基于深度图神经网络的多特征空间融合推荐方法及系统

本技术涉及数据处理，尤其涉及一种基于深度图神经网络的多特征空间融合推荐方法及系统。

背景技术：

1、近年来，物联网的快速发展对于人机交互带来了新的机遇和挑战，更好的社交网络推荐将为未来的物联网用户提供更可行的个性化信息服务。尤其是人际社会交流的网络空间，在这里可以开展更为丰富的社交及娱乐活动，但也造成了信息量爆炸性增长的必然情况。信息量的过载意味着面临着数量庞大、种类繁多的数据流，使得物联网用户无法找到他们真正需要的信息。因此提前研究物联网场景下的推荐系统具有重要意义。考虑到各种社交网络的日益普及，将社交网络集成到推荐系统中并根据用户的偏好反馈提供个性化的产品或服务推荐。社交网络本质上就是一种图网络，每个节点代表一个社交实体，而边则表示这些社交实体之间的关系。

2、因此，社交网络推荐系统的一个通用场景可以表示为通过社会关系的信息推断未知的偏好反馈。然而，以社交网络为背景的推荐系统从来都不是一项容易的任务，因为各种关系特征的表示和量化仍然具有挑战性。主要反映在数据的多样性和复杂性，对于不同类型的关系数据具有非线性、非对称、动态等特征。同时社交网络的用户数据通常是隐性反馈，这些输入往往不够丰富和准确。

3、现有的，社交网络推荐技术包括如下：

4、第一，图神经网络技术。

5、图神经网络是一类用于处理图数据的深度学习模型。与传统的深度学习模型（如卷积神经网络）专注于处理网格结构数据不同，gnn 专门处理非网格结构的数据，如社交网络、化学分子和蛋白质结构等。gnn 通过将节点和边表示为向量来表示图数据。节点和边的特征可以是数值、文本或图像等不同类型的数据。然后，gnn 使用神经网络算法从这些特征中学习节点和边之间的关系，以及整个图的结构。最终，gnn 可以生成对节点和边的预测，例如节点分类、边分类、图分类等任务。

6、第二，常见推荐系统技术：基于协同过滤推荐系统技术、基于用户的协同过滤推荐系统技术、基于物品的协同过滤推荐系统技术、基于矩阵分解推荐系统技术、矩阵分解推荐系统技术。

7、基于协同过滤推荐系统技术是一种基于用户历史行为数据的推荐方法。它假设用户的兴趣可以通过分析他们的历史行为来推断，因此可以根据用户与其他用户或物品之间的相似性来进行推荐。协同过滤推荐系统技术可以分为两种类型：基于用户和基于物品的协同过滤。

8、基于用户的协同过滤推荐系统技术是通过计算用户之间的相似度来进行推荐。它的基本思想是找到与当前用户兴趣相似的其他用户，并将这些用户喜欢的物品推荐给当前用户。具体来说，基于用户的协同过滤推荐系统技术分为以下三个步骤：（1）计算用户之间的相似度；（2）找到与当前用户相似的其他用户；（3）将这些用户喜欢的物品推荐给当前用户。

9、基于物品的协同过滤推荐系统技术则是通过计算物品之间的相似度来进行推荐。它的基本思想是找到与当前用户喜欢的物品相似的其他物品，并将这些物品推荐给当前用户。具体来说，基于物品的协同过滤推荐系统技术分为以下三个步骤：（1）计算物品之间的相似度；（2）找到与当前用户喜欢的物品相似的其他物品；（3）将这些物品推荐给当前用户。

10、基于矩阵分解推荐系统技术可以将用户和物品之间的关系表示为矩阵，并将其分解为多个低秩矩阵的乘积。这种技术的主要目的是通过预测用户和物品之间的交互来提高推荐的准确性和个性化程度。

11、矩阵分解推荐系统技术的工作原理是将用户评分矩阵分解为两个低秩矩阵：一个表示用户特征的矩阵和一个表示物品特征的矩阵。这些特征可以包括用户和物品的属性，例如年龄，性别，职业，电影类型等。通过将这些特征映射到低维空间中，计算用户和物品之间的相似度，从而提供推荐。

12、在矩阵分解推荐系统中，最常见的方法是奇异值分解（svd），它可以将评分矩阵分解为三个矩阵，其中一个是奇异值矩阵，表示特征向量的重要性。然而，svd不适用于大规模数据集，因为它需要将整个评分矩阵加载到内存中。因此，近年来，随机梯度下降（sgd）和交替最小二乘法（als）等算法被广泛使用来解决大规模数据集的问题。

13、现有技术提出了一种新颖的混合随机漫步（hrw）方法，将社交网络表示为以社交领域为中心的星形结构的混合图，它与其他项目领域相连接，在辅助域中选择可转移的项目，将跨域知识与社会域连接起来，并准确预测目标域中的用户-项目链接。

14、现有技术还提出了一种深度学习方法来学习用户的偏好和朋友在生成推荐时的社会影响，通过堆叠多个边缘化去噪自动编码器来设计一个深度学习架构，定义了一个联合目标函数，以强制自动编码器隐藏层中的社会关系的潜在表征在对用户-项目矩阵进行因子化时尽可能地接近用户的潜在表征。通过四个基准数据集上的实验表明，与其他最先进的方法相比，所提出的方法达到了较高的推荐精度。

