一种基于图结构重构的深度动态图关注推荐方法

1.本发明属于推荐系统领域，特别涉及一种基于图结构重构的深度动态图关注推荐方法。


背景技术：

2.随着互联网信息爆炸式增长，除了用户的历史行为信息之外，人们还能从大量可获取信息中捕捉到用户与用户之间的关系、物品与物品之间的关系。由此产生了互联网时代的新兴产物“用户社交网络”以及“知识图谱”。由于图数据固有的灵活特性，过去几年见证了结合用户历史行为信息(用户-物品交互图)和用户社交网络(用户图)、物品知识图谱(物品图)等辅助信息而进行的推荐在各个领域的巨大成功。与基于深度学习的推荐模型不同的是，基于图神经网络(gnn)的推荐模型建立在简单或复杂的图上，图中各个节点之间具有复杂的关系，这种复杂关系一般指的是用户与物品之间、用户与用户之间、物品与物品之间的关系。
3.当实际推荐场景中包含用户-物品交互图、用户图、物品图等多种图数据时，如何将各种图信息有效地融入推荐算法是该领域的关键问题之一。“monti f,bronstein m,bresson x.geometric matrix completion with recurrent multi graph neural networks[c].in advances in neural information processing systems.2017:3700
–
3710.”基于不同的图结构设计了两种推荐模型，均获得了良好的性能。循环多图卷积神经网络从频域的角度定义了多图卷积方式以挖掘出用户-物品交互图中用户的潜在偏好。同时，基于用户图以及物品图设计了一个基于图神经网络的矩阵分解模型，用户分支和物品分支均利用切比雪夫多项式滤波器来提取图中的特征信息，然后通过循环神经网络(lstm)逐步恢复评分矩阵。在实际应用时，这些结合了多种图结构信息来构建的推荐模型一定程度上能缓解过拟合和稀疏性的问题。
[0004]
然而，当实际推荐场景中缺失部分图数据时，可获得的信息十分有限，一般缺少用户社交关系信息(用户图)或者物品属性关联信息(物品图)。在这种极度缺乏先验信息的推荐场景中，用户图、物品图等辅助信息对于获取用户和物品真实的隐特征至关重要。实际上，现存大部分工作都依赖于初始图结构来提取特征，然而推荐模型均假设来自朋友的社会影响以及来自物品的属性关联是静态的，并且是以恒定权重或固定约束的形式存在的。这种固定图结构通常会使推荐模型具有一定的局限性，特别是当图数据收集整理过程中存在明显失误时。图结构通常非常稀疏且高度不平衡，当高度节点聚合过多邻居的特征信息时，会导致获取的隐特征不具备个性化特征，从而导致推荐效果不理想。简单的特征聚合形式或多次特征聚合操作也会导致较为严重的过平滑问题。此外，由于高阶邻居的隐特征一定程度上也会影响中心节点的偏好，而部分推荐模型仅使用了一些相对较浅的网络架构来搭建推荐模型，这样极易忽略一些有用的高阶信息。


技术实现要素：

[0005]
针对上述技术问题，本发明的目的是提供一种基于图结构重构的深度动态图关注推荐方法，先从影响关系以及偏好关系两个方面重新构建图结构，然后基于重构的影响关系图和偏好关系图设计了两种动态图关注模块，通过建立相似度矩阵、深度特征聚合块、自适应特征融合操作获取图结构中的高阶特征信息。最后，自适应精细特征提取模块的应用使推荐模型捕获到了更精细的隐特征。
[0006]
为了实现上述目的，本发明提供了如下技术方案：
[0007]
本发明的基本思路为：
[0008]
首先，根据初始的用户图、物品图以及用户-物品交互图重新构建动态且平衡的用户影响关系图、物品影响关系图、用户偏好关系图以及物品偏好关系图。其次，将真实评分矩阵作为推荐模型的输入，结合重构的多种图结构建立相应的相似度矩阵，并利用深度特征聚合、自适应特征融合获取重构的图结构中的高阶特征信息。再次，将每个分支获取的两种隐特征进行平均拼接操作，然后经过一个嵌入了跳跃连接的前馈神经网络，由此获得用户和物品丰富的隐特征。最后，通过目标函数优化整个推荐模型。
[0009]
一种基于图结构重构的深度动态图关注推荐方法，包括如下步骤：
[0010]
s1、构建推荐模型；
[0011]
所述推荐模型由用户分支以及物品分支组成，用户分支和物品分支均包括基于影响关系的动态图关注模块，即idga模块，基于偏好关系的动态图关注模块，即pdga模块，以及自适应精细特征提取模块；所述自适应精细特征提取模块由一个嵌入了跳跃连接的前馈神经网络组成，该前馈神经网络包括两层全连接层；
[0012]
s2、将真实评分矩阵x及其转置矩阵x
t
分别作为推荐模型的用户分支以及物品分支的初始输入特征，对其进行线性变换，并通过内积操作得到相似度矩阵；所述真实评分矩阵其中行和列分别表示m位用户和n个物品，真实评分矩阵中的值x
ij
表示第i位用户对第j个物品的偏好程度；
[0013]
s3、首先基于初始用户图以及初始物品图，通过随机丢弃边、丢弃高度节点的边来重构用户影响关系图以及物品影响关系图；其中，所述高度节点即为连接边较多的节点；然后基于初始用户-物品交互图，根据步骤s2获得的用户分支和物品分支中各动态图关注模块的相似度矩阵，通过保留每个节点最相似的q条边来重构用户偏好关系图以及物品偏好关系图；
[0014]
s4、结合步骤s3获得的重构的用户影响关系图、重构的物品影响关系图、重构的用户偏好关系图和重构的物品偏好关系图，重新建立更加合理的相似度矩阵；
[0015]
s5、基于步骤s2获得的线性变换后的特征矩阵以及步骤s4重新建立的相似度矩阵，引入自适应参数和跳跃连接来提取重构图结构中的高阶特征信息，并采用平均拼接操作整合来自不同聚合层的隐特征；然后通过自适应融合的方式融合整合后的隐特征与经过非线性变换后的各分支的初始输入特征，获取丰富且全面的基于影响关系的用户与用户之间、物品与物品之间的高阶隐特征信息以及基于偏好关系的用户与用户之间、物品与物品之间的高阶隐特征信息；
[0016]
s6、分别将步骤s5获取的用户分支的idga模块的高阶隐特征信息与pdga模块的高阶隐特征信息以及物品分支的idga模块的高阶隐特征信息与pdga模块的高阶隐特征信息
进行平均拼接操作，输入到自适应精细特征提取模块，获得用户和物品丰富的隐特征；
[0017]
s7、对步骤s6中得到的用户丰富隐特征以及物品丰富隐特征进行内积操作，得到预测的用户评分矩阵。
[0018]
所述步骤s2具体包括如下步骤：
[0019]
s2.1、将真实评分矩阵x作为用户分支的初始输入特征，将真实评分矩阵x的转置矩阵x
t
