(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 202210883824.2 (22)申请日 2022.07.26 (71)申请人 山东大学 地址 264209 山 东省威海市文化西路180号 (72)发明人 殷建　常宇鹏　李炳廷　刘晓伟　 吴国庆　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 马海波 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) (54)发明名称 一种基于去平滑图卷积神经网络的推荐方 法及系统 (57)摘要 本发明提出了一种基于去平滑图卷积神经 网络的推荐方法及系统， 包括以下步骤： 通过用 户‑物品交互图获得用户节点的初始嵌入向量和 物品节点的初始嵌入向量作为训练样本； 通过基 于去平滑模块的多层图卷积神经网络模型对所 述训练样 本进行平滑卷积聚合操作， 得到各阶的 用户嵌入向量和物品嵌入向量； 将获得的各阶用 户嵌入向量、 物品嵌入向量表示分别进行层组 合， 将层组合后获得的最终的用户嵌入向量和物 品嵌入向量进行内积运算， 得到所述训练样本的 预测得分； 采用BPR ‑Loss对基于去平滑模块的多 层图卷积神经网络模型进行训练， 得到训练好的 推荐模型。 本发 明的去平滑模块能帮助图节点保 持其多样性， 防止 了节点的特 征多样性退化。 权利要求书2页 说明书7页 附图2页 CN 115221410 A 2022.10.21 CN 115221410 A 1.一种基于去平 滑图卷积神经网络的推荐方法， 其特 征在于， 包括以下步骤： 步骤1： 通过用户 ‑物品交互图获得用户节点的初始嵌入向量和物品节点的初始嵌入向 量作为训练样本； 步骤2： 通过基于去平滑模块的多层图卷积神经网络模型对所述训练样本进行平滑卷 积聚合操作， 得到每一层去平滑模块的多层图卷积神经网络的用户向量表示和物品向量表 示； 步骤3： 将每一层的用户向量表示、 物品向量表示分别进行层组合， 根据层组合后的用 户向量表示和物品向量表示进行运 算得到所述训练样本的预测得分； 步骤4： 采用BPR ‑Loss对基于去平滑模块的多层图卷积神经网络模型进行训练， 得到训 练好的推荐模型。 2.如权利要求1所述的一种基于去平滑图卷积神经网络的推荐方法， 其特征在于， 在所 述步骤1中， 使用one ‑hot编码基于用户 ‑物品交互图获得用户节点的初始嵌入向量和物品 节点的初始嵌入向量。 3.如权利要求1所述的一种基于去平滑图卷积神经网络的推荐方法， 其特征在于， 在所 述步骤2中， 在图卷积神经网络模型中每一层增加去平滑模块， 所述去平滑模块基于掩码矩 阵分别与用户节点的初始嵌入向量、 物品节点的初始嵌入向量相乘来选择节点是否调出卷 积操作， 所述掩码矩阵为对角矩阵， 由采样率和采样策略确定 。 4.如权利要求3所述的一种基于去平滑图卷积神经网络的推荐方法， 其特征在于， 所述 采样策略为均匀采样策略或有偏采样策略， 所述均匀采样策略选择ρ ×N个节点， 每个节点 具有相同的概 率1/N， ρ 为采样率； 所述有偏采样策略为对跳过的节点进行采样。 5.如权利要求1所述的一种基于去平滑图卷积神经网络的推荐方法， 其特征在于， 所述 多层图卷积神经网络模型中消息传递的构建： 对于用户 ‑物品对， 将物品到用户的消息传递 定义为： Mu←i＝f(eu,ei,dui,P), 其中， Mu←i表示物品i到用户u的消息传递， eu和ei是用户和物品的嵌入输入向量， dui是 控制(u,i)上传播的衰减系数， 将dui设置为图拉普拉斯 范数： Nu和Ni分别表示用 户u和物品i的一阶邻居集， P是对应的掩码矩阵。 6.如权利要求5所述的一种基于去平滑图卷积神经网络的推荐方法， 其特征在于， 所述 多层图卷积神经网络模型中通过去平 滑模块获得高阶嵌入向量， 定义如下： 其中， 分别表示第l阶节点消息传递与聚合后的用户u和物品i的嵌入向量。 7.如权利要求1所述的一种基于去平滑图卷积神经网络的推荐方法， 其特征在于， 对所 述推荐模型采用贝叶斯个性 化排名损失进行训练， 目标函数为：权　利　要　求　书 1/2 页 2 CN 115221410 A 2其中， O＝{(u,i,j)|(u,i)∈R+,(u,j)∈R‑}是成对的训练数据， R+是观察到的交互， R‑是 未观察到的交 互， λ控制L2正则化的强度。 8.一种基于去平 滑图卷积神经网络的推荐系统， 其特 征在于， 包括： 获取模块： 通过用户 ‑物品交互图获得用户节点的初始嵌入向量和物品节点的初始嵌 入向量作为训练样本； 卷积聚合模块： 通过基于去平滑模块的多层图卷积神经网络模型对所述训练样本进行 去平滑卷积聚合操作， 得到各阶的用户嵌入向量和物品嵌入向量； 计算模块： 将获得的各阶的用户嵌入向量、 物品嵌入向量分别进行层组合， 将层组合后 获得的最终的用户嵌入向量和物品嵌入向量进行内积运算， 得到所述训练样本的预测得 分； 模型训练模块： 采用BPR ‑Loss对基于去平滑模块的多层图卷积神经网络模型进行训 练， 得到训练好的推荐模型。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征是， 该程序被处理器执行 时实现如权利要求 1‑7中任一项 所述的一种基于去平滑图卷积神经网络的推荐方法中的步 骤。 10.一种处理装置， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征是， 所述处理器执行所述程序时实现如权利要求 1‑7中任一项 所述的一种基 于去平滑图卷积神经网络的推荐方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115221410 A 3