技术摘要：
本发明涉及一种基于Mask机制和层次注意力机制的推荐方法，包括：获取节点数据集U和项目数据集I；将U和I输入上下文描述层得到序列Su和Si，经过处理得到节点向量和项目向量和融合后得到第i个节点u在I中的嵌入向量将所有节点的嵌入向量组成向量集Z；计算与第i个节点u关系  全部
背景技术：
随着人们日常生活节奏的加快，以实用的方式快速获取有用的信息可以节省大量 的时间，推荐系统在信息过滤中起着至关重要的作用。数据稀疏性、冷启动和推理问题一直 是影响推荐质量的三大问题，协同过滤推是主流的传统推荐算法，但是由于数据的稀疏性， 严重影响了推荐质量。基于神经网络的协同过滤推荐方法(如CNN，RNN等)缓解了数据稀疏 性的问题。此外，基于社交网络的方法可以有效的为新用户，新物品和新商店提供推荐，在 冷启动问题上有很大的改善。 在社交网络中，大多数用户之间存在着显性或隐性的关系，这些关系影响着彼此 的行为，社交媒体的广泛存在极大地丰富了网络用户的社交活动，产生了丰富的社会关系， 融合这些社会关系提高了推荐系统的质量。近年来，研究者们提出了大量基于社交网络的 推荐系统，一些社交推荐系统将社交关系同质化。然而，由于用户在两个领域的行为和交互 方式不同，它可能会限制用户在各个领域的表示学习。在一些研究中学习了在两个域中分 离的用户表示，然后将信息从社交域转移到项目域以提供推荐。这些研究考虑了两个领域 的异构性，但由于两个领域固有的数据稀疏性问题，对表示形式的学习具有挑战性。更多的 推荐系统考虑了在线社交网络中的连接本质上是异构的问题，将社交网络分为用户域和项 目域两个部分，但是对于两个领域的特征学习并不丰富。 基于深度学习的最新进展，特别是图卷积网络(GCN)的发展，能够很容易的聚合社 交网络中的特征信息，基于图卷积神经网络的推荐系统在推荐质量上超过了以前的推荐算 法。然而图卷积为同阶邻节点分配相同的权重，且聚合特征时依赖于整个图，局限了图的灵 活性和泛化能力。在此基础上，提出了图注意力网络，图注意力网络用注意力机制对邻近节 点特征加权求和，邻居节点的特征权重与节点本身相关，各不相同。然而不论是图卷积神经 网络还是图注意力网络，社交网络中的节点都在同一个域中进行聚合，在网络规模较大时， 训练时间都较长。
技术实现要素：
本发明为了解决现有技术的不足，提出了一种基于Mask机制和层次注意力机制的 推荐方法，结合社交网络信息和用户的行为信息，不仅提高了推荐准确度，还提高了网络的 灵活性，解决用户冷启动和冷启动问题，并且模型也更为简单，进行推荐时所耗时间也更 少。 本发明为解决技术问题采用如下技术方案： 一种基于Mask机制和层次注意力机制的推荐方法，包括以下步骤： 步骤S1.将社交网络划分为社交域和项目域，获取社交域中的节点信息作为节点 5 CN 111582443 A 说　明　书 2/14 页 数据集U；获取项目域中的项目信息作为项目数据集I； 步骤S2.构建Context-NE网络，将所述节点数据集U和所述项目数据集I分别输入 上下文描述层将信息数据转换为向量并构成序列Su和序列Si，然后经过卷积层和池化层处 理得到节点向量 和项目向量 步骤S3.将所述节点向量 和所述项目向量 融合后得到第i个节点u在项目数 据集I中的嵌入向量 将所有节点的嵌入向量组合成向量集Z； 步骤S4.将所述向量集合Z输入图卷积网络，计算与第i个节点u关系密切的L阶邻 居节点v的k头注意力系数 然后根据邻居节点v的嵌入向量 计算节点u的k头注意力 步骤S5.将所述 通过聚合注意力层进行聚合，输出第i个节点u的聚合注意力向 量 步骤S6.将第i个节点u的嵌入向量 与聚合注意力向量 进行拼接并线性化，得 到第i个节点u的推荐向量 将所有节点的推荐向量组合成推荐向量集Z'； 步骤S7.根据所述嵌入向量集Z和/或所述推荐向量集Z'获得目标节点的项目推荐 列表。 进一步的，在训练所述Context-NE网络和图卷积网络时引入Mask机制，具体包括 如下内容： 根据网络大小随机mask网络中不同比例的节点和\或项目，对被mask节点和\或项 目采取以下三种方式中的一种进行处理： 随机采样与被mask节点和\或项目关系密切的邻居节点和\或项目的特征作为被 mask节点和\或项目的特征； 随机采样非邻居节点和\或项目的特征表示被mask节点和\或项目的特征； 对被mask节点和\或项目的特征不做处理。 