作为物品分支的初始输入特征，用户分支的idga模块和pdga模块分别通过公式1和公式2对初始输入特征进行线性变换；物品分支的idga模块和pdga模块分别通过公式3和公式4对初始输入特征进行线性变换；
[0020][0021][0022]
公式1～公式2中，k
rd
,q
rd
,x
rd
表示用户分支的idga模块中初始输入特征进行线性变换后的特征矩阵，k
rk
,q
rk
,x
rk
表示用户分支的pdga模块中初始输入特征进行线性变换后的特征矩阵，和是权重矩阵，和是偏置矩阵；
[0023][0024][0025]
公式3～公式4中，k
cd
,q
cd
,x
cd
表示物品分支的idga模块中初始输入特征进行线性变换后的特征矩阵，k
ck
,q
ck
,x
ck
表示物品分支的pdga模块中初始输入特征进行线性变换后的特征矩阵，和是权重矩阵，和是偏置矩阵；
[0026]
s2.2、基于步骤s2.1线性变换后的特征矩阵，分别计算用户分支和物品分支中各动态图关注模块的相似度矩阵：
[0027][0028]
[0029]
公式5和公式6中，t
rd
表示用户分支中idga模块中基于影响关系的用户与用户之间的相似度矩阵；t
rk
表示用户分支中pdga模块中基于偏好关系的用户与用户之间的相似度矩阵；t
cd
表示物品分支中idga模块中基于影响关系的物品与物品之间的相似度矩阵；t
ck
表示物品分支中pdga模块中基于偏好关系的物品与物品之间的相似度矩阵；分别表示特征矩阵q
rd
、q
rk
、q
cd
、q
ck
的转置矩阵。
[0030]
所述步骤s3具体包括如下步骤：
[0031]
s3.1、通过dropedge策略按照丢弃比例p1随机丢弃初始用户图ar中的边，获得随机丢弃边后的用户影响关系图然后通过公式7计算随机丢弃边后的用户影响关系图结构中每条边的概率密度值pr，并按照丢弃比例p2丢弃概率密度值较小的高度节点的边，获得重构的用户影响关系图其中，丢弃比例p1,p2通过在区间{0,0.1,
…
,0.9}中探索获得；
[0032][0033]
公式7中，是经过随机丢弃边后的用户影响关系图，是的度矩阵；是用户影响关系图的对称归一化表示，表示第i位用户所连接的第j条边的概率密度值；
[0034]
s3.2、通过dropedge策略按照丢弃比例p3随机丢弃初始物品图ac中的边，获得随机丢弃边后的物品影响关系图然后通过公式8计算随机丢弃边后的物品影响关系图结构中每条边的概率密度值pc，按照丢弃比例p4丢弃概率密度值较小的高度节点的边，获得重构的物品影响关系图其中，丢弃比例p3,p4通过在区间{0,0.1,
…
,0.9}中探索获得，随机丢弃边后的物品影响关系图结构中每条边的概率密度值pc通过公式8计算获得：
[0035][0036]
公式8中，是经过随机丢弃边后的物品影响关系图，是的度矩阵；是物品影响关系图的对称归一化表示，表示第i个物品所连接的第j条边的概率密度值。当一条边两端的节点连接的边有很多条时，这条边的概率密度值通常很小。因此，对具有对称性的pc上三角元素中的非零值进行降序排列，并按照丢弃比例p4丢弃具有较小数值的部分边；
[0037]
s3.3、基于初始用户-物品交互图，通过寻找每个节点的二阶邻居生成用户偏好关系图然后将步骤2获得的基于偏好关系的用户与用户之间的相似度矩阵t
rk
与用户偏好关系图进行内积操作，获得由相似度值构成的邻接矩阵，最后根据邻接矩阵中相似度值大小为每个节点保留与其最相似的q条边，获得重构的用户偏好关系图
[0038][0039]
公式9中，
⊙
表示哈达玛积；为用户偏好关系图；t
rk
为步骤2获得的基于偏好关系的用户与用户之间的相似度矩阵；q为节点保留边的数量；
[0040]
s3.4、基于初始用户-物品交互图，通过寻找每个节点的二阶邻居生成物品偏好关系图然后将步骤2获得的基于偏好关系的物品与物品之间的相似度矩阵t
ck
与物品偏好关系图进行内积操作，获得由相似度值构成的邻接矩阵，最后根据邻接矩阵中相似度值大小为每个节点保留与其最相似的q条边，获得重构的物品偏好关系图
[0041][0042]
公式10中，
⊙
表示哈达玛积；为用户偏好关系图；t
ck
为步骤2获得的基于偏好关系的用户与用户之间的相似度矩阵；q为节点保留边的数量。
[0043]
所述步骤s4具体包括如下步骤：
[0044]
s4.1、结合重构的用户影响关系图根据公式11重新计算基于影响关系的用户与用户之间相似度矩阵
[0045][0046]
公式11中，
⊙
表示哈达玛积；d
rd
是重构的用户影响关系图的度矩阵；t
rd
为基于影响关系的用户与用户之间的相似度矩阵；softmax函数按行对后面的矩阵进行操作，softmax函数和均是为了防止数值差异过小而进行的归一化操作；
[0047]
s4.2、结合重构的物品影响关系图根据公式12重新计算基于影响关系的物品与物品之间相似度矩阵
[0048][0049]
公式12中，
⊙
表示哈达玛积，d
cd
是重构的物品影响关系图的度矩阵；t
cd
为基于影响关系的用户与用户之间的相似度矩阵；
[0050]
s4.3、结合重构的用户偏好关系图根据公式13重新计算基于偏好关系的用户与用户之间相似度矩阵
[0051][0052]
公式13中，d
rk
是重构的用户偏好关系图的度矩阵；
[0053]
s4.4、结合重构的物品偏好关系图根据公式14重新计算基于偏好关系的物品与物品之间相似度矩阵
[0054][0055]
公式14中，d
ck
是重构的物品偏好关系图的度矩阵。
[0056]
所述步骤s5具体包括如下步骤：
[0057]
s5.1、基于用户分支的idga模块中线性变换后的特征矩阵x
rd
以及基于影响关系的用户与用户之间相似度矩阵通过公式15获得重构的用户影响关系图中各聚合层的用户隐特征；通过公式16进行平均拼接操作将不同聚合层的用户隐特征进行整合；通过公式17自适应地融合整合后的隐特征与经过非线性变换后的用户分支的初始输入特征，获得基于影响关系的用户与用户之间的高阶隐特征信息
[0058][0059][0060][0061]
公式15～公式17中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
rd
为线性变换后的特征矩阵，f(
·
)是线性变换，a
(l)
∈[0,1](l＝0,1,
…
,l-1)表示用户影响关系图图结构聚合层第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于影响关系的用户与用户之间相似度矩阵；xr'd表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的用户隐特征；ω
