一种基于轻量化图卷积自注意力模型的评分序列推荐方法

本发明涉及推荐系统领域，特别是指一种基于轻量化图卷积自注意力模型的评分序列推荐方法。

背景技术：

1、随着互联网技术的快速发展，过量的碎片化信息充斥人们的生活，让人眼花缭乱。推荐系统则是为了缓解网络上的信息过载问题而兴起的技术，它可以帮助用户快速发现其感兴趣的信息和商品，从而提高用户体验。推荐系统的核心技术是利用大量的用户历史行为数据和物品信息，通过机器学习算法预测用户的兴趣和行为，从而向用户提供个性化推荐。随着数据规模的增大和算法的不断改进，推荐系统已成为互联网行业中不可或缺的一部分，其广泛应用于电子商务、社交网络、音乐和电影服务等领域。

2、现有技术采用的推荐模型大多都只能获得时间或空间其中一个维度的特征，无法同时捕获用户和项目数据的时空特征。例如神经图协同过滤(neural graphcollaborative filtering,简称ngcf)和简化增强图卷积网络(simplifying andpowering graph convolution network for recommendation，简称lightgcn)等模型采用图卷积神经网络gcn(graph convolutional network)捕获数据的空间特征，但无法处理时间相关性。另一类如自注意力序列推荐(self-attentive sequential recommendation，简称sasrec)等序列推荐模型采用马尔科夫链mc(markov chain)，循环神经网络rnn(recurrent neural network)和transformer等方法对时间序列进行建模，但无法捕捉数据间的空间信息，需要大量的数据进行训练。目前的这些模型大多无法对数据的空间特征和时间特征进行精确的建模，并且这些方法都只简单地考虑了用户与项目的交互，没有将用户对项目的评分等反馈信息加入考虑，难以精确捕捉到用户的兴趣。

3、目前也有一些设计者将捕获空间特征的推荐模型和捕获时间特征的推荐模型进行组合，形成可以捕获空间特征和时间特征的推荐模型。但这些模型往往只是通过并联的方式分别捕获空间特征和时间特征，再将特征表示进行融合。这些方法并没有考虑到数据的空间和时间特征之间的依赖关系，而且也只简单考虑了用户和项目的交互关系，忽视了评分等反馈信息，无法准确得到数据的完整特征。

4、亟待出现一种可解决上述问题的新型的推荐系统模型。

技术实现思路

1、本发明提出一种基于轻量化图卷积自注意力模型的评分序列推荐方法，解决了现有技术中推荐表现不够精确的问题。

2、本发明的技术方案是这样实现的：一种基于轻量化图卷积自注意力模型的评分序列推荐方法，具体步骤如下：

3、步骤1：获取用户和项目的历史交互数据，并进行预处理，包括稀疏值剔除、按时间排序生成交互序列；

4、步骤2：划分数据集；从序列到输入和输出序列对；将数据集划分为训练集和测试集；

5、步骤3：基于轻量化图卷积自注意力模型的神经网络训练，在构建用户与项目的交互矩阵r∈rm×n时引入用户对项目的评分信息rating，其中m和n分别表示用户和项目的数量，如果用户u和项目i交互，则另每个条目rui的值为rating，否则为0，用户与项目的交互矩阵表示为：

6、

7、步骤4：基于轻量化图卷积自注意力模型的神经网络预测；

8、进一步地，所述步骤1具体的是：(1)获取用户对项目的交互有无、交互时间和交互评分；(2)稀疏值剔除，直接删除数据用户与项目交互次数过少的数据；(3)将用户与项目的交互按时间排序生成交互序列。

9、进一步地，所述步骤2具体的是：(1)设置最大长度n，将用户与项目的交互序列的长度控制为n，当序列长度大于n时，只考虑用户的最近n个交互，当序列长度小于n时，为用户与项目的交互序列的左侧补零，直至序列长度为n；(2)划分数据集，将用户与项目的交互序列的前n-1项作为训练集，第n项作为测试集。

