本发明涉及深度学习推荐，尤其涉及一种基于图表示学习的多准则推荐方法及系统。
背景技术：
1、推荐系统作为缓解互联网时代信息过载问题的重要技术之一，已被广泛应用于电子商务、社交媒体、在线视频等商业平台。推荐系统的目标是通过协同过滤或深度学习等技术从历史交互数据中挖掘用户潜在的行为模式，进而为用户推荐小规模的产品集合。这种个性化的推荐技术不仅能提高用户的使用体验，还能为在线平台带来经济效益。例如，在电子商务领域中，通过分析用户的购买历史、浏览行为、搜索记录，以及商品的属性和描述等信息，向用户推荐他们可能喜欢的产品，提高用户购买的可能性。在社交媒体领域，通过分析用户的社交网络、好友关系、共同兴趣爱好等信息，以及用户在平台上的互动行为，例如点赞、评论、分享等，来推荐新的朋友。在线视频领域中，通过分析用户的观看历史、评分、喜好、观看时长等数据，向用户推荐他们可能喜欢的影片和剧集，进而提升用户的观看体验。然而，在当今互联网技术蓬勃发展的时代，用户和产品数量的急剧增加使推荐系统面临着数据稀疏和冷启动问题的挑战。传统的推荐系统方法大多数依赖于用户-产品总评分矩阵进行建模，使得推荐系统在稀疏场景中计算用户或产品的相似度时受到限制。这种限制不仅严重影响了个性化推荐结果的准确性，甚至可能损害用户的使用体验和活跃度。因此，综合多源信息来缓解数据稀疏和冷启动问题带来的挑战是至关重要的。
2、目前，基于图表示学习的推荐方法已被广泛运用于推荐系统，进而缓解数据稀疏和冷启动问题。这些方法通过图结构来表示用户和产品之间的交互信息，采用图神经网络对图中节点进行嵌入学习，从而提升推荐系统性能。然而，现有推荐方法普遍存在一些局限性。一方面，推荐系统中的图表示学习通常需要在整个图上进行消息传递和图卷积操作，这可能在大规模图上带来较高的计算复杂度。另一方面，现有方法大多忽略了多准则评分数据对推荐系统建模的重要性。即便使用图表示学习进行建模，如果缺乏足够的监督信息，推荐系统仍然难以有效地缓解数据稀疏和冷启动问题。而多准则信息能够协助推荐系统全面地捕捉用户的内在特征，通过提取复杂的异构行为信息来更精准地推测用户偏好。因此，开发一种计算高效、能够综合多源信息、泛化能力强的推荐方法已成为目前推荐系统领域的迫切需求。
技术实现思路
1、本发明克服现有技术存在的不足，为了解决现有推荐方法在数据稀疏和冷启动场景中面临的挑战，提出了一种基于图表示学习的多准则推荐方法及系统，其通过图采样策略提升模型在大规模图数据中的训练速度，利用图注意力机制捕获多准则之间的复杂关系，根据图对比学习提升模型的泛化能力，联合优化bpr损失与对比损失提高系统在多准则场景中的鲁棒性，进而缓解数据稀疏与冷启动问题。
2、为了解决上述技术问题，本发明采用的技术方案为：一种基于图表示学习的多准则推荐方法，包括以下步骤：
3、步骤s1：获取k种准则下的交互评分数据集合并根据每个准则下用户与产品的交互评分信息来构建交互图的二部图集合将总评分矩阵定义为目标准则，其余评分矩阵定义为辅助准则；
4、步骤s2：在每个准则对应的二部图上进行图采样策略生成其对应的采样子图，根据各个准则对应的采样子图得到用于训练的新二部图集合
5、步骤s3：对新二部图集合中每个二部图中的节点进行图嵌入初始化，得到第0层中用户节点集合与产品节点集合的局部嵌入矩阵和以及全局嵌入矩阵和
6、步骤s4：通过聚合函数在每个准则的采样子图中聚合每个节点的局部嵌入与全局嵌入，生成每个节点在k-1个辅助准则下的每一层的嵌入表示，得到每个节点的嵌入表示集合分别表示由聚合函数得到的节点v在第1～k-1个辅助准则下第l层的嵌入表示；
7、步骤s5：根据多头注意力机制得到各个节点在目标准则k下每一层的嵌入表示然后根据目标准则k下节点的每层嵌入表示，得到目标准则k下各个用户与产品的最终的嵌入表示；
8、步骤s6：根据优化目标来更新模型中所有待学习的参数；所述优化目标包括bpr损失与总对比损失；
9、步骤s7：根据优化后的模型得到的用户与产品的最终的嵌入表示eu与ei，计算用户与产品的交互概率，为用户生成推荐产品的顺序。
10、所述步骤s2中，进行图采样策略生成对应的子图的具体方法为：
11、首先，随机选取若干节点作为起始节点，根据各个起始节点的邻居的链接信息生成随机游走序列{v1,v2,...vt}，t为游走的长度，为每个节点生成n组游走序列；
12、接着计算各个起始节点的n组游走序列中每个节点出现的频率，找到出现频率最高的前m个节点，作为该起始节点的邻居集合；
13、最后根据各个起始节点的邻居集合，生成对应的子图。
14、所述步骤s2中，每个节点出现的频率的计算公式为：
15、p(vt)＝sum(vt)/(n×t)；
16、p(vt)表示节点vt出现的概率，sum(·)表示节点vt出现的次数总和。