rd
∈[0,1]是超参数，w
r1
和b
r1
分别表示权重矩阵和偏置矩阵，σ(
·
)是非线性激活函数relu；x为真实评分矩阵；
[0062]
s5.2、基于物品分支的idga模块中线性变换后的特征矩阵x
cd
以及基于影响关系的物品与物品之间相似度矩阵通过公式18获得重构的物品影响关系图中各聚合层的物品隐特征；通过公式19进行平均拼接操作将不同聚合层的物品隐特征进行整合；通过公式20自适应地融合整合后的隐特征与经过非线性变换后的物品分支的初始输入特征，获得基于影响关系的物品与物品之间的高阶隐特征信息
[0063][0064][0065][0066]
公式18～公式20中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
cd
为线性变换后的特征矩阵，f(
·
)是线性变换，δ
(l)
∈[0,1](l＝0,1,
…
,l-1)表示第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于影响关系的物品与物品之间相似度矩阵；xc'd表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的物品隐特征；ω
cd
∈[0,1]是超参数，w
c1
和b
c1
分别表示权重矩阵和偏置矩阵；σ(
·
)是非线性激活函数relu；x
t
为真实评分矩阵x的转置矩阵；
[0067]
s5.3、基于用户分支的pdga模块中线性变换后的特征矩阵x
rk
以及基于偏好关系的
用户与用户之间相似度矩阵通过公式21获得重构的用户偏好关系图中各聚合层的用户隐特征；通过公式22进行平均拼接操作将不同聚合层的用户隐特征进行整合；通过公式23自适应地融合整合后的隐特征与经过非线性变换后的用户分支的初始输入特征，获得基于偏好关系的用户与用户之间的高阶隐特征信息
[0068][0069][0070][0071]
公式21～公式23中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，xr为线性变换后的特征矩阵，f(
·
)是线性变换，β
(l)
∈[0,1](l＝0,1,
…
,l-1)表示用户偏好关系图图结构聚合层第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于偏好关系的用户与用户之间相似度矩阵；x
′
rk
表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的用户隐特征；ω
rk
∈[0,1]是超参数，w
r2
和b
r2
分别表示权重矩阵和偏置矩阵，σ(
·
)是非线性激活函数relu；x为真实评分矩阵；
[0072]
s5.4、基于物品分支的pdga模块中线性变换后的特征矩阵x
ck
以及基于偏好关系的物品与物品之间相似度矩阵通过公式24获得重构的物品偏好关系图中各聚合层的物品隐特征；通过公式25进行平均拼接操作将不同聚合层的物品隐特征进行整合；通过公式26自适应地融合整合后的隐特征与经过非线性变换后的物品分支的初始输入特征，获得基于偏好关系的物品与物品之间的高阶隐特征信息
[0073][0074][0075][0076]
公式24～公式26中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
ck
为线性变换后的特征矩阵，f(
·
)是线性变换，φ
(l)
∈[0,1](l＝0,1,
…
,l-1)表示第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于偏好关系的物品与物品之间相似度矩阵；xc'k表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的物品隐特征；ω
ck
∈[0,1]是超参数，w
c2
和b
c2
分别表示权重矩阵和偏置矩阵；σ(
·
)是非线性激活函数relu；x
t
为真实评分矩阵x的转置矩阵。
[0077]
所述步骤s6具体包括如下步骤：
[0078]
s6.1、通过公式27将基于影响关系的用户与用户之间的高阶隐特征信息与基
于偏好关系的用户与用户之间的高阶隐特征信息进行平均拼接操作，整合为用户分支高阶隐特征信息xu；通过公式28将基于影响关系的物品与物品之间的高阶隐特征信息与基于偏好关系的物品与物品之间的高阶隐特征信息进行平均拼接操作，整合为物品分支高阶隐特征信息xs；
[0079][0080][0081]
s6.2、分别通过公式29和公式30计算获得用户分支的用户丰富隐特征u和物品分支的物品丰富隐特征s：
[0082][0083][0084]
公式29和公式30中，θu,θs＝[0,1]是可学习的参数；和w
s(i)
表示权重矩阵；和是偏置矩阵；xu为用户分支高阶隐特征信息；xs为物品分支高阶隐特征信息。
[0085]
所述步骤s7中，预测评分矩阵的计算公式为：
[0086]
m＝us
t
ꢀꢀ
公式31
[0087]
整个推荐模型的优化函数为：
[0088][0089]
公式31和公式32中，u是用户丰富隐特征；s
t
是物品丰富隐特征s的转置矩阵；x是真实评分矩阵，是frobenius范数，ω是评分矩阵中可观测值的索引集合，表示逐元素相乘；
[0090]
随着推荐模型不断地进行训练，缺失的评分矩阵逐渐被恢复，最终得到预测的评分矩阵。
[0091]
与现有技术相比，本发明的有益效果在于：
[0092]
本发明从现实出发设计了两种重构图的方式，缓解了初始图结构固定且不平衡的局限性。其次，设计了新颖的动态图关注模块，将图方法与深度学习技术相结合探索了图结构中的高阶特征信息，获得了更加精确的推荐结果。
[0093]
本发明从影响和偏好两个方面考虑了节点之间的复杂关系，并基于重构的图结构设计了两种动态图关注模块。在每种图关注模块中，通过建立相似度矩阵、深度特征聚合块、自适应特征融合等组件来获取图结构中的高阶特征信息。自适应精细特征提取模块丰富了用户和物品的隐特征，从而获得了更精确的推荐结果。
附图说明
[0094]
图1为本发明的推荐模型的整体框架图；
[0095]
图2为本发明实施例的用户影响关系图和物品影响关系图的重构过程示意图；
[0096]
图3为偏好关系图的重构过程；
[0097]
图4为基于影响关系的动态图关注模块；
[0098]
图5为基于偏好关系的动态图关注模块；
[0099]
图6为基于自适应跳跃连接的深度特征提取块；
