(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 202210943278.7 (22)申请日 2022.08.08 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 张雪峰　李梦凡　僧德文　王靖昌　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 杨舟涛 (51)Int.Cl. G06F 16/9536(2019.01) G06F 16/9535(2019.01) G06N 3/04(2006.01) (54)发明名称 融合项目时序关系的图神经协同过滤推荐 方法 (57)摘要 本发明公开一种融合项目时序关系的图神 经协同过滤推荐方法。 本发明考虑到用户兴趣的 动态变化， 使用项目 ‑项目时序关系来动态刻画 用户的兴趣变化； 利用图结构显示表达用户 ‑项 目高阶信息的特点， 来提升推荐性能。 包括以下 步骤： 对用户交互的项目数据进行预处理； 划分 数据集为训练集和测试集； 获取用户 ‑项目交互 数据， 包括构建交互矩阵； 获取项目 ‑项目时序关 系数据， 包括采用滑动窗口方式划分子序列、 构 建项目‑项目时序关系矩阵及矩阵归一化处理； 初始化融合项目时序关系的图神经协同过滤推 荐方法中的各种超参数， 通过在测试集上的预测 检验模型的效果。 该发明方法能够提升推荐算法 的性能。 权利要求书2页 说明书8页 附图1页 CN 115310004 A 2022.11.08 CN 115310004 A 1.融合项目时序关系的图神经协同过 滤推荐方法， 其特 征在于， 包括以下步骤： 步骤1： 获取每 个用户交 互的项目数据； 步骤2： 对用户交 互的项目数据进行 预处理； 步骤3： 转换 数据格式、 划分数据集， 将数据集划分为训练集和 测试集； 步骤4： 获取用户 ‑项目交互数据、 项目 ‑项目时序数据， 包括构建用户 ‑项目交互矩阵、 项目‑项目时序关系矩阵及对项目 ‑项目时序关系矩阵归一 化处理； 步骤4.1： 初始化用户、 项目嵌入矩阵， 采用基于图神经网络嵌入方法得到用户嵌入矩 阵和项目嵌入矩阵； 步骤4.2： 构建项目 ‑项目时序关系 矩阵， 采用滑动窗口策略， 将项目时间序列划分为若 干组子序列， 构建项目时序关系图， 通过聚合项目时间信息特征， 从而深度刻画了用户兴趣 的动态变化； 步骤4.3： 通过预处理后的用户交互的项目数据构 建用户‑项目交互图， 根据用户 ‑项目 交互图构建用户 ‑项目交互矩阵， 用户交 互的项目表明用户的兴趣； 步骤4.4： 对项目 ‑项目时序关系矩阵归一 化处理； 步骤5： 初始化融合用户 ‑项目交互信息和项目 ‑项目时序关系的混合推荐模型的各种 参数， 并将训练集的数据输入到网络中进 行训练， 直至网络收敛， 通过对比试验调节网络超 参数， 最终 获得最佳参数； 步骤5.1： 搭建NGCF ‑ITS的结构， 包括输入层、 项目 ‑项目时序关系聚合层、 嵌入传播层、 预测层； 设置各个层的特 征向量； 步骤5.2： 初始化用户嵌入矩阵、 项目嵌入矩阵以及NGCF ‑ITS中各层中神经 元状态； 步骤5.3： 计算项目时序依赖关系， 进行 特征融合， 学习项目嵌入向量并传递给 下一层； 步骤5.4： 计算用户 ‑项目交互的高阶连通性， 不断学习用户嵌入向量和用户嵌入向量， 多层次嵌入传播， 结果进行 连接； 步骤6： 通过测试集数据的评价指标来检验 模型效果， 得到推荐算法性能提升 。 2.根据权利要求1所述的融合项目时序关系的图神经协同过滤推荐方法， 其特征在于： 所述步骤1具体为： 获取每个用户交互的项目数据， 包括用户id、 项目id、 时间戳三个数据特 征。 3.根据权利要求1所述的融合项目时序关系的图神经协同过滤推荐方法， 其特征在于： 所述步骤2具体为： 步骤2.1： 异常值剔除， 直接删除数据中存在明显异常值的记录； 步骤2.2： 去除用户交 互的项目数据量中小于 5的用户。 4.根据权利要求1所述的融合项目时序关系的图神经协同过滤推荐方法， 其特征在于 所述步骤3具体为： 步骤3.1： 转换数据格式， 将原始数据序列转化为监督学习序列的格式， 按照用户与项 目交互的时间戳升序来进行排序； 步骤3.2： 划分数据集， 将历史 交互数据集按照8： 2的比例划分为训练集和 测试集。 5.根据权利要求1所述的融合项目时序关系的图神经协同过滤推荐方法， 其特征在于： 所述步骤5中的调节网络超参数具体为： 采用BPR作为损失函数， Adam作为优化算法， 循环往 复直至模型收敛。权　利　要　求　书 1/2 页 2 CN 115310004 A 26.根据权利要求1所述的融合项目时序关系的图神经协同过滤推荐方法， 其特征在于： 所述的步骤5中为 获得最佳参数， 通过对比调参， 获取最优参数并保存； 包括学习率、 小批量 大小、 L2正则化系数、 权 重向量和偏向量。 7.根据权利要求1所述的融合项目时序关系的图神经协同过滤推荐方法， 其特征在于 所述步骤6具体为： 步骤6.1： 在测试集上使用训练好的预测模型对用户感兴趣的物品进行 预测； 步骤6.2： 将所有的预测结果同真实结果进行对比， 利用Precision@N、 Recall@N、 NDCG@ N作为模型的评估指标， 得到模型的性能评估结果； 步骤6.3： 最终的预测模型用于推荐算法的预测。权　利　要　求　书 2/2 页 3 CN 115310004 A 3