10、进一步地，所述步骤3具体的是：(1)搭建基于轻量化图卷积自注意力的模型，并采用xavier initialization的方法对模型的参数进行初始化；(2)将训练集输入到模型中进行计算，在gcn部分引入评分至用户与项目的交互矩阵，采用二元交叉熵损失函数，adam作为优化算法，得到训练至收敛时的预测结果。

11、进一步地，所述步骤4具体的是：(1)在测试集上使用训练好的预测模型对用户可能交互项目进行预测；(2)将所有的预测结果同真实值进行对比，利用recall和ndcg作为模型的评估指标，得到模型的性能评估结果；(3)最终的预测模型用于实际推荐系统的推荐。

12、本发明的有益效果在于：

13、本发明公开的一种基于轻量化图卷积自注意力模型的评分序列推荐方法，用户与项目的交互生成用户与项目的交互图，进而生成交互矩阵，在交互矩阵中引入用户对项目的评分，通过gcn捕捉数据的空间特征，再将所得的特征通过自注意力引入位置编码从而捕捉数据的时间特征，这考虑了用户对项目的评分权重，并从时间和空间两个维度上对用户可能交互的项目进行精确的预测。同时考虑了数据的空间和时间特征之间的依赖关系，并且添加了位置编码的自注意力能捕获用户的长期兴趣，从而提高推荐模型的准确性。

技术特征：

1.一种基于轻量化图卷积自注意力模型的评分序列推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于轻量化图卷积自注意力模型的评分序列推荐方法，其特征在于，所述步骤1中获取的历史数据包括用户对项目的交互有无、交互时间和交互评分。

3.根据权利要求2所述的一种基于轻量化图卷积自注意力模型的评分序列推荐方法，其特征在于，所述步骤1对历史数据进行预处理的方法为：首先进行稀疏值剔除，直接删除数据用户与项目交互次数过少的数据；然后将用户与项目的交互按时间排序生成交互序列。

4.根据权利要求3所述的一种基于轻量化图卷积自注意力模型的评分序列推荐方法，其特征在于，所述步骤1中，历史数据进行预处理的方法还包括：设置最大长度n，将用户与项目的交互序列的长度控制为n，当序列长度大于n时，只考虑用户的最近n个交互，当序列长度小于n时，为用户与项目的交互序列的左侧补零，直至序列长度为n。

5.根据权利要求4所述的一种基于轻量化图卷积自注意力模型的评分序列推荐方法，其特征在于，所述步骤2中，划分数据集的方法为：将用户与项目的交互序列的前n-1项作为训练集，第n项作为测试集。

6.根据权利要求1所述的一种基于轻量化图卷积自注意力模型的评分序列推荐方法，其特征在于，所述步骤3具体为：

7.根据权利要求1所述的一种基于轻量化图卷积自注意力模型的评分序列推荐方法，其特征在于，所述轻量化图卷积自注意力模型中的图卷积网络部分引入评分至用户与项目的交互矩阵，轻量化的图卷积操作，定义为：

8.根据权利要求1所述的一种基于轻量化图卷积自注意力模型的评分序列推荐方法，其特征在于，所述步骤4具体为：

技术总结
本发明公开了一种基于轻量化图卷积自注意力模型的评分序列推荐方法，包括以下步骤：一、数据的获取与预处理；二、划分数据集；三、构建并训练轻量化图卷积自注意力模型；四、通过训练好的轻量化图卷积自注意力模型进行预测。本发明通过用户与项目的交互生成用户与项目的交互图，进而生成交互矩阵，在交互矩阵中引入用户对项目的评分，通过GCN捕捉数据的空间特征，再将所得的特征通过自注意力引入位置编码从而捕捉数据的时间特征，这考虑了用户对项目的评分权重，并从时间和空间两个维度上对用户可能交互的项目进行精确的预测。同时考虑了数据的空间和时间特征之间的依赖关系，并且添加了位置编码的自注意力能捕获用户的长期兴趣，从而提高推荐模型的准确性。

技术研发人员：僧德文,王靖昌,张雪峰,蒋华胜,王希源
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/1/14