具体实施方式
[0100]
下面结合附图和实施例对本发明进行进一步说明。
[0101]
一种基于图结构重构的深度动态图关注推荐方法，包括如下步骤：
[0102]
s1、构建推荐模型；
[0103]
如图1所示，所述推荐模型由用户分支以及物品分支组成，用户分支和物品分支均包括基于影响关系的动态图关注模块，即idga模块，基于偏好关系的动态图关注模块，即pdga模块，以及自适应精细特征提取模块；所述自适应精细特征提取模块由一个嵌入了跳跃连接的前馈神经网络组成，该前馈神经网络包括两层全连接层；
[0104]
其中，在每个动态图关注模块中，捕获特征的方式均相同，包括将真实评分矩阵作为推荐模型的初始输入、结合重构的多种图结构建立相应的相似度矩阵、通过深度特征聚合块提取高阶隐特征信息、平均拼接整合不同聚合层的隐特征信息、自适应地融合隐特征信息；各分支的idga模块和pdga模块获得的隐特征经过平均拼接操作后输入到自适应精细特征提取模块，由此获得用户和物品丰富的隐特征。
[0105]
s2、将真实评分矩阵x及其转置矩阵x
t
分别作为推荐模型的用户分支以及物品分支的初始输入特征，对其进行线性变换，并通过内积操作得到相似度矩阵；所述真实评分矩阵其中行和列分别表示m位用户和n个物品，真实评分矩阵中的值x
ij
表示第i位用户对第j个物品的偏好程度；
[0106]
s2.1、将真实评分矩阵x作为用户分支的初始输入特征，将真实评分矩阵x的转置矩阵x
t
作为物品分支的初始输入特征，用户分支的idga模块和pdga模块分别通过公式1和公式2对初始输入特征进行线性变换；物品分支的idga模块和pdga模块分别通过公式3和公式4对初始输入特征进行线性变换；
[0107][0108][0109]
公式1～公式2中，k
rd
,q
rd
,x
rd
表示用户分支的idga模块中初始输入特征进行线性变换后的特征矩阵，k
rk
,q
rk
,x
rk
表示用户分支的pdga模块中初始输入特征进行线性变换后的特征矩阵，和是权重矩阵，和是偏置矩阵。
[0110][0111][0112]
公式3～公式4中，k
cd
,q
cd
,x
cd
表示物品分支的idga模块中初始输入特征进行线性变换后的特征矩阵，k
ck
,q
ck
,x
ck
表示物品分支的pdga模块中初始输入特征进行线性变换后的特征矩阵，和是权重矩阵，和是偏置矩阵。
[0113]
s2.2、基于步骤s2.1线性变换后的特征矩阵，分别计算用户分支和物品分支中各动态图关注模块的相似度矩阵：
[0114][0115][0116]
公式5和公式6中，t
rd
表示用户分支中idga模块中基于影响关系的用户与用户之间的相似度矩阵；t
rk
表示用户分支中pdga模块中基于偏好关系的用户与用户之间的相似度矩阵；t
cd
表示物品分支中idga模块中基于影响关系的物品与物品之间的相似度矩阵；t
ck
表示物品分支中pdga模块中基于偏好关系的物品与物品之间的相似度矩阵；分别表示特征矩阵q
rd
、q
rk
、q
cd
、q
ck
的转置矩阵。
[0117]
图4展示的基于影响关系的动态图关注模块的前半部分展示了用户分支基于用户影响关系图建立相似度矩阵的过程。
[0118]
图5展示的基于偏好关系的动态图关注模块的前半部分展示了用户分支基于用户偏好关系图建立相似度矩阵的过程。
[0119]
s3、首先基于初始用户图以及初始物品图，通过随机丢弃边、丢弃高度节点的边来重构用户影响关系图以及物品影响关系图；其中，所述高度节点即为连接边较多的节点；然后基于初始用户-物品交互图，根据步骤s2获得的用户分支和物品分支中各动态图关注模块的相似度矩阵，通过保留每个节点最相似的q条边来重构用户偏好关系图以及物品偏好关系图；
[0120]
图2展示了本发明实施例重构用户影响关系图和物品影响关系图的整个过程，实施例中包含6位用户以及7个物品。用户与用户之间的复杂关系构成了初始用户图ar，物品与物品之间的复杂关系构成了初始物品图ac，uk(k＝1,2,...,6)是初始用户图ar中的第k位用户，ik(k＝1,2,...,7)是初始物品图ac中的第k个物品，图中虚线代表丢弃边的操作。影响关系图的重构一般需要经过两个步骤：随机丢弃边、丢弃高度节点的边。由于这两种操作始终是基于初始图结构进行的，因此可以改变图结构而不会丢失大部分有用的先验信息。
[0121]
s3.1、通过dropedge策略按照丢弃比例p1随机丢弃初始用户图ar中的边，获得随机丢弃边后的用户影响关系图然后通过公式7计算随机丢弃边后的用户影响关系图结构中每条边的概率密度值pr，并按照丢弃比例p2丢弃概率密度值较小的高度节点的边，获得重构的用户影响关系图其中，丢弃比例p1,p2通过在区间{0,0.1,
…
,0.9}中探索获得；
[0122][0123]
公式7中，是经过随机丢弃边后的用户影响关系图，是的度矩阵；是用户影响关系图的对称归一化表示，表示第i位用户所连接的第j条边的概率密度值。当一条边两端的节点连接的边有很多条时，这条边的概率密度值通常很小。因此，对具有对称性的概率密度值pr上三角元素中的非零值进行降序排列，并按照丢弃比例p2丢弃具有较小数值的部分边。经过此操作后，一些高度节点中概率密度值较小的边会被丢弃，从而达到平衡图结构的目标。
[0124]
s3.2、通过dropedge策略按照丢弃比例p3随机丢弃初始物品图ac中的边，获得随机丢弃边后的物品影响关系图然后通过公式8计算随机丢弃边后的物品影响关系图结构中每条边的概率密度值pc，按照丢弃比例p4丢弃概率密度值较小的高度节点的边，获得重构的物品影响关系图其中，丢弃比例p3,p4通过在区间{0,0.1,
…
,0.9}中探索获得，随机丢弃边后的物品影响关系图结构中每条边的概率密度值pc通过公式8计算获得：
[0125][0126]
公式8中，是经过随机丢弃边后的物品影响关系图，是的度矩阵；是物品影响关系图的对称归一化表示，表示第i个物品所连接的第j条边的概率密度值。当一条边两端的节点连接的边有很多条时，这条边的概率密度值通常很小。因此，对具有对称性的pc上三角元素中的非零值进行降序排列，并按照丢弃比例p4丢弃具有较小数值的部分边。经过此操作后，一些高度节点中概率密度值较低的边会被丢弃，从而达到平衡图结构的目标。
[0127]
s3.3、基于初始用户-物品交互图，通过寻找每个节点的二阶邻居生成用户偏好关系图然后将步骤2获得的基于偏好关系的用户与用户之间的相似度矩阵t
rk
与用户偏好关系图进行内积操作，获得由相似度值构成的邻接矩阵，最后根据邻接矩阵中相似度值大小为每个节点保留与其最相似的q条边，获得重构的用户偏好关系图