进一步的，将新加入网络的节点和/或项目作为被mask节点和/或项目。 进一步的，步骤S2所述经过卷积层和池化层处理得到节点向量 和项目向量 的具体步骤如下： 步骤S21.将所述序列Su和所述序列Si输入拥有M个卷积核的卷积网络进行局部特 征提取，分别得到向量 和向量 其表达式分别为： 其中，Km表示第m个卷积核，bm表示偏置参数； 步骤S22.将所述向量 和所述向量 经过池化层处理后，得到节点向量 和项 6 CN 111582443 A 说　明　书 3/14 页 目向量 其中，i表示节点数据集U中第i个节点，ij表示项目数据集I中与第i个节点相关 的项目j。 进一步的，所述步骤S3.将所述节点向量 和所述项目向量 融合后得到第i个 节点在项目数据集I中的嵌入向量 的具体方法为： 其中， 表示节点数据集U中第i个节点的节点向量， 表示项目数据集I中与第i 个节点相关的项目j的项目向量，Wij为权重参数，bij为偏置参数； rij表示第i个节点对项目j的偏好程度，其表达式为： 其中，checkj表示第i个节点与项目j的交互次数，checki表示第i个节点与所有项 目的总交互次数。 进一步的，步骤S4中所述计算与第i个节点u关系密切的L阶邻居节点v的第k头注 意力系数 的具体方法为： 其中，N(u)表示与第i个节点u关系密切的所有邻居节点的集合； 表示与第i个 节点u关系密切的L阶邻居节点v对节点u的影响程度，其表达式为： 其中，γ表示输入梯度为0.2的LeakyReLu非线性函数；β是神经网络层的权重参 数；bk为k头注意力的偏置参数；Wk为节点u与邻居节点v共有的权重参数。 进一步的，步骤S4中所述根据邻居节点v的嵌入向量 计算节点u的k头注意力输 出 的具体方法为： 其中，W是权重参数。 进一步的，步骤S5中所述将所述 通过聚合注意力层进行聚合，输出第i个节点u 的聚合注意力向量 的具体方法为： 其中，Wh是聚合注意力层的权重参数； αh表示聚合注意力层的注意力系数，其表达式为： 7 CN 111582443 A 说　明　书 4/14 页 其中， 表示第i个节点u在进行聚合时第k头注意力输出 对节点u的影响程度， 其表达式为： 其中，bh为聚合注意力层的偏置参数； 进一步的，步骤S6中所述将第i个节点u的嵌入向量 与聚合注意力向量 进行拼 接并线性化，得到第i个节点u的推荐向量 的具体方法为： 其中，W是权重参数，b为偏置参数。 进一步的，当与第i个节点u关系密切的邻居节点数量过多时，采用以下方式处理 邻居节点集合N(u)： 若邻居节点的总数大于预设值T，则计算第i个节点u与所有邻居节点的相似性，根 据所述相似性对所有邻居节点进行排序，选择相似度排序前T的邻居节点组成节点u的邻居 节点集合N(u)；否则将所有邻居节点组成集合N(u)。 本发明与现有的技术相比，其有益的特点是： 1、将社交网络分为了社交域和项目域，考虑了社交网络的异构性，用学习到的节 点嵌入做推荐能更接近节点的偏好。 2、利用Context-NE网络和图卷积网络充分融合了社交域和项目域的特征信息，能 够充分提取两者交叉域中的节点特征，解决了由于异构网络中节点和项目的交互行为不 同，得到的节点和项目的表达不丰富的问题。 3、利用层次注意力机制聚合了与节点关系密切的邻居节点的特征信息，可以为节 点推荐更接近节点偏好的项目。 4、在网络训练中加入Mask机制，可以增加网络的泛化能力；可将新加入网络的节 点和\或项目作为Mask节点，缓解冷启动问题，并提高网络的灵活性。 附图说明 图1是一个实施例中一种基于Mask机制和层次注意力机制的推荐方法的流程图； 图2是一个实施例中社交域和项目域的结构示意图； 图3是一个实施例在Cora数据集上的不同mask比例的结果对比图； 图4是一个实施例在Citesseer数据集上的不同mask比例的结果对比图； 图5是一个实施例在Pumped数据集上的不同mask比例的结果对比图； 图6是一个实施例在不同邻居数量和聚合深度的HR性能对比图； 图7是一个实施例在不同邻居数量和聚合深度的NDCG性能对比图； 图8是一个实施例在输出维度为64时减少各项机制的HR和NDCG性能对比图； 8 CN 111582443 A 说　明　书 5/14 页 图9是一个实施例在N值为10时减少各项机制的HR和NDCG性能对比图。 图10是一个实施例中Context-NE网络的结构示意图； 图11是一个实施例中图卷积网络的结构示意图。