CN111523051A

CN111523051A - 基于图卷积矩阵分解的社交兴趣推荐方法及系统

Info

Publication number: CN111523051A
Application number: CN202010333092.0A
Authority: CN
Inventors: 王新华; 杨新新; 郭磊; 刘方爱
Original assignee: Shandong Normal University
Current assignee: Shandong Normal University
Priority date: 2020-04-24
Filing date: 2020-04-24
Publication date: 2020-08-11

Abstract

本发明公开了基于图卷积矩阵分解的社交兴趣推荐方法及系统，包括：获取待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵；将待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵，输入到训练好的图卷积矩阵分解模型中；训练好的图卷积矩阵分解模型，输出待推荐用户的用户潜在特征矩阵和项目潜在特征矩阵；根据用户潜在特征矩阵和项目潜在特征矩阵，将潜在的项目推荐给待推荐用户。

Description

基于图卷积矩阵分解的社交兴趣推荐方法及系统

技术领域

本公开涉及项目推荐技术领域，特别是涉及基于图卷积矩阵分解的社交兴趣推荐方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

作为一种有效的信息过滤手段，推荐系统已经成为各大电子商务网站必不可少的技术，被广泛用于为用户推荐个性化的内容。其中，协同过滤(Collaborative Filtering,CF)是推荐系统中使用最为广泛的信息过滤方法之一。它的主要任务是通过挖掘相似用户或项目的历史记录(主要是指用户-项目评分矩阵)来预测用户的偏好。但是，随着网站的迅速发展，用户和项目的数量急剧增长，这就导致协同过滤算法面临严重的数据稀疏问题：网站中被用户评价过的商品数量只占总数量中极小的一部分。也就是说，用户-项目评分矩阵变得相当稀疏，这使得本公开不能使用协同过滤算法准确计算用户或项目的相似度，造成了推荐质量的急速下降。为了提高推荐的准确性，许多推荐算法除了利用评分信息之外，开始考虑其他形式的辅助信息(如人口统计信息、社交网络和商品描述信息等)来缓解数据的稀疏性。

特别是，在线社交网站(如Facebook、Twitter和Youtube等)的发展为人们提供了新的交流平台，丰富了人们的在线社交活动，并且允许用户之间分享他们的观点和兴趣.社交媒体为本公开提供了大量的用户生成内容，例如用户的社交关系、标签和分享的评论信息等。由于这些社交辅助信息可以丰富本公开对用户和项目的认识，弥补评分数据缺失而带来的数据稀疏性问题，为本公开设计增强的推荐算法提供了契机.因此基于社交信息的推荐算法近年来得到了研究者们的广泛关注。例如，文献Ma H,Zhou D,Liu C,etal.Recommender systems with social regularization[C]//Proceedings of thefourth ACM international conference on Web search and data mining.2011:287-296和Jamali M,Ester M.A matrix factorization technique with trust propagationfor recommendation in social networks[C]//Proceedings of the fourth ACMconference on Recommender systems.2010:135-142假设相互关联的用户之间共享相似的潜在偏好，以社交正则化的形式改进传统的协同过滤方法。Yang B,Lei Y,Liu J,etal.Social collaborative filtering by trust[J].IEEE transactions on patternanalysis and machine intelligence,2016,39(8):1633-1647和Ma H,Yang H,Lyu M R,et al.Sorec:social recommendation using probabilistic matrix factorization[C]//Proceedings of the 17th ACM conference on Information and knowledgemanagement.2008:931-940则通过因子分解的方式分解社交网络，将用户映射到低维空间；他们的工作证明了社交网络能够有效增强传统的协同过滤算法。

发明人发现，虽然上述基于社交的推荐方法在评分预测任务上都取得了较好的推荐结果，但是这些工作还存在如下局限：

1)上述模型在利用社交网络时，都只考虑了每个用户的直接邻居，忽略了社交网络中用户兴趣的传播过程。社交兴趣传播是指在实际的社交网络中，用户的信息会先传播到该用户的社交邻居，然后再传播给其邻居的朋友们；

2)上述模型在改进协同过滤算法时，以因子分解或正则项的形式融合社交信息.这些浅层的模型在挖掘深层的社交特征时稍显不足。因此也无法捕捉社交传播过程对用户的影响。

发明内容

为了解决现有技术的不足，本公开提供了基于图卷积矩阵分解的社交兴趣推荐方法及系统；

第一方面，本公开提供了基于图卷积矩阵分解的社交兴趣推荐方法；

基于图卷积矩阵分解的社交兴趣推荐方法，包括：

获取待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵；

将待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵，输入到训练好的图卷积矩阵分解模型中；训练好的图卷积矩阵分解模型，输出待推荐用户的用户潜在特征矩阵和项目潜在特征矩阵；

