CN113850317B 一种多种类邻居聚合的图卷积推荐方法及系统 （陕西师范大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113850317B(45)授权公告日2025.07.11

(21)申请号202111116056.X

(22)申请日2021.09.23

(65)同一申请的已公布的文献号申请公布号CN113850317A

(43)申请公布日2021.12.28

(73)专利权人陕西师范大学

地址710119陕西省西安市长安区西长安

街620号

(72)发明人陈建芮扶永照王志慧邵仲世雷鸣吴迪

(74)专利代理机构西安通大专利代理有限责任公司61200

专利代理师白文佳

(51)Int.CI.

GO6F18/241(2023.01)

GO6F18/20(2023.01)

GO6F18/214(2023.01)

(56)对比文件

CN108268900A,2018.07.10

CN110955834A,2020.04.03

审查员刘敬坤

权利要求书3页说明书8页附图1页

(54)发明名称

一种多种类邻居聚合的图卷积推荐方法及系统

(57)摘要

CN113850317B本发明提供的基于一种多种类邻居聚合的图卷积推荐方法及系统，包括以下步骤：设定阈值；数据样本进行划分，得到正样本、中间样本和负样本；构建图卷积网络模型；通过损失计算对构建得到的图卷积网络模型进行更新，得到更新后的图卷积网络模型；对设定的阈值、得到的图卷积网络模型中的参数，以及损失计算的参数进行优化，得到优化后的阈值和各参数；迭代执行直至阈值及各参数达到最优；进而得到最优的图卷积网络模型，通过最优的图卷积网络模型进行项目推荐；与基于正负样本的推荐方法相比，本发明的推荐准确率有明显的提升，能够更好地为

CN113850317B

識

識嗨

热函数

CN113850317B权利要求书1/3页

2

1.一种基于多种类邻居聚合的图卷积推荐方法，其特征在于，包括以下步骤：

步骤1,设定阈值；

步骤2,根据步骤1设定的阈值将训练集和测试集中数据样本进行划分，得到训练集和测试集，两个样本集合均包括正样本、中间样本和负样本；

步骤3,根据步骤2中训练集得到的正样本和中间样本构建图卷积网络模型；

步骤4,通过损失计算对步骤3中构建得到的图卷积网络模型进行更新，得到更新后的图卷积网络模型；

步骤5,根据更新后的图卷积网络模型进行项目推荐，并结合测试集得到推荐指标；

步骤6,迭代执行步骤4和步骤5,直至输出的推荐指标趋于稳定；

步骤7,根据步骤6中得到的最终的推荐指标对步骤1中设定的阈值、步骤3中得到的图卷积网络模型中的参数，以及步骤4中损失计算的参数进行优化，得到优化后的阈值和各参数；

步骤8,迭代执行步骤2至步骤7,直至步骤7中的阈值及各参数达到最优；进而得到最优的图卷积网络模型，通过最优的图卷积网络模型进行项目推荐；步骤1中，设定阈值的具体方法是：

依据用户与项目之间的交互次数设定得到一个初始的阈值；

根据设定的阈值将数据样本进行划分，具体方法是：

根据设定的阈值将训练集和测试集均进行分类，其中，将交互次数大于设定的阈值的数据作为用户的正样本，将交互次数在0到设定的阈值之间的数据作为中间样本，剩余的作为负样本。

2.根据权利要求1所述的一种基于多种类邻居聚合的图卷积推荐方法，其特征在于，步

骤2中，

所述训练集和测试集中的正样本数量占正样本和中间样本总数的85%-95%。

3.根据权利要求1所述的一种基于多种类邻居聚合的图卷积推荐方法，其特征在于，步骤3中，根据步骤1中得到的正样本和中间样本构建图卷积网络模型，具体方法是：

S21,将步骤1中训练集中的正样本和中间样本中的数据分别进行组合，得到正样本的邻接矩阵A?和中间样本的邻接矩阵A?;

S22,根据S21得到的正样本的邻接矩阵A?和中间样本的邻接矩阵A?得到图卷积网络模型中卷积层的传递函数；

S23,随机生成初始嵌入矩阵，结合S22得到的传递函数，得到每层卷积层的嵌入矩阵；

S24,根据S23得到的多个嵌入矩阵得到图卷积网络模型的最终嵌入矩阵；最终得到图卷积网络模型。

4.根据权利要求3所述的一种基于多种类邻居聚合的图卷积推荐方法，其特征在于，步骤4中，通过损失计算对步骤3中构建得到的图卷积网络模型进行更新，得到更新后的图卷积网络模型，具体方法是：

利用下式计算训练集中