(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211160832.0 (22)申请日 2022.09.22 (71)申请人 山西大学 地址 030006 山西省太原市坞城路9 2号 (72)发明人 廖健　马宏　 (74)专利代理 机构 太原申立德知识产权代理事 务所(特殊普通 合伙) 14115 专利代理师 孙乐 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/958(2019.01) G06K 9/62(2022.01) G06Q 30/06(2012.01) (54)发明名称 一种基于潜在兴趣多视图融合的推荐方法 和系统 (57)摘要 本发明公开了一种基于潜在兴趣多视图融 合的推荐方法和系统， 属于计算机推荐系统技术 领域。 本发 明通过构建多视图来探索多种因素对 用户和商品的影 响， 根据潜在的用户兴趣主题生 成子图， 在不同的视图下， 通过为用户和商品的 表示增加个性化的特征使其可以保持自己的特 征， 有效缓解传统方法过平滑的问题。 用残差网 络结构改进了经典LightGCN模型， 设计了VS ‑ LightGCN模 块， 以保持模型对个体化特征的持续 认知。 基于主成分控制机制(PCCM)的动态多视图 融合模块， 可以有效对生 成的多兴趣视图进行融 合， 提升模型的推荐效果。 权利要求书4页 说明书10页 附图2页 CN 115510319 A 2022.12.23 CN 115510319 A 1.一种基于潜在兴趣多视图融合的推荐系统， 其特征在于： 包括多视图生成模块、 VS ‑ LightGCN模块和多视图融合模块； 所述多视图生成模块： 原始的用户 ‑商品交互行为矩 阵 其中， 表示R是一个m ×n维， 每个元 素为实数的矩阵； m和n分别表示用户和商品的数量， 若R中用户u与商品i对应的元素Rui非 零， 表示用户u曾经与商品i交 互过， 用户u和商品i之间存在一条边； 否则， 该Rui为零； 在原始的用户 ‑商品交互行为矩阵R的基础上， 用一个用户 ‑商品的二部图G＝(N,E)来 提供结构信息； 其中， N表示节点的集 合， 包括用户u和商品i的节点， E表示 边的集合； 再使用奇异值分解SVD来分解原始的用户 ‑商品交互行为矩阵R， 表示为： R≈P(t)Σ(t)(Q (t))T， 其中， P(t)和Q(t)分别是左、 右奇异矩阵， Σ(t)是一个对角矩阵， 由前t个最大奇异值组 成， T为向量 转置； 将每个奇异值视为推荐系统中的一个潜在兴趣主题； 用户u和商品i由前t个潜在兴趣 主题分别表示为奇异向量p(t) u∈P(t)和q(t) i∈Q(t)； 在前t个潜在兴趣主题下， 将p(t) u和q(t) i 之间的相似度视为用户u和商品i的结构关联 得分， 表示 为： 根据前t个潜在兴趣主题下每个用户u和商品i的结构相关得分score(t) ui， 生成相似度 矩阵 其中用户u和商品i对应元 素 原始的用户 ‑商品交互行为矩阵R转化为由t个潜在 兴趣主题确定的不同实值连续矩阵 M(t)； 选择不同的t值， 获得不同的相似度矩阵M(t)； 设置阈值η去除基于相似性矩阵M(t)的双子图中结构相关分数过低的噪声边， 用户和用 户交互的商品被分组到不同的子图中， 以生成不同的视图； 对于每个视图V(t)， 其交互矩阵 被定义为： 其中， η为 一阈值， 控制生成两个视图过程中的边的相似度； 当且仅当相似度矩阵M(t)中用户u和商品i对应元素 不小于阈值 η， 且原始的用户 ‑商 品交互矩阵R中对应元 素Rui＝1时， 视图V(t)中用户u和商品i对应元 素 值为1， 否则为0； 所述VS‑LightGCN模块： 对于多视图生成模 块生成的每个视图， 将用户u和商品i的初 始嵌入分别表示为e(0) u和e (0) i； 从潜在兴趣主题的不同视图中学习用户u和商品i 的表示； 各视图之间是相互独立 的， 特定视图子图中的节点只能与子图内的邻居传播信息； 同时通过奇异 值分解SVD将用户u或 商品i表示为前t个潜在兴趣主题下的t维嵌入p(t) u和q(t) i， 使其包含关于用户u或商品i自身 特征的个性 化特征， 并初始化视图V(t)中的节点嵌入表示， 即e(0) u＝p(t) u， e(0) i＝q(t) i； 传播过程表示 为： 权　利　要　求　书 1/4 页 2 CN 115510319 A 2其中 和 分别是e(0) u和e(0) i的静态拷贝， 不参与 优化更新； 保证个性化特征在传播 过程中不会丢失， |Nu|与|Ni|分别表示用户u的邻居节点集合Nu和商品i的邻居节点集合Ni 的大小， k表示迭代轮次； 并行训练优化每 个视图V(t)， 每个视图V(t)的损失函数L表示 为： 其中， δ为si gmoid函数， m表示用户的数量， a为用户u的一个邻居商品节点， b为用户u的 一个非邻居商品节点， eu、 ea、 eb分别为用户u、 商品a和 商品b的表示向量； T为向量转置， E(0) 为所有用户和商品节点初始化表示构成的矩阵， λt是视图V(t)中的一个超参数， 控制E(0)的 L2正则化权 重； 所述多视图融合模块： 由主成分控制机制PCCM来动态调整每个视图对推荐结果的影 响； 在用户 ‑商品交互图中， 用户u和商品i之间的相似度记为s(0) ui； 对于每个生成的视图V (t)， 在各视图信息传播优化完成后， 通过公式 得到视图V(t)的相似度s(1) ui,s (2) ui,...,s(t) ui； 通过主成分控制机制PC CM， 多个视图之间的融合相似度定义 为： 其中， 表示多个视图之间的融合相似度， sigmoid()函数将多视图融合得分映射到 [0,1]， μ是一个阈值， 用于控制主成分控制机制PC CM中的视图结果融合。 2.根据权利要求1所述的一种基于潜在 兴趣多视图融合的推荐系统， 其特征在于： 所述 主成分控制机制PCCM是基于用户u的潜在兴趣只有在用户愿意与某类商品交互时， 才能进 行准确的推荐。 3.根据权利要求1所述的一种基于潜在兴趣多视图融合的推荐系统的推荐方法， 其特 征在于： 包括以下步骤： 步骤1， 建立原始的用户 ‑商品交互行为矩阵 其中， 表示R是一个m ×n 维， 每个元素为实数的矩阵； m和n分别表示用户和商品的数量， 若R中用户u与商品i对应的 元素Rui非零， 表示用户u曾经与商品i交互过， 用户u和商品i之间存在一条边； 否则， 该Rui为 零； 步骤2， 在原始的用户 ‑商品交互行为矩阵R的基础上， 构建一个用户 ‑商品的二部图G＝ (N,E)来提供结构信息； 其中， N表示节点的集合， 包括用户u和商品i的节点， E表示边的集 合； 步骤3， 使用奇异值分解SVD来分解原始的用户 ‑商品交互行为矩阵R， 表示为： R≈P(t) Σ(t)(Q(t))T， 其中， P(t)和Q(t)分别是左、 右奇异矩阵， Σ(t)是一个对角矩阵， 由前t个最大奇 异值组成， T为向量 转置；权　利　要　求　书 2/4 页 3 CN 115510319 A 3