根据用户潜在特征矩阵和项目潜在特征矩阵，将潜在的项目推荐给待推荐用户。

第二方面，本公开提供了基于图卷积矩阵分解的社交兴趣推荐系统；

基于图卷积矩阵分解的社交兴趣推荐系统，包括：

获取模块，其被配置为：获取待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵；

推荐模块，其被配置为：将待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵，输入到训练好的图卷积矩阵分解模型中；训练好的图卷积矩阵分解模型，输出待推荐用户的用户潜在特征矩阵和项目潜在特征矩阵；

输出模块，其被配置为：根据用户潜在特征矩阵和项目潜在特征矩阵，将潜在的项目推荐给待推荐用户。

第三方面，本公开还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。

第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

第五方面，本公开还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。

与现有技术相比，本公开的有益效果是：

1)本公开提出了一种图卷积矩阵分解模型，该图卷积矩阵分解模型采用GCN学习社交传播特性对用户兴趣模型的影响，有效地缓解了协同过滤中的数据稀疏问题；

2)本公开在模拟用户信息在社交网络中的传播过程时，使用用户的评论向量作为该用户的节点信息，表达用户的兴趣，增强了算法的可解释性；

3)本公开在真实数据集上进行实验，结果表明本公开提出的算法相比其他的基线方法，实现了更先进的推荐性能。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为第一个实施例的方法流程图；

图2为第一个实施例的推荐场景示例示意图；

图3(a)为第一个实施例的GCNMF模型结构示意图；

图3(b)为第一个实施例的由GCN学习到的用户社交嵌入向量示意图；

图4为第一个实施例的GCNMF中的GCN结构示意图；

图5为第二个实施例的系统功能模块图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，为了便于清楚描述本公开实施例的技术方案，在本公开实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

随着用户和项目数量的快速增长，评分数据的稀疏性成为推荐系统面临的长期挑战之一。为了缓解数据稀疏问题，许多推荐算法在传统协同过滤的基础上融合社交网络信息来提高推荐的准确性。但是，这些算法大多基于浅层的模型，在挖掘社交特征时存在许多局限性，同时也未能考虑社交网络中用户与朋友之间的信息传播影响。最近，图卷积网络(GCN)在处理图数据时表现出极大的优越性。为了探索用户兴趣的社交传播过程对用户偏好的影响，本公开提出了一种基于社交兴趣传播的图卷积矩阵分解算法(GCNMF)来改进协同推荐过程。具体地，首先本公开采用GCN提取社交网络中用户的社交兴趣传播特征，然后将其整合到矩阵分解框架中进行评分预测。本公开在真实数据集上的实验显示，GCNMF的结果优于相关基线方法。实验证明了本公开所提出的算法有效地捕获了社交网络中的社交兴趣传播影响，缓解了评分数据的稀疏性，进一步提高了推荐的性能。

实施例一

本实施例提供了基于图卷积矩阵分解的社交兴趣推荐方法；

如图1所示，基于图卷积矩阵分解的社交兴趣推荐方法，包括：

S101：获取待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵；

S102：将待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵，输入到训练好的图卷积矩阵分解模型中；训练好的图卷积矩阵分解模型，输出待推荐用户的用户潜在特征矩阵和项目潜在特征矩阵；

S103：根据用户潜在特征矩阵和项目潜在特征矩阵，将潜在的项目推荐给待推荐用户。

作为一个或多个实施例，所述S101中，用户社交项目评分矩阵，是指用户与社交项目评分之间的矩阵。

示例性的，横坐标为用户ID编号，纵坐标为项目ID编号，矩阵元素为每一个用户对每一个项目的评分；或者，横坐标为项目ID编号，纵坐标为用户ID编号，矩阵元素为每一个用户对每一个项目的评分；本实施例对矩阵的具体形式不做任何限定。

作为一个或多个实施例，所述S101中，用户社交邻接矩阵，是指用户与用户是否已建立好友关系的矩阵，如果当前用户社交邻接矩阵的元素值为1，则表示两个用户之间已经建立好友关系，如果当前用户社交邻接矩阵的元素值为0，则表示两个用户之间未建立好友关系。