[0128][0129]
公式9中，
⊙
表示哈达玛积；为用户偏好关系图；t
rk
为步骤2获得的基于偏好关
系的用户与用户之间的相似度矩阵；q为节点保留边的数量；
[0130]
s3.4、基于初始用户-物品交互图，通过寻找每个节点的二阶邻居生成物品偏好关系图然后将步骤2获得的基于偏好关系的物品与物品之间的相似度矩阵t
ck
与物品偏好关系图进行内积操作，获得由相似度值构成的邻接矩阵，最后根据邻接矩阵中相似度值大小为每个节点保留与其最相似的q条边，获得重构的物品偏好关系图
[0131][0132]
公式10中，
⊙
表示哈达玛积；为用户偏好关系图；t
ck
为步骤2获得的基于偏好关系的用户与用户之间的相似度矩阵；q为节点保留边的数量；
[0133]
如图3所示的实施例中，通过寻找用户-物品交互图中每个节点的二阶邻居来挖掘用户与用户之间、物品与物品之间的偏好关系。其中，表示第3位用户u3经过寻找二阶邻居后重新获得的边连接关系，与基于偏好关系的用户与用户之间的相似度矩阵进行内积操作，根据邻接矩阵中相似度值大小保留与第3位用户u3最相似的q条边，获得重构的用户偏好关系图户偏好关系图表示物品i2经过寻找二阶邻居后重新获得的边连接关系，与基于偏好关系的物品与物品之间的相似度矩阵进行内积操作，根据邻接矩阵中相似度值大小保留与物品i2最相似的q条边，获得重构的物品偏好关系图
[0134]
s4、结合步骤s3获得的重构的用户影响关系图、重构的物品影响关系图、重构的用户偏好关系图和重构的物品偏好关系图，重新建立更加合理的相似度矩阵；
[0135]
s4.1、结合重构的用户影响关系图根据公式11重新计算基于影响关系的用户与用户之间相似度矩阵
[0136][0137]
公式11中，
⊙
表示哈达玛积；d
rd
是重构的用户影响关系图的度矩阵；t
rd
为步骤s2获得的基于影响关系的用户与用户之间的相似度矩阵；softmax函数按行对后面的矩阵进行操作，softmax函数和均是为了防止数值差异过小而进行的归一化操作；
[0138]
s4.2、结合重构的物品影响关系图根据公式12重新计算基于影响关系的物品与物品之间相似度矩阵
[0139][0140]
公式12中，
⊙
表示哈达玛积，d
cd
是重构的物品影响关系图的度矩阵；t
cd
为步骤s2获得的基于影响关系的用户与用户之间的相似度矩阵；
[0141]
s4.3、结合重构的用户偏好关系图根据公式13重新计算基于偏好关系的用户与用户之间相似度矩阵
[0142]
[0143]
公式13中，d
rk
是重构的用户偏好关系图的度矩阵；
[0144]
s4.4、结合重构的物品偏好关系图根据公式14重新计算基于偏好关系的物品与物品之间相似度矩阵
[0145][0146]
公式14中，d
ck
是重构的物品偏好关系图的度矩阵；
[0147]
s5、基于步骤s2获得的线性变换后的特征矩阵x
rd
,x
rk
,x
cd
,x
ck
以及步骤s4重新建立的相似度矩阵引入自适应参数和跳跃连接来提取重构图结构中的高阶特征信息，并采用平均拼接操作整合来自不同聚合层的隐特征；然后通过自适应融合的方式融合整合后的隐特征与经过非线性变换后的各分支的初始输入特征，获取丰富且全面的基于影响关系的用户与用户之间、物品与物品之间的高阶隐特征信息以及基于偏好关系的用户与用户之间、物品与物品之间的高阶隐特征信息。
[0148]
图6展示了基于影响关系的动态图关注模块idga和基于偏好关系的动态图关注模块pdga中深度特征聚合块的结构，特征聚合过程中每一个聚合层的隐特征均来自两个主要部分：邻居信息以及上一聚合层的隐特征。由于随着网络层数的加深整个模型极易出现过平滑问题，因此引入多个自适应跳跃连接来缓解这种过平滑问题。
[0149]
s5.1、基于步骤s2获得的用户分支的idga模块中线性变换后的特征矩阵x
rd
以及步骤s4.1获得的基于影响关系的用户与用户之间相似度矩阵通过公式15获得重构的用户影响关系图中各聚合层的用户隐特征；通过公式16进行平均拼接操作将不同聚合层的用户隐特征进行整合；通过公式17自适应地融合整合后的隐特征与经过非线性变换后的用户分支的初始输入特征，获得基于影响关系的用户与用户之间的高阶隐特征信息
[0150][0151][0152][0153]
公式15～公式17中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
rd
为步骤s2获得的线性变换后的特征矩阵，f(
·
)是线性变换，a
(l
)∈[0,1](l＝0,1,
…
,l-1)表示用户影响关系图图结构聚合层第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于影响关系的用户与用户之间相似度矩阵；xr'd表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的用户隐特征；ω
rd
∈[0,1]是超参数，w
r1
和b
r1
分别表示权重矩阵和偏置矩阵，σ(
·
)是非线性激活函数relu；x为真实评分矩阵；
[0154]
s5.2、基于步骤s2获得的物品分支的idga模块中线性变换后的特征矩阵x
cd
以及步骤s4.2获得的基于影响关系的物品与物品之间相似度矩阵通过公式18获得重构的物品影响关系图中各聚合层的物品隐特征；通过公式19进行平均拼接操作将不同聚合层的物
品隐特征进行整合；通过公式20自适应地融合整合后的隐特征与经过非线性变换后的物品分支的初始输入特征，获得基于影响关系的物品与物品之间的高阶隐特征信息
[0155][0156][0157][0158]
公式18～公式20中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
cd
为步骤s2获得的线性变换后的特征矩阵，f(
·
)是线性变换，δ
(l)
∈[0,1](l＝0,1,
…
,l-1)表示第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于影响关系的物品与物品之间相似度矩阵；xc'd表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的物品隐特征；ω
cd
∈[0,1]是超参数，w
c1
和b
c1
分别表示权重矩阵和偏置矩阵；σ(
·
)是非线性激活函数relu；x
t
为真实评分矩阵x的转置矩阵；
[0159]
s5.3、基于步骤s2获得的用户分支的pdga模块中线性变换后的特征矩阵x