15、现有技术还提出了一种基于深度图神经网络（dgbnn）框架，用于在社交媒体平台上推荐朋友。获得了用户特征的全面表述，以生成一个更合理的推荐列表，同时考虑到用户的关系和个人属性。为了获得准确的预测，使用了反向传播神经网络来预测社交图中的社交链接。推荐列表是基于预测的用户之间的社会联系而构建的。用微博数据集进行的实验表明，在朋友推荐方面得到了改进。

16、现有技术的缺点包括：第一，现有技术基本上只关注用户特征空间的建模，而忽略了项目特征空间。事实上，项目属性特征之间也存在相关性，这最终会影响社交网络用户的真实偏好特征和社交网络其内部拓扑结构。第二，现有技术基本上没有考虑到对于物联网场景中的推荐系统，用户特征与项目特征之间的关系也是一个更关键的元素。第三，现有技术大多数都设法探索和量化用户偏好和其社会关系之间的相关性，用户明显更有可能还会受到具有更多社会关系的人的影响。

17、因此，目前亟需解决的技术问题是：如何提供一种同时考虑用户特征空间和项目特征空间对于用户串联影响的图神经网络推荐系统，实现提高社交网络推荐准确度。

技术实现思路

1、本技术的目的在于提供一种基于深度图神经网络的多特征空间融合推荐方法及系统，同时考虑用户特征空间和项目特征空间对于用户串联影响，实现提高社交网络推荐准确度。

2、为达到上述目的，本技术提供一种基于深度图神经网络的多特征空间融合推荐方法，该方法包括如下步骤：获取用户特征空间矩阵和项目特征空间矩阵；根据用户特征空间矩阵和项目特征空间矩阵，对用户与项目进行评级预测，获得用户项目评级矩阵；根据用户项目评级矩阵，获得社交网络推荐最优解。

3、如上所述的基于深度图神经网络的多特征空间融合推荐方法，其中，根据用户特征空间和项目特征空间，进行评级预测，获得用户项目评级矩阵的方法包括：将用户特征空间矩阵和项目特征空间矩阵分别嵌入到矩阵分解的两个潜在因子中，获得用户项目评级矩阵。

4、如上所述的基于深度图神经网络的多特征空间融合推荐方法，其中，获取用户特征空间矩阵的方法包括如下步骤：获取用户的固有偏好特征，通过图神经网络对固有偏好特征编码，转换为固有偏好因素；获取社会影响特征，通过图神经网络对社会影响特征进行编码，转换为社会影响因素；对固有偏好因素和社会影响因素进行编码拼接，获得用户特征空间矩阵。

5、如上所述的基于深度图神经网络的多特征空间融合推荐方法，其中，获取项目特征空间矩阵的方法包括如下步骤：获取项目的属性内容特征；获取项目的属性关联特征；通过图神经网络对项目的属性内容特征和属性关联特征编码拼接，获得项目特征空间矩阵。

6、如上所述的基于深度图神经网络的多特征空间融合推荐方法，其中，对固有偏好因素和社会影响因素进行编码拼接，获得用户特征空间矩阵的方法包括：将固有偏好因素和社会影响因素输入多层感知机，获取多层感知机第一层隐藏层的运算结果；在第一隐藏层的运算结果基础上，使用权重参数和偏置参数不断迭代运算，获得用户特征空间矩阵。

7、如上所述的基于深度图神经网络的多特征空间融合推荐方法，其中，获取项目的属性关联特征的方法包括：在项目属性的基础上，通过图神经网络聚合其他属性的相关信息进行编码，获取项目的属性关联特征。

8、如上所述的基于深度图神经网络的多特征空间融合推荐方法，其中，对用户与项目进行评级预测的方法包括：根据用户特征空间矩阵和项目特征空间矩阵，计算用户项目矩阵中缺失的评分值对用户与项目进行评级预测。

9、如上所述的基于深度图神经网络的多特征空间融合推荐方法，其中，该方法还包括：根据社交网络推荐最优解，向用户推荐项目。

10、作为本技术的第二方面，本技术提供一种基于深度图神经网络的多特征空间融合推荐系统，执行如上所述的方法，该系统包括：用户社会特征映射网络模块，用于获取用户特征空间矩阵；项目特征分析模块，用于获取项目特征空间矩阵；评级预测模块，用于根据用户特征空间矩阵和项目特征空间矩阵，对用户与项目进行评级预测，获得用户项目评级矩阵；根据用户项目评级矩阵，获得社交网络推荐最优解。

11、如上所述的基于深度图神经网络的多特征空间融合推荐系统，其中，该系统还包括：推荐模块，用于根据社交网络推荐最优解，向用户推荐项目。

12、本技术实现的有益效果如下：

13、（1）本技术加强用户及其社会关系与项目特征之间的相关性。在不同数据集上，从用户的社交网络、历史行为、兴趣标签等多个角度进行建模，将不同项目之间的特征关系作为关键因素。

14、（2）本技术将社交网络推荐系统视为用户特征和项目特征的空间集合，将用户特征视为其固有偏好和其社会影响的串联关系，这些特征可以看作来自不同的特征空间，通过图神经网络（gnn）进行融合，得到更加全面、准确的用户表示。

15、（3）本技术利用图神经网络方法来获得各种复杂关系的更好表示，将项目属性的相关性建模为编码向量，将其集成到项目总特征空间中，从而提高特征空间的粒度。

16、（4）本技术考虑用户特征空间和项目特征空间对于用户的串联影响，使用图神经网络将用户特征和项目特征用两个包括实体和实体关系的图网络表示，即将项目、物品特征之间的关系作为关键因素，更好的理解不同项目之间对于用户特征关系的相似性和差异性。