作为一个或多个实施例，所述S101中，用户评论文本特征矩阵，是从每个用户的若干个项目评论文本中提取的用户评论文本特征。

示例性的，所述项目评论文本，例如包括：餐饮订购评论、乘车体验评论、网购体验评论或商品质量评论等；本实施例对项目评论文本的具体内容不做任何限定。

示例性的，所述用户评论文本特征，例如包括：产品特征等；所述产品特征，例如电脑的产品特征包括：鼠标、键盘、显示器、主机、内存等。

作为一个或多个实施例，所述S102中，图卷积矩阵分解模型，包括：

彼此连接的图卷积神经网络GCN和矩阵分解模型PMF；

所述图卷积神经网络GCN的输入端用于输入用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵；

所述图卷积神经网络GCN，从输入参数中学习出用户社交嵌入向量；

所述图卷积神经网络GCN模型，将学习到的用户社交嵌入向量输入到矩阵分解模型PMF中，矩阵分解模型PMF输出用户潜在特征矩阵和项目潜在特征矩阵。

具体的，所述图卷积神经网络GCN，具体结构包括：

依次连接的输入层、第一隐藏层、第二隐藏层和输出层；

所述输入层，用于输入用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵；

所述第一隐藏层，对输入层的数据进行第一次特征提取；

所述第二隐藏层，对第一隐藏层输出的数据进行第二次特征提取；

所述输出层，用于输出第二隐藏层学习到的用户社交嵌入向量。

具体的，所述图卷积神经网络GCN，具体工作原理包括：

图卷积神经网络GCN是一个多层的图卷积神经网络，每一个卷积层仅处理一阶邻域信息，通过叠加若干卷积层实现多阶邻域的信息传递；

图卷积神经网络GCN的每一层通过邻接矩阵和特征矩阵相乘得到每个顶点邻居特征的汇总，然后再乘上一个参数矩阵加上激活函数做一次非线性变换得到聚合邻接顶点特征的矩阵。

具体的，所述矩阵分解模型PMF，包括：

用户的潜在因子模型U、项目的潜在因子模型V和用户项目评分模型R；

所述用户的潜在因子模型U接收图卷积神经网络GCN传输过来的用户社交嵌入向量；

所述用户的潜在因子模型U的输出端与用户项目评分模型R连接；

所述项目的潜在因子模型V的输出端与用户项目评分模型R连接。

进一步地，所述用户的潜在因子模型U，是指：

其中，H_i表示用户社交嵌入向量，X表示用户评论文本特征矩阵，S表示用户社交邻接矩阵。

进一步地，项目的潜在因子模型V，是指：

其中，

表示服从均值为0，方差为

的高斯正态分布的概率密度函数。

进一步地，用户项目评分模型R，是指：

其中，

表示服从均值为μ，方差为

的高斯正态分布的概率密度函数.I_ij是指示函数，当用户i对项目j有评分时其值为1，否则为0。

具体的，所述矩阵分解模型PMF，工作原理包括：

矩阵分解模型PMF是矩阵分解的一种概率化表示形式，目标是将用户-项目评分矩阵分解成用户因子矩阵和项目因子矩阵相乘的形式，使用低维矩阵乘积拟合评分矩阵。

作为一个或多个实施例，所述S102中，训练好的图卷积矩阵分解模型，具体训练步骤包括：

构建图卷积矩阵分解模型；

构建训练集，所述训练集包括：若干个用户，每个用户均设有用户社交项目评分矩阵、用户社交邻接矩阵、用户评论文本特征矩阵、已知用户的潜在项目；

将训练集输入到图卷积矩阵分解模型中进行训练，当图卷积矩阵分解模型的损失函数达到最小值时，停止训练，得到训练好的图卷积矩阵分解模型。

进一步地，所述图卷积矩阵分解模型的损失函数，是指：

其中，

以及

都为正则化参数，L(U,V,W)为图卷积矩阵分解模型的损失函数。r_ij为用户i对项目j的评分，

为预测评分，U_i为用户i的潜在特征，H_i为用户的社交嵌入向量，V_j为项目j的潜在特征，W_k为权重向量。m为用户的数量，n为项目的数量。

协同过滤是推荐系统中的一项核心技术，同时也是应用最广泛的一类推荐算法.基于协同过滤的推荐方法通过用户对商品的评分等行为数据来预测当前用户的偏好，在不需要大量用户或商品信息的情况下为用户实现个性化推荐.其中，矩阵分解是最经典的协同过滤方法之一.矩阵分解将用户-项目评分矩阵分解成用户因子矩阵和项目因子矩阵相乘的形式，使用低维矩阵乘积拟合评分矩阵；这种方法易于实现并且可扩展性较好，因此在推荐系统中普遍流行。

