一种面向异构信息网络的多视图自监督学习推荐方法

本发明涉及用户兴趣推荐，特别是涉及一种面向异构信息网络的多视图自监督学习推荐方法。

背景技术：

1、近年来，图神经网络(gnn)在推荐系统中发挥着重大的作用。图神经网络的核心分为两部分：消息的传递和节点更新。通过聚合邻居节点的特征来更新当前节点的表示，图神经网络可学习到每个用户和物品的低维表示，这些表示能够捕捉到用户和物品的特征和兴趣，进而支持个性化推荐。

2、但现有的推荐系统仍然存在问题，首先，现有推荐系统的图神经网络通常受到训练标签稀缺的限制，也就是说，当前的异构图神经网络模型大多采用监督学习或者半监督学习的方式进行训练，高度依赖人工标注的标签信息。因此，无法生成具有高质量用户物品嵌入的交互标签，导致模型推荐精度低。

3、其次，大多数图神经网络都不可避免地具有同质性作用。节点往往表示为同一属性，然而在现实生活中，异构图更为普遍。且大多数现有的图方法只专注于从单视角出发，来处理不同类型的信息，导致信息特征的提取不完整，从而造成信息的损失。

技术实现思路

1、本发明旨在解决现有技术中存在的无法生成具有高质量用户物品嵌入的交互标签，导致模型推荐精度低技术问题，特别创新地提出了一种面向异构信息网络的多视图自监督学习推荐方法。

2、为了实现本发明的上述目的，本发明提供了

3、一种面向异构信息网络的多视图自监督学习推荐方法，所述方法包括：

4、s100、获取异构图，利用最大熵路径算法设置不同的元路径从所述异构图中提取异构子图；

5、s200、建立多视图推荐模型，利用所述异构子图对所述多视图推荐模型进行训练；

6、s300、对所述异构子图进行编码，获取每个所述异构子图的节点语义嵌入；

7、s400、对每个所述异构子图的节点语义嵌入进行解码，并将每个所述异构子图的节点语义嵌入进行融合，获得用户节点嵌入和物品节点嵌入；

8、s500、将局部视图和全局视图内各个节点特征映射至同一向量空间中，并对各个节点特征进行融合；将局部视图中的节点嵌入表示作为正样本，将全局视图中的节点嵌入表示作为负样本；

9、s600、利用自监督学习的损失函数最大化嵌入表示所述正样本和所述负样本之间的交互信息；

10、s700、利用所述交互信息对所述多视图推荐模型进行评价和优化多视图推荐模型；

11、s800、计算用户节点和物品节点的余弦相似度，基于所述余弦相似度生成推荐列表。

12、作为本发明的一种可选实施例，可选地，所述利用最大熵路径设置不同的元路径来从所述异构图中提取异构子图包括：

13、s101、计算参数向量最优值，最大熵路径根据所述参数向量最优值获取起始节点和目标节点的异构子图；

14、计算所述参数向量最优值的公式为：

15、

16、

17、其中，p(p)表示元路径概率，θagg表示参数向量，z表示归一化因子，l(θagg)表示损失函数。

18、作为本发明的一种可选实施例，可选地，所述对所述异构子图进行编码，获取每个所述异构子图的节点语义嵌入包括：

19、s301、计算所述异构子图中节点的语义嵌入；

20、计算公式为：

21、

22、其中，表示元路径p下节点的语义嵌入表示；

23、s302、聚合所述节点的邻居节点，对所述节点进行更新；

24、更新公式为：

25、

26、其中，表示节点v在l层的表示，nv表示节点v的邻居节点集合，表示节点u在l-1层的特征；

27、s303、对更新后的所述节点再次进行特征更新；

28、特征更新公式为：

29、

30、其中，表示节点v在l层的语义嵌入，mlpl表示第l层的多层感知器层，∈l表示一个可学习参数。

31、作为本发明的一种可选实施例，可选地，所述对每个所述异构子图的节点语义嵌入进行解码的公式为：

32、

33、其中，dv表示节点v在目标语义空间中的表示。

34、作为本发明的一种可选实施例，可选地，所述将所述用户节点嵌入和物品节点嵌入进行余弦相似度计算，所述计算公式为：

35、sim(xdu,xdi)＝(xu·xi)/(||xu||*||xi||)