rk
以及步骤s4.3获得的基于偏好关系的用户与用户之间相似度矩阵通过公式21获得重构的用户偏好关系图中各聚合层的用户隐特征；通过公式22进行平均拼接操作将不同聚合层的用户隐特征进行整合；通过公式23自适应地融合整合后的隐特征与经过非线性变换后的用户分支的初始输入特征，获得基于偏好关系的用户与用户之间的高阶隐特征信息
[0160][0161][0162][0163]
公式21～公式23中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，xr为步骤s2获得的线性变换后的特征矩阵，f(
·
)是线性变换，β
(l)
∈[0,1](l＝0,1,
…
,l-1)表示用户偏好关系图图结构聚合层第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于偏好关系的用户与用户之间相似度矩阵；xr'k表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的用户隐特征；ω
rk
∈[0,1]是超参数，w
r2
和b
r2
分别表示权重矩阵和偏置矩阵，σ(
·
)是非线性激活函数relu；x为真实评分矩阵；
[0164]
s5.4、基于步骤s2获得的物品分支的pdga模块中线性变换后的特征矩阵x
ck
以及步骤s4.4获得的基于偏好关系的物品与物品之间相似度矩阵通过公式24获得重构的物品偏好关系图中各聚合层的物品隐特征；通过公式25进行平均拼接操作将不同聚合层的物品隐特征进行整合；通过公式26自适应地融合整合后的隐特征与经过非线性变换后的物品
分支的初始输入特征，获得基于偏好关系的物品与物品之间的高阶隐特征信息
[0165][0166][0167][0168]
公式24～公式26中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
ck
为步骤s2获得的线性变换后的特征矩阵，f(
·
)是线性变换，φ
(l)
∈[0,1](l＝0,1,
…
,l-1)表示第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于偏好关系的物品与物品之间相似度矩阵；xc'k表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的物品隐特征；ω
ck
∈[0,1]是超参数，w
c2
和b
c2
分别表示权重矩阵和偏置矩阵；σ(
·
)是非线性激活函数relu；x
t
为真实评分矩阵x的转置矩阵；
[0169]
s6、分别将步骤s5获取的用户分支的idga模块的高阶隐特征信息与pdga模块的高阶隐特征信息以及物品分支的idga模块的高阶隐特征信息与pdga模块的高阶隐特征信息进行平均拼接操作，输入到自适应精细特征提取模块，获得用户和物品丰富的隐特征；
[0170]
s6.1、通过公式27将步骤s5.1获取的基于影响关系的用户与用户之间的高阶隐特征信息与步骤s5.3获取的基于偏好关系的用户与用户之间的高阶隐特征信息进行平均拼接操作，整合为用户分支高阶隐特征信息xu；通过公式28将步骤s5.2获取的基于影响关系的物品与物品之间的高阶隐特征信息与步骤s5.4获取的基于偏好关系的物品与物品之间的高阶隐特征信息进行平均拼接操作，整合为物品分支高阶隐特征信息xs；
[0171][0172][0173]
s6.2、分别通过公式29和公式30计算获得用户分支的用户丰富隐特征u和物品分支的物品丰富隐特征s：
[0174][0175][0176]
公式29和公式30中，θu,θs＝[0,1]是可学习的参数；和w
s(i)
表示权重矩阵；和是偏置矩阵；xu为用户分支高阶隐特征信息；xs为物品分支高阶隐特征信息；
[0177]
s7、对步骤s6中得到的用户丰富隐特征u以及物品丰富隐特征s进行内积操作，得到预测的用户评分矩阵m；预测评分矩阵的计算公式为：
[0178]
m＝us
t
ꢀꢀ
公式31
[0179]
整个推荐模型的优化函数为：
[0180][0181]
公式31和公式32中，u是用户丰富隐特征；s
t
是物品丰富隐特征s的转置矩阵；x是真实评分矩阵，是frobenius范数，ω是评分矩阵中可观测值的索引集合，表示逐元素相乘；
[0182]
随着推荐模型不断地进行训练，缺失的评分矩阵逐渐被恢复，最终得到预测的评分矩阵。

技术特征：
1.一种基于图结构重构的深度动态图关注推荐方法，其特征在于，所述方法包括如下步骤：s1、构建推荐模型；所述推荐模型由用户分支以及物品分支组成，用户分支和物品分支均包括基于影响关系的动态图关注模块，即idga模块，基于偏好关系的动态图关注模块，即pdga模块，以及自适应精细特征提取模块；所述自适应精细特征提取模块由一个嵌入了跳跃连接的前馈神经网络组成，该前馈神经网络包括两层全连接层；s2、将真实评分矩阵x及其转置矩阵x
t
分别作为推荐模型的用户分支以及物品分支的初始输入特征，对其进行线性变换，并通过内积操作得到相似度矩阵；所述真实评分矩阵其中行和列分别表示m位用户和n个物品，真实评分矩阵中的值x
ij
表示第i位用户对第j个物品的偏好程度；s3、首先基于初始用户图以及初始物品图，通过随机丢弃边、丢弃高度节点的边来重构用户影响关系图以及物品影响关系图；其中，所述高度节点即为连接边较多的节点；然后基于初始用户-物品交互图，根据步骤s2获得的用户分支和物品分支中各动态图关注模块的相似度矩阵，通过保留每个节点最相似的q条边来重构用户偏好关系图以及物品偏好关系图；s4、结合步骤s3获得的重构的用户影响关系图、重构的物品影响关系图、重构的用户偏好关系图和重构的物品偏好关系图，重新建立更加合理的相似度矩阵；s5、基于步骤s2获得的线性变换后的特征矩阵以及步骤s4重新建立的相似度矩阵，引入自适应参数和跳跃连接来提取重构图结构中的高阶特征信息，并采用平均拼接操作整合来自不同聚合层的隐特征；然后通过自适应融合的方式融合整合后的隐特征与经过非线性变换后的各分支的初始输入特征，获取丰富且全面的基于影响关系的用户与用户之间、物品与物品之间的高阶隐特征信息以及基于偏好关系的用户与用户之间、物品与物品之间的高阶隐特征信息；s6、分别将步骤s5获取的用户分支的idga模块的高阶隐特征信息与pdga模块的高阶隐特征信息以及物品分支的idga模块的高阶隐特征信息与pdga模块的高阶隐特征信息进行平均拼接操作，输入到自适应精细特征提取模块，获得用户丰富隐特征和物品丰富隐特征；s7、对步骤s6中得到的用户丰富隐特征以及物品丰富隐特征进行内积操作，得到预测的用户评分矩阵。2.根据权利要求1所述的基于图结构重构的深度动态图关注推荐方法，其特征在于，所述步骤s2具体包括如下步骤：s2.1、将真实评分矩阵x作为用户分支的初始输入特征，将真实评分矩阵x的转置矩阵x