然而，随着用户和项目数量的急剧增长，传统的协同过滤方法存在着严重的数据稀疏问题.同时，随着社交网站的发展和普及，研究者们开始利用社交信息来弥补协同过滤中评分数据的不足，基于协同过滤的社交推荐算法成为推荐系统中一个重要的研究方向。另一方面，处理图结构数据的深度神经网络技术取得了明显的进步。图神经网络的优势给基于社交网络的推荐系统带来了新的可能性。以下内容将从基于协同过滤的社交推荐算法和图卷积神经网络两个方面来介绍本公开的相关研究工作。

基于协同过滤的社交推荐算法：

社交推荐算法假设用户可以通过好友获取和传播信息，社交关系有助于用户过滤信息，提升推荐的效果.基于协同过滤的社交推荐算法利用用户之间的社交影响来缓解数据的稀疏性，提高协同过滤算法的性能。

现有技术中的推荐算法仅仅利用了用户社交关系来建模用户的偏好，而没有考虑社交网络中其他的辅助信息。现有技术中的方法对社交网络的建模比较简单，没有考虑社交网络中用户之间社交兴趣传播的影响.

图卷积神经网络：

图卷积神经网络(Graph Convolutional Networks,GCN)是一种将卷积操作作用于图结构数据上的神经网络结构，GCN的核心思想是利用边的信息对节点信息进行聚合从而生成新的节点表示。

具体地说，GCN对图中的节点迭代地进行卷积运算，其中每一次的卷积操作都意味着聚合某一节点的邻居信息来生成当前节点的特征表示；从最底层的节点特征开始，GCN通过堆叠多个卷积运算来模拟图中节点的信息传递过程。因此，GCN在模拟图的信息扩散的过程中，既利用了图的结构信息又利用了图中节点的属性特征。如此精妙的设计使得GCN具备了强大的特征提取功能，在许多基于拓扑图的任务上表现出了其理论上的优越性和实践上的高性能，如节点分类(node classification)、图分类(graph classification)和链接预测(link prediction)。同样，图卷积神经网络也开始被应用于推荐系统领域，基于GCN的方法为许多推荐系统更新了新的基准。

本公开为缓解协同过滤中存在的数据稀疏问题，提出一种基于GCN模型的社交推荐算法，通过建模社交兴趣传播对用户偏好的影响，来提高评分预测的准确度。

基于社交兴趣传播的图卷积矩阵分解算法：

本公开将首先描述算法的推荐场景，对推荐问题进行定义；其次，介绍GCNMF的思路和概率模型；然后解释GCN的网络结构，通过GCN生成用户的社交嵌入表示；最后，分析该模型的优化过程。

问题定义：

假设在一个社交网站上，用户可以对商品进行评分和评价。同时，用户之间可以相互关注，互相分享他们的意见。

如图2所示，在这个种场景中，用户的意见可以通过其社交关系进行传播.经验表明，用户的个人信息和社交影响等因素会对网站用户的购买决策或观点起着重要的作用.因此，本公开在构建推荐模型时，不仅考虑用户和项目的交互，还考虑社交网络中用户信息的社交传播对用户产生的影响。

令

和

分别表示个m个用户和n个项目的集合.如果令r_ij表示用户i对项j的评分，可得到用户对项目的评分矩阵R＝(r_ij)_m×n。用户的社交网络表示为

其中，

表示用户集，E是社交网络中用户之间的边。本公开用A＝(a_il)_m×m表示社交邻接矩阵，若用户i与用户l为朋友关系则a_il为1，否则为0。另外，本公开提取用户的评论文本

作为用户的属性特征，每个用户的特征可表示为X_i。

在本公开中，矩阵的表示形式全部为大写字母，向量表示为带下标的大写字母.至此，本公开的社交推荐任务的目标为：在给定一个用户-项目评分矩阵R、一个用户社交邻接矩阵A以及一个用户的特征矩阵X的前提下，预测用户对项目未知的评分，即

表1总结了本公开所使用的数学符号及其定义。

模型总体架构：图3(a)展示了GCNMF模型的总体架构.该模型由两个组件组成：一个是用于提取用户特征向量的GCN模块，一个是用户评分预测的概率矩阵分解框架PMF。GCNMF将GCN集成到概率矩阵中实现评分预测.接下来本公开详细地解释图3(a)中GCNMF的概率模型。

表1 符号表示

首先，令

和

分别表示用户和项目的潜在因子模型，预测的评分可通过下式计算：

从概率的角度出发，观测评分的条件分布可表示为：

其中，

表示服从均值为μ，方差为

的高斯正态分布的概率密度函数.I_ij是指示函数，当用户i对项目j有评分时其值为1，否则为0.