36、其中，sim()表示余弦相似度。

37、作为本发明的一种可选实施例，可选地，所述将局部视图和全局视图内各个节点特征映射至同一向量空间中的公式为：

38、

39、

40、其中，表示用户节点特征与物品节点特征在局部视图中的嵌入表示，表示物品节点特征和用户节点特征在全局视图中的嵌入表示。

41、作为本发明的一种可选实施例，可选地，所述利用自监督学习的损失函数最大化嵌入表示所述正样本和所述负样本之间的交互信息包括：

42、s601、计算局部视图中用户节点的损失和全局视图中物品节点的损失，利用所述用户节点的损失和物品节点的损失，计算局部视图和全局视图的损失加权平均值；

43、计算局部视图中节点的损失的公式为：

44、

45、其中，ll表示局部视图中节点的损失；

46、计算全局视图中物品节点的损失的公式为：

47、

48、其中，lo表示全局视图中节点的损失；

49、计算局部视图和全局视图的损失加权平均值的公式为：

50、

51、其中，llo表示局部视图和全局视图的损失加权平均值，θpath表示加权系数。

52、作为本发明的一种可选实施例，可选地，所述利用所述交互信息对所述多视图推荐模型进行评价和优化多视图推荐模型包括：

53、s701、获取不同所述异构子图中相同的节点，并进行融合；

54、s702、利用最大熵路径采样策略，并通过最大化损失函数来选择具有最大熵值的元路径；

55、s703、利用异构子图编码损失函数优化异构子图的编码；

56、s704、利用融合多视图推荐损失函数优化用户与物品之间的相似度；

57、s705、利用总体损失函数对所述多视图推荐模型进行优化。

58、作为本发明的一种可选实施例，可选地，所述最大熵路径采样损失函数的公式为：

59、

60、其中，l1(t,p,θ1)表示最大熵路径采样损失，s(t,p,θ1)是元路径p的得分函数；

61、所述异构子图编码损失函数的公式为：

62、

63、其中，l2(t,p,θ2)表示异构子图编码损失，x(t,p,θ2)表示预测编码向量，h(t,p,θ2)表示实际编码向量；

64、所述融合多视图推荐损失函数的公式为：

65、

66、其中，l3(t,p,θ3)表示融合多视图推荐损失，f(xdu,xdi,θ3)表示用户u和物品i之间的相似性得分。

67、作为本发明的一种可选实施例，可选地，所述总体损失函数的公式为：

68、ltotal＝ω1·l1(t,p,θ1)+ω2·l2(t,p,θ2)+ω3·l3(t,p,θ3)+ωlo·llo

69、其中，ltotal表示多视图推荐模型的总体损失。

70、本发明的有益效果：本发明提出多视图推荐模型，结合了自监督学习，可同时从多个异构子图中学习用户和物品的特征表示，并利用自监督学习的损失函数对多视图推荐模型进行评价和优化，可有效地提高推荐系统的推荐精度和推荐系统的稳定性。本发明利用多视图自监督学习的方法，可从多个异构子图中学习用户和物品的特征表示，可解决数据稀疏性和异构性的问题，从而提高推荐模型的准确性和稳定性。本发明利用最大熵路径设置不同的元路径从异构图中提取异构子图，建立多视图推荐模型，对异构子图进行编码和解码，融合节点语义嵌入，生成用户节点嵌入和物品节点嵌入，进行余弦相似度计算，生成推荐列表。通过这种方法，可解决节点同一属性的问题，本发明可处理不同类型的信息，从而避免信息特征的提取不完整，减少信息的损失。本发明在局部视图内和全局视图内进行编码，更加完整的获取异构图中各节点之间的复杂关系，不同视图下获得的每个语义子图编码到自己的语义潜在空间，再解码到与其不同的语义空间，以捕获在不同视图下的语义相关性。综合利用多视图信息和不同视图的关联性，准确建模用户兴趣和物品特征。