1.一种基于高阶交互的双塔图卷积神经网络推荐方法,其特征在于:包括如下步骤:根据用户和项目的交互关系,构建推荐基础图,并将推荐基础图输入双塔图卷积神经网络推荐模型,包括如下步骤:根据用户和项目之间关联关系的不同描述,选择不同模式的元路径;
根据元路径,在数据源中形成不同模式的子图;
将所有子图进行合并,得到推荐基础图;
所述的推荐基础图包括若干节点和若干边;
所述的节点包括用户节点和项目节点;
将推荐基础图输入双塔图卷积神经网络推荐模型;
所述的双塔图卷积神经网络推荐模型包括依次连接的双塔子模型和图神经网络;
所述的双塔子模型包括并联的用户塔和项目塔;
使用双塔图卷积神经网络推荐模型,对推荐基础图中的不同节点进行初始化,得到对应的节点向量和节点属性向量;
所述的节点向量包括用户节点嵌入表达向量和项目节点嵌入表达向量;
所述的节点属性向量包括用户节点嵌入表达向量对应的用户节点属性向量和项目节点嵌入表达向量对应的项目节点属性向量;
基于双塔图卷积神经网络推荐模型的交互学习机制,根据用户节点与项目节点的交互表达、节点向量以及节点属性向量,得到用户嵌入向量和项目嵌入向量,包括如下步骤:基于双塔图卷积神经网络推荐模型中双塔子模型的交互学习机制,进行用户节点与项目节点的交互表达,得到用户特征向量和项目特征向量;
将项目特征向量、用户节点嵌入表达向量以及用户节点属性向量进行连接操作,得到双塔子模型的用户塔输入向量;
将用户特征向量、项目节点嵌入表达向量以及项目节点属性向量进行连接操作,得到双塔子模型的项目塔输入向量;
将用户塔输入向量输入至双塔子模型的用户塔,将项目塔输入向量输入至双塔子模型的项目塔,得到对应的用户嵌入向量和项目嵌入向量;
基于双塔图卷积神经网络推荐模型的高阶学习机制,对用户嵌入向量和项目嵌入向量进行传播和汇聚,得到最终用户嵌入向量和最终项目嵌入向量,包括如下步骤:将若干用户节点的用户嵌入向量和若干项目节点的项目嵌入向量进行组合,得到可训练矩阵;
根据可训练矩阵,对用户嵌入向量和项目嵌入向量进行一阶传播与汇聚,得到一阶传播与汇聚后用户嵌入向量和一阶传播与汇聚后项目嵌入向量;
基于双塔图卷积神经网络推荐模型中图神经网络的高阶学习机制,根据可训练矩阵,对用户嵌入向量和项目嵌入向量进行高阶传播与汇聚,得到高阶传播与汇聚后用户嵌入向量和高阶传播与汇聚后项目嵌入向量;
对一阶传播与汇聚后用户嵌入向量、一阶传播与汇聚后项目嵌入向量、高阶传播与汇聚后用户嵌入向量以及高阶传播与汇聚后项目嵌入向量进行连接操作,得到最终用户嵌入向量和最终项目嵌入向量;
对最终用户嵌入向量和最终项目嵌入向量进行内积计算,得到预测值,所述的预测值为推荐结果。
2.根据权利要求1所述的一种基于高阶交互的双塔图卷积神经网络推荐方法,其特征在于:根据可训练矩阵,对用户嵌入向量和项目嵌入向量进行一阶传播与汇聚,得到一阶传播与汇聚后用户嵌入向量和一阶传播与汇聚后项目嵌入向量,包括如下步骤:根据用户嵌入向量和项目嵌入向量,获取项目到用户的传播信息;
对项目到用户的传播信息进行汇总,得到一阶传播与汇聚后用户嵌入向量;
根据用户嵌入向量和项目嵌入向量,获取用户到项目的传播信息,对用户到项目的传播信息进行汇总,得到一阶传播与汇聚后项目嵌入向量。
3.根据权利要求1所述的一种基于高阶交互的双塔图卷积神经网络推荐方法,其特征在于:基于图神经网络的高阶学习机制,根据可训练矩阵,对用户嵌入向量和项目嵌入向量进行高阶传播与汇聚,得到高阶传播与汇聚后用户嵌入向量和高阶传播与汇聚后项目嵌入向量,包括如下步骤:基于图神经网络的高阶学习机制,定义高阶传播与汇聚函数;
根据可训练矩阵和高阶传播与汇聚函数,获取高阶传播与汇聚后用户嵌入向量和高阶传播与汇聚后项目嵌入向量。
4.根据权利要求1所述的一种基于高阶交互的双塔图卷积神经网络推荐方法,其特征在于:还包括:基于BPR排序损失,对双塔图卷积神经网络推荐模型进行优化。