与传统的矩阵分解模型一样，对于项目的潜在模型V，设置均值为0的高斯先验：

不同于上述项目潜在模型V的概率分布，用户潜在模型U含有更多的变量，其中包括使用评论生成的用户的特征向量X_i，GCN模型中的权重矩阵W以及用于优化该模型的高斯噪声变量.因此，项目潜在模型V的将概率分布由下式得到：

U_i＝H_i+δ_i (4)

其中，H_i＝gcn(W,X_i,S)表示图3(b)由GCN学习到的用户社交嵌入向量，对于GCN中的每一个权重W_k，设置均值为0的高斯先验：

综合以上信息，得到用户潜在模型U的条件概率分布：

公式(7)表现了图3(a)和图3(b)中，GNC模块整合到矩阵分解中的过程.具体方法是使用GCN学习到的用户社交嵌入向量H_i作为用户潜在模型高斯分布中的均值.以这种方式将GCN和PMF相融合，共同分析评分矩阵和社交网络信息.至此，GCNMF的联合概率分布可得：

其中，R为评分矩阵，U和V分别为用户和项目的潜在特征矩阵，

为正则化参数，X为用户评论特征，S为用户社交嵌入特征，W为GCN网络中的权重矩阵，∝表示‘等价于’。

提取社交嵌入特征的GCN模块

本公开使用GCN来模拟社交网络中用户信息的传播过程，并提取用户的社交嵌入特征.下面本公开将详细描述本公开所使用的GCN模块.如图4所示，GCN网络包含：一个输入层，两个隐藏层和一个输出层.

1)输入层(input layer)

输入层将用户和用户的社交信息表示成矩阵形式作为GCN网络的输入.具体地说，给定用户的社交网络图

本公开得到以下特征：

①图中的节点特征：该图包含M个节点，每一个节点i都有其特征X_i，因此节点特征可以用矩阵X_M×D表示，其中D表示每个节点的特征维度。

②图的结构特征：用该图的社交邻接矩阵A_M×M表示。

2)隐藏层(hidden layer)

隐藏层通过在图上使用卷积操作来迭代地聚合邻居节点的信息.在GCN中，层与层之间的传递方式为：

其中，

表示第l层的隐藏状态矩阵，W^(l)表示该层的权重矩阵.H⁽⁰⁾＝X为输入向量，H^(L)＝Z为输出矩阵.σ(·)为激活函数，在本公开中采用ReLU函数.

表示标准化后的邻接矩阵，A的处理过程分为如下两步：

21)为了考虑信息传播过程中节点自身的特征，为图中每一个节点都加上自环，即：A＝A+I；

22)对加了自环的邻接矩阵进行正则化，使得每一行的和都为1，具体方法是

D表示度矩阵.

为了捕获图中更高阶的特征，可以累加多个的GCN隐藏层.如图4所示，本公开构建了一个两层的GCN结构来模拟图中二阶的信息传播的过程.

3)输出层(output layer)

本公开通过输出层得到用户的社交嵌入特征.经过两层的隐藏层，本公开可以获得每个用户节点的社交嵌入矩阵H:

其中，X表示输入特征，Z表示输出特征，

表示经过处理的邻接矩阵,W⁽⁰⁾和W⁽¹⁾为权重矩阵，ReLU为每一层的激活函数.

