、构造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C∈R^N×D和物品的自由嵌入矩阵Y∈R^M×D，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c_a表示第a个用户u_a对应的自由嵌入向量，Y中第i列向量y_i表示第i个物品v_i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G_s和兴趣关系图G_c，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，并初始化k＝0；

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u_a对应的节点表示向量

初始化为c_a；在兴趣图卷积网络中，将第k个传播层中第a个用户u_a对应的节点表示向量

初始化为c_a，将第k个传播层中第i个物品v_i对应的节点表示向量

初始化为y_i；

步骤4.4、将所述社交网络图G_s输入到在社交图卷积网络中，并利用式(7)更新社交网络图G_s中每个用户的嵌入表示，得到第k+1层的第a个用户u_a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u_b的社交影响在第a个用户u_a所有关联用户社交影响中所占的比重；

步骤4.5、将所述兴趣网络图G_c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G_c中用户和物品的嵌入表示，得到第k+1层的第a个用户u_a的嵌入表示

和第i个物品v_i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v_i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v_i的影响在第a个用户u_a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c_a的影响在第i个物品v_i所有关联用户的影响中所占的比重；

式(4)中，f^k+1是一个非线性变换函数，W_f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u_a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；l∈{1,2,3}；

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u_a对第i个物品v_i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(θ)：

式(7)中，σ(·)表示sigmoid函数，λ是正则化参数，||·||²表示二范数，Θ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u_a对第j个物品v_j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。

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：

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u_a和第b个用户u_b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：

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。

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v_i和第a个用户u_a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。

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u_a和第i个物品v_i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。

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：

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u_a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u_a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u_a的嵌入表示

即

与已有技术相比，本发明有益效果体现在：

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

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

参见图1，本实施例中，一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：

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U＝{u₁,...,u_a,...,u_b,...,u_M}，其中，u_a表示第a个用户，u_b表示第b个用户，M表示用户总数，1≤a,b≤M；令V表示物品集，且V＝{v₁,...,v_i,...,v_j,...,v_N}，其中，v_i表示第i个物品，v_j表示第j个物品，N表示物品总数，1≤i,j≤N；令s_ab表示第a个用户u_a对第b个用户u_b的社交关系，若s_ab＝1，则表示第a个用户u_a对第b个用户u_b存在社交依赖关系，若s_ab＝0，则表示第a个用户u_a对第b个用户u_b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S＝{s_ab}_M×M；令S_a表示对第a个用户u_a存在社交依赖关系的所有用户集合；令r_ai表示第a个用户u_a对第i个物品v_i的评分值，从而构造所有用户对所有物品的评分矩阵R＝{r_ai}_M×N；令R_a表示第a个用户u_a产生过消费行为的所有物品集合，令R_i表示对第i个物品v_i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G_s＝{U,S∈R^{M ×M}}，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G_c＝{U∪V,R∈R^{M ×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；

步骤2.3、利用用户作为中间媒介，将社交关系图G_s和兴趣关系图G_c结合起来作为整体异源图G＝(U∪V,E∈R^M×(M+N))，其中，用户集U和物品集V作为结点集，E＝R∪S作为边集；

步骤3、构造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C∈R^N×D和物品的自由嵌入矩阵Y∈R^M×D，其中D表示隐因子的维度，令自由嵌入矩阵C中第a列向量c_a表示第a个用户u_a对应的自由嵌入向量，Y中第i列向量y_i表示第i个物品v_i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G_s和兴趣关系图G_c，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，并初始化k＝0；

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u_a对应的节点表示向量

初始化为c_a；在兴趣图卷积网络中，将第k个传播层中第a个用户u_a对应的节点表示向量

初始化为c_a，将第k个传播层中第i个物品v_i对应的节点表示向量

初始化为y_i；

步骤4.3、对每个图卷积网络内部分别构造Bottom注意力机制：

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u_a和第b个用户u_b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：

式(1)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；

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v_i和第a个用户u_a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：

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；

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：

在聚集邻居信息操作中，最自然的做法是，求平均值，如更新第k+1层物品v_i可以通过

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。

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u_a和第i个物品v_i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：