t
作为物品分支的初始输入特征，用户分支的idga模块和pdga模块分别通过公式1和公式2对初始输入特征进行线性变换；物品分支的idga模块和pdga模块分别通过公式3和公式4对初始输入特征进行线性变换；
公式1～公式2中，k
rd
,q
rd
,x
rd
表示用户分支的idga模块中初始输入特征进行线性变换后的特征矩阵，k
rk
,q
rk
,x
rk
表示用户分支的pdga模块中初始输入特征进行线性变换后的特征矩阵，和是权重矩阵，和是偏置矩阵；是偏置矩阵；公式3～公式4中，k
cd
,q
cd
,x
cd
表示物品分支的idga模块中初始输入特征进行线性变换后的特征矩阵，k
ck
,q
ck
,x
ck
表示物品分支的pdga模块中初始输入特征进行线性变换后的特征矩阵，和是权重矩阵，和是偏置矩阵；s2.2、基于步骤s2.1线性变换后的特征矩阵，分别计算用户分支和物品分支中各动态图关注模块的相似度矩阵：图关注模块的相似度矩阵：公式5和公式6中，t
rd
表示用户分支中idga模块中基于影响关系的用户与用户之间的相似度矩阵；t
rk
表示用户分支中pdga模块中基于偏好关系的用户与用户之间的相似度矩阵；t
cd
表示物品分支中idga模块中基于影响关系的物品与物品之间的相似度矩阵；t
ck
表示物品分支中pdga模块中基于偏好关系的物品与物品之间的相似度矩阵；分别表示特征矩阵q
rd
、q
rk
、q
cd
、q
ck
的转置矩阵。3.根据权利要求1所述的基于图结构重构的深度动态图关注推荐方法，其特征在于，所述步骤s3具体包括如下步骤：s3.1、通过dropedge策略按照丢弃比例p1随机丢弃初始用户图a
r
中的边，获得随机丢弃边后的用户影响关系图然后通过公式7计算随机丢弃边后的用户影响关系图结构中每条边的概率密度值p
r
，并按照丢弃比例p2丢弃概率密度值较小的高度节点的边，获得重构的用户影响关系图其中，丢弃比例p1,p2通过在区间{0,0.1,
…
,0.9}中探索获得；
公式7中，是经过随机丢弃边后的用户影响关系图，是的度矩阵；是用户影响关系图的对称归一化表示，表示第i位用户所连接的第j条边的概率密度值；s3.2、通过dropedge策略按照丢弃比例p3随机丢弃初始物品图a
c
中的边，获得随机丢弃边后的物品影响关系图然后通过公式8计算随机丢弃边后的物品影响关系图结构中每条边的概率密度值p
c
，按照丢弃比例p4丢弃概率密度值较小的高度节点的边，获得重构的物品影响关系图其中，丢弃比例p3,p4通过在区间{0,0.1,
…
,0.9}中探索获得，随机丢弃边后的物品影响关系图结构中每条边的概率密度值p
c
通过公式8计算获得：公式8中，是经过随机丢弃边后的物品影响关系图，是的度矩阵；是物品影响关系图的对称归一化表示，表示第i个物品所连接的第j条边的概率密度值；s3.3、基于初始用户-物品交互图，通过寻找每个节点的二阶邻居生成用户偏好关系图然后将步骤2获得的基于偏好关系的用户与用户之间的相似度矩阵t
rk
与用户偏好关系图进行内积操作，获得由相似度值构成的邻接矩阵，最后根据邻接矩阵中相似度值大小为每个节点保留与其最相似的q条边，获得重构的用户偏好关系图为每个节点保留与其最相似的q条边，获得重构的用户偏好关系图公式9中，
⊙
表示哈达玛积；为用户偏好关系图；t
rk
为步骤2获得的基于偏好关系的用户与用户之间的相似度矩阵；q为节点保留边的数量；s3.4、基于初始用户-物品交互图，通过寻找每个节点的二阶邻居生成物品偏好关系图然后将步骤2获得的基于偏好关系的物品与物品之间的相似度矩阵t
ck
与物品偏好关系图进行内积操作，获得由相似度值构成的邻接矩阵，最后根据邻接矩阵中相似度值大小为每个节点保留与其最相似的q条边，获得重构的物品偏好关系图为每个节点保留与其最相似的q条边，获得重构的物品偏好关系图公式10中，
⊙
表示哈达玛积；为用户偏好关系图；t
ck
为步骤2获得的基于偏好关系的用户与用户之间的相似度矩阵；q为节点保留边的数量。4.根据权利要求1所述的基于图结构重构的深度动态图关注推荐方法，其特征在于，所
述步骤s4具体包括如下步骤：s4.1、结合重构的用户影响关系图根据公式11重新计算基于影响关系的用户与用户之间相似度矩阵户之间相似度矩阵公式11中，
⊙
表示哈达玛积；d
rd
是重构的用户影响关系图的度矩阵；t
rd
为基于影响关系的用户与用户之间的相似度矩阵；softmax函数按行对后面的矩阵进行操作，softmax函数和均是为了防止数值差异过小而进行的归一化操作；s4.2、结合重构的物品影响关系图根据公式12重新计算基于影响关系的物品与物品之间相似度矩阵物品之间相似度矩阵公式12中，
⊙
表示哈达玛积，d
cd
是重构的物品影响关系图的度矩阵；t
cd
为基于影响关系的用户与用户之间的相似度矩阵；s4.3、结合重构的用户偏好关系图根据公式13重新计算基于偏好关系的用户与用户之间相似度矩阵用户之间相似度矩阵公式13中，d
rk
是重构的用户偏好关系图的度矩阵；s4.4、结合重构的物品偏好关系图根据公式14重新计算基于偏好关系的物品与物品之间相似度矩阵物品之间相似度矩阵公式14中，d
ck
是重构的物品偏好关系图的度矩阵。5.根据权利要求1所述的基于图结构重构的深度动态图关注推荐方法，其特征在于，所述步骤s5具体包括如下步骤：s5.1、基于用户分支的idga模块中线性变换后的特征矩阵x
rd
以及基于影响关系的用户与用户之间相似度矩阵通过公式15获得重构的用户影响关系图中各聚合层的用户隐特征；通过公式16进行平均拼接操作将不同聚合层的用户隐特征进行整合；通过公式17自适应地融合整合后的隐特征与经过非线性变换后的用户分支的初始输入特征，获得基于影响关系的用户与用户之间的高阶隐特征信息响关系的用户与用户之间的高阶隐特征信息响关系的用户与用户之间的高阶隐特征信息响关系的用户与用户之间的高阶隐特征信息
公式15～公式17中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
rd
为线性变换后的特征矩阵，f(
·
)是线性变换，a
(l)
∈[0,1](l＝0,1,
…
,l-1)表示用户影响关系图图结构聚合层第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于影响关系的用户与用户之间相似度矩阵；x