在获得用户社交嵌入特征H后，将其桥接到PMF中，如图3(a)所示.本公开在图3(b)展示了GCN模型聚合用户的邻居节点信息的过程。

优化过程：

为了优化GCNMF算法中的所有参数，比如用户潜在模型、项目潜在模型和GCN权重矩阵.本公开使用最大后验(MAP)估计作为参数估计方法：

通过对公式(11)取负对数，最终得到GCNMF的损失函数为：

其中，

以及

都为正则化参数。

为了优化模型中的参数，本公开采用梯度下降法作为优化算法，即迭代地更新某一变量同时固定其它变量不变.举例来说，当固定变量V和W为常量时，损失函数(12)成为关于U的二次方的损失函数.因此，变量U_i和V_j的优化公式分别为：

U_i＝(VI_iV^T+λ_UI_K)^-1(VR_i+λ_UH_i) (13)

V_j＝(UI_jU^T+λ_VI_K)^-1UR_j (14)

其中，I_i和I_j表示对角矩阵，R_i和R_j分别表示用户i和项目j的评分向量.

公式(13)表明了GCN社交嵌入向量在生成用户潜在模型U_i时的影响，而λ_U则作为平衡参数.与此同时，当固定住U和V为常量后，损失函数(12)可以理解为如下带有L₂正则项的平方误差方程：

其中，H_i＝gcn(W,X_i,S).然后，采用反向传播算法优化参数W.交替更新U，V和W，重复以上步骤直到收敛即可完成整个学习过程.算法GCNMF的学习过程见表2。

时间复杂度分析：对于每一次训练过程，全部用户和项目潜在模型的更新的时间复杂度为O(k²n_R+k³m+k³n).其中，n_R表示全部样本的个数.需要注意的是，用户社交嵌入向量是随着W的更新而计算的.更新W的时间复杂度则取决于GCN模型的训练.GCN计算的复杂度为O(|E|)，与社交网络中的边的个数线性相关。因此，GCNMF每次训练时的时间复杂度与数据集的大小呈正相关。

基于社交网络的推荐算法研究一直是推荐系统中的重要方向，本公开探索了用户兴趣在社交网络中的传播过程对用户偏好的影响，本公开提出了一种基于社交兴趣传播的图卷积矩阵分解算法GCNMF，将GCN提取的社交兴趣传播特征嵌入到矩阵分解框架中，以改进协同过滤的推荐过程。

在真实数据集上的实验结果表明，该算法的效果优于其他的相关工作.因此证明了GCN能有有效地捕捉用户社交兴趣传播的影响力，增强了对用户偏好建模的能力。在未来的工作中，本公开将考虑在更广泛的数据集上进行实验，进一步验证本公开所提出算法的有效性.其次，本公开将扩展到用户-项目交互图中，关注如何在更多的推荐资源中学习用户信息的传播特征，进一步提高推荐的准确性。

表2GCNMF的学习算法

为了解决上述问题，在本公开中，本公开采用图卷积网络(Graph ConvolutionalNetwork,GCN)来改进传统的协同过滤方法.由于在推荐系统中，用户的社交网络可以表示为图结构.本公开将利用GCN在处理图结构数据方面的先进性来提高算法对用户的建模能力.具体来说，GCN将卷积操作扩展到图数据上，通过聚合邻居节点的特征来计算目标节点的嵌入表示.在社交网络中，GCN的这种操作可以模拟用户的信息传播过程.在这个过程中，GCN既利用了用户的社交关系，又利用了用户的个人特征.因此，利用GCN有助于更深刻地建模用户的社交信息，比上述基于因子分解或正则项的模型产生更好的用户兴趣模型.因此，本公开选择GCN来建模用户间的社交关系，在传统的过滤模型上融合用户之间的社交兴趣传播特征，进一步提高推荐算法的性能.

基于以上对问题的观察，本公开在评分预测任务上提出了一种基于社交兴趣传播的推荐模型——图卷积矩阵分解(GCNMF)算法.具体来说，在算法中，本公开首先学习用户的评论文本作为社交网络中用户的节点信息；然后本公开使用GCN来模拟用户信息在社交网络中的传播过程，提取用户的社交嵌入特征；最后将GCN提取的社交特征整合到协同过滤模型中，完成推荐任务.通过这种方式，该模型能同时有效地利用评分和社交信息，挖掘包含社交兴趣传播的社交特征，缓解评分数据的稀疏性.最后本公开在真实的数据集上进行了实验，实验结果证明本公开所建模的用户社交兴趣传播特征有助于提高评分预测的准确度，能在真实数据集上取得最好的结果.

实施例二

本实施例提供了基于图卷积矩阵分解的社交兴趣推荐系统；

如图5所示，基于图卷积矩阵分解的社交兴趣推荐系统，包括：

此处需要说明的是，上述获取模块、推荐模块和输出模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。

所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。

实施例三

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

实施例四

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。