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影响力的参数；

步骤4.4、将社交网络图G_s输入到在社交图卷积网络中，并利用式(7)更新社交网络图G_s中每个用户的嵌入表示，得到第k+1层的第a个用户u_a的嵌入表示

步骤4.5、将兴趣网络图G_c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G_c中用户和物品的嵌入表示，得到第k+1层的第a个用户u_a的嵌入表示

和第i个物品v_i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v_i的最终嵌入表示

式(10)中，f^k+1是一个非线性变换函数，W_f是对应的转换矩阵；

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：

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：

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u_a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u_a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u_a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。

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u_a的嵌入表示向量

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(14)计算第a个用户u_a对第i个物品v_i的偏好：

式(14)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(15)所示的损失函数L(θ)：

式(15)中，σ(·)表示sigmoid函数，λ是正则化参数，||·||²表示二范数，Θ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u_a对第j个物品v_j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。

实施例：

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。

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(NormalizedDiscounted Cumulative Gain)。选取了8个模型来和本发明提出的方法进行效果对比，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。

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。

表1

表2

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。

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。

Claims (5)

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U＝{u₁,...,u_a,...,u_b,...,u_M}，其中，u_a表示第a个用户，u_b表示第b个用户，M表示用户总数，1≤a,b≤M；令V表示物品集，且V＝{v₁,…,v_i,…,v_j,…,v_N}，其中，v_i表示第i个物品，v_j表示第j个物品，N表示物品总数，1≤i,j≤N；令s_ab表示第a个用户u_a对第b个用户u_b的社交关系，若s_ab＝1，则表示第a个用户u_a对第b个用户u_b存在社交依赖关系，若s_ab＝0，则表示第a个用户u_a对第b个用户u_b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S＝{s_ab}_M×M；令S_a表示对第a个用户u_a存在社交依赖关系的所有用户集合；令r_ai表示第a个用户u_a对第i个物品v_i的评分值，从而构造所有用户对所有物品的评分矩阵R＝{r_ai}_M×N；令R_a表示第a个用户u_a产生过消费行为的所有物品集合，令R_i表示对第i个物品v_i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G_s＝{U,S∈R^M×M}，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G_c＝{U∪V,R∈R^M×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；

步骤2.3、利用用户作为中间媒介，将社交关系图G_s和兴趣关系图G_c结合起来作为整体异源图G＝{U∪V,E∈R^M×(M+N)}，其中，用户集U和物品集V作为结点集，E＝R∪S作为边集；

步骤3、构造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C∈R^N×D和物品的自由嵌入矩阵Y∈R^M×D，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c_a表示第a个用户u_a对应的自由嵌入向量，Y中第i列向量y_i表示第i个物品v_i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G_s和兴趣关系图G_c，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，并初始化k＝0；

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u_a对应的节点表示向量

初始化为c_a；在兴趣图卷积网络中，将第k个传播层中第a个用户u_a对应的节点表示向量

初始化为c_a，将第k个传播层中第i个物品v_i对应的节点表示向量

初始化为y_i；

步骤4.4、将所述社交网络图G_s输入到在社交图卷积网络中，并利用式(7)更新社交网络图G_s中每个用户的嵌入表示，得到第k+1层的第a个用户u_a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u_b的社交影响在第a个用户u_a所有关联用户社交影响中所占的比重；

步骤4.5、将所述兴趣网络图G_c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G_c中用户和物品的嵌入表示，得到第k+1层的第a个用户u_a的嵌入表示

和第i个物品v_i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v_i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v_i的影响在第a个用户u_a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c_a的影响在第i个物品v_i所有关联用户的影响中所占的比重；

式(4)中，f^k+1是一个非线性变换函数，W_f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u_a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；l∈{1,2,3}；

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u_a对第i个物品v_i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(θ)：

式(7)中，σ(·)表示sigmoid函数，λ是正则化参数，||·||²表示二范数，Θ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u_a对第j个物品v_j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u_a和第b个用户u_b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：

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v_i和第a个用户u_a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u_a和第i个物品v_i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，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：

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u_a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u_a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u_a的嵌入表示

即

Images