r
'
d
表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的用户隐特征；ω
rd
∈[0,1]是超参数，w
r1
和b
r1
分别表示权重矩阵和偏置矩阵，σ(
·
)是非线性激活函数relu；x为真实评分矩阵；s5.2、基于物品分支的idga模块中线性变换后的特征矩阵x
cd
以及基于影响关系的物品与物品之间相似度矩阵通过公式18获得重构的物品影响关系图中各聚合层的物品隐特征；通过公式19进行平均拼接操作将不同聚合层的物品隐特征进行整合；通过公式20自适应地融合整合后的隐特征与经过非线性变换后的物品分支的初始输入特征，获得基于影响关系的物品与物品之间的高阶隐特征信息响关系的物品与物品之间的高阶隐特征信息响关系的物品与物品之间的高阶隐特征信息响关系的物品与物品之间的高阶隐特征信息公式18～公式20中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
cd
为线性变换后的特征矩阵，f(
·
)是线性变换，δ
(l)
∈[0,1](l＝0,1,
…
,l-1)表示第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于影响关系的物品与物品之间相似度矩阵；x
′
cd
表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的物品隐特征；ω
cd
∈[0,1]是超参数，w
c1
和b
c1
分别表示权重矩阵和偏置矩阵；σ(
·
)是非线性激活函数relu；x
t
为真实评分矩阵x的转置矩阵；s5.3、基于用户分支的pdga模块中线性变换后的特征矩阵x
rk
以及基于偏好关系的用户与用户之间相似度矩阵通过公式21获得重构的用户偏好关系图中各聚合层的用户隐特征；通过公式22进行平均拼接操作将不同聚合层的用户隐特征进行整合；通过公式23自适应地融合整合后的隐特征与经过非线性变换后的用户分支的初始输入特征，获得基于偏好关系的用户与用户之间的高阶隐特征信息好关系的用户与用户之间的高阶隐特征信息好关系的用户与用户之间的高阶隐特征信息好关系的用户与用户之间的高阶隐特征信息公式21～公式23中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
r
为线性变换后的特征矩阵，f(
·
)是线性变换，β
(l)
∈[0,1](l＝0,1,
…
,l-1)表
示用户偏好关系图图结构聚合层第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于偏好关系的用户与用户之间相似度矩阵；x
′
rk
表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的用户隐特征；ω
rk
∈[0,1]是超参数，w
r2
和b
r2
分别表示权重矩阵和偏置矩阵，σ(
·
)是非线性激活函数relu；x为真实评分矩阵；s5.4、基于物品分支的pdga模块中线性变换后的特征矩阵x
ck
以及基于偏好关系的物品与物品之间相似度矩阵通过公式24获得重构的物品偏好关系图中各聚合层的物品隐特征；通过公式25进行平均拼接操作将不同聚合层的物品隐特征进行整合；通过公式26自适应地融合整合后的隐特征与经过非线性变换后的物品分支的初始输入特征，获得基于偏好关系的物品与物品之间的高阶隐特征信息好关系的物品与物品之间的高阶隐特征信息好关系的物品与物品之间的高阶隐特征信息好关系的物品与物品之间的高阶隐特征信息公式24～公式26中，表示第l层聚合的隐特征，表示第l+1层聚合的隐特征，x
ck
为线性变换后的特征矩阵，f(
·
)是线性变换，φ
(l)
∈[0,1](l＝0,1,
…
,l-1)表示第l层的自适应参数，用于平衡来自邻居和前一层的特征信息；l为设定的聚合层层数；为基于偏好关系的物品与物品之间相似度矩阵；x
′
ck
表示通过平均拼接不同聚合层的隐特征后获得的丰富而全面的物品隐特征；ω
ck
∈[0,1]是超参数，w
c2
和b
c2
分别表示权重矩阵和偏置矩阵；σ(
·
)是非线性激活函数relu；x
t
为真实评分矩阵x的转置矩阵。6.根据权利要求1所述的基于图结构重构的深度动态图关注推荐方法，其特征在于，所述步骤s6具体包括如下步骤：s6.1、通过公式27将基于影响关系的用户与用户之间的高阶隐特征信息与基于偏好关系的用户与用户之间的高阶隐特征信息进行平均拼接操作，整合为用户分支高阶隐特征信息x
u
；通过公式28将基于影响关系的物品与物品之间的高阶隐特征信息与基于偏好关系的物品与物品之间的高阶隐特征信息进行平均拼接操作，整合为物品分支高阶隐特征信息x
s
；；s6.2、分别通过公式29和公式30计算获得用户分支的用户丰富隐特征u和物品分支的物品丰富隐特征s：
公式29和公式30中，θ
u
,θ
s
＝[0,1]是可学习的参数；和w
s(i)
表示权重矩阵；和是偏置矩阵；x
u
为用户分支高阶隐特征信息；x
s
为物品分支高阶隐特征信息。7.根据权利要求1所述的基于图结构重构的深度动态图关注推荐方法，其特征在于，所述步骤s7中，预测评分矩阵的计算公式为：m＝us
t
ꢀꢀꢀꢀꢀꢀꢀ
公式31整个推荐模型的优化函数为：公式31和公式32中，u是用户丰富隐特征；s
t
是物品丰富隐特征s的转置矩阵；x是真实评分矩阵，是frobenius范数，ω是评分矩阵中可观测值的索引集合，表示逐元素相乘；随着推荐模型不断地进行训练，缺失的评分矩阵逐渐被恢复，最终得到预测的评分矩阵。

技术总结
本发明涉及一种基于图结构重构的深度动态图关注推荐方法。根据初始的用户图、物品图以及用户-物品交互图重新构建动态且平衡的用户影响关系图、物品影响关系图、用户偏好关系图以及物品偏好关系图；将真实评分矩阵作为推荐模型的输入，结合重构的多种图结构建立相应的相似度矩阵，并利用深度特征聚合、自适应特征融合获取重构的图结构中的高阶特征信息；将每个分支获取的两种隐特征进行平均拼接操作，然后经过一个嵌入了跳跃连接的前馈神经网络，由此获得用户和物品丰富的隐特征；通过目标函数优化整个推荐模型。本发明能够有效缓解初始图结构固定且不平衡的局限性，而且能够探索到图结构中的高阶隐特征，生成更加精确的推荐。生成更加精确的推荐。生成更加精确的推荐。


技术研发人员：曹飞龙 宋执环 文成林 张清华
受保护的技术使用者：广东石油化工学院
技术研发日：2023.06.05
技术公布日：2023/8/21