17、所述步骤s4中，嵌入表示的计算公式为：
18、
19、其中，表示节点v在准则k下第l层的嵌入表示，分别表示节点v’在准则k下第l-1层的嵌入表示，表示节点v的邻居节点的集合，表示节点v在l-1层下的全局表示，σ(·)为leakyrelu激活函数；av′表示节点v与节点v’的注意力系数；
20、或：
21、
22、其中，为权重参数矩阵，为偏置矩阵，max(·)用于获取最大值；
23、或：
24、
25、其中，为权重参数矩阵，mean(·)用于计算向量之间的平均值。
26、所述步骤s4中，注意力系数av′的计算公式为：
27、
28、
29、其中，w1为共享的注意力机制矩阵，w2为权重参数矩阵，(·||·)表示矩阵向量的拼接操作。
30、所述步骤s5中，各个节点在目标准则k下每一层的嵌入表示的计算公式为：
31、
32、其中，和分别表示节点v在目标准则k下第l和第l-1层的嵌入表示，a表示注意力机制转换的次数，β表示超参数，用于控制辅助准则特征被注射到目标准则上的强度；为注意力系数，表示节点v在在第1～k-1个辅助准则下第l-1层的嵌入表示集合；
33、注意力系数的计算公式为：
34、
35、其中，softmax(·)表示用于归一化处理的激活函数；tanh(·)表示双曲正切函数；与为待学习的参数矩阵；表示节点v在在第1～k-1个辅助准则下第l层的嵌入表示集合。
36、所述步骤s5中，目标准则k下各个用户与产品的最终的嵌入表示的计算公式为：
37、
38、其中，eu与ei分别表示目标准则k下用户u与产品i的最终的嵌入表示，和分别表示用户u和产品i在目标准则k下的第l层的嵌入表示。
39、所述步骤s6中，优化目标的计算公式为：
40、
41、其中，表示bpr损失，表示总对比损失，λ1为超参数，λ2为正则化参数，表示对待学习的参数θ通过l2范数来进行正则化；
42、bpr损失的计算公式为：
43、
44、其中，和分别表示目标准则k和第k个辅助准则下的bpr损失，其计算公式为：
45、
46、其中，(u,j)表示随机采样的一组负例对；
47、分别表示用户u与产品i和j之间的交互概率的预测值，表示正负样本集合；表示第k个采样准则下的采样子图；
48、总对比损失的计算公式为：
49、
50、其中，表示目标准则k与第1、2、…k…、k-1个辅助准则之间的对比损失；的计算公式为：
51、
52、其中，为负例集合，s(·)用于计算向量之间的相似度；τ为用于控制对比强度的超参数；分别表示节点v在目标准则k和第k个辅助准则下的嵌入表示，表示节点v’在第k个辅助准则下的嵌入表示，表示用户与产品的节点集合。
53、所述步骤s7中，用户与产品的交互概率的计算公式为：
54、
55、表示用户u与产品i之间的交互概率的预测值。
56、此外，本发明还提供了一种基于图表示学习的多准则推荐系统，包括：
57、二部图构建模块：用于获取k种准则下的交互评分数据集合并根据每个准则下用户与产品的交互评分信息来构建交互图的二部图集合将总评分矩阵定义为目标准则，其余评分矩阵定义为辅助准则；
58、图采样模块：用于在每个准则对应的二部图上进行图采样策略生成其对应的采样子图，根据各个准则对应的采样子图得到用于训练的新二部图集合
59、图嵌入初始化模块：用于对新二部图集合中每个二部图中的节点进行图嵌入初始化，得到第0层中用户节点集合与产品节点集合的局部嵌入矩阵和以及全局嵌入矩阵和
60、单准则信息传播模块：用于通过聚合函数在每个准则的采样子图中聚合每个节点的局部嵌入与全局嵌入，生成每个节点在k-1个辅助准则下的每一层的嵌入表示，得到每个节点的嵌入表示集合；
61、多准则特征聚合模块：用于根据多头注意力机制得到各个节点在目标准则k下每一层的嵌入表示然后根据目标准则k下节点的每层嵌入表示，得到目标准则k下各个用户与产品的最终的嵌入表示；
62、联合优化模块：用于根据优化目标来更新模型中所有待学习的参数；所述优化目标包括bpr损失与总对比损失；
63、预测输出模块：用于根据优化后的模型得到的用户与产品的最终的嵌入表示eu与ei，计算用户与产品的交互概率，为用户生成推荐产品的顺序。
64、本发明与现有技术相比具有以下有益效果：
65、1、本发明在多准则推荐场景中采用了一种图采样策略，减少了图数据中多重的交互和复杂的拓扑结构，采样的目的在于通过随机抽取子图，将庞大的图数据转化为可控制的小批量规模，进而提高模型的训练效率，并降低多准则场景下计算的复杂度，节省了直接处理这种大规模的图数据产生的巨大的计算和内存开销，同时使训练过程变的简单高效；
66、2、本发明构建了一个用于多准则推荐场景的图表示学习架构，利用其高阶的连通性来递归的传播局部嵌入与全局嵌入，该架构分为单准则特征聚合和多准则信息传播两个部分，来提取节点和各准则之间的协同过滤信号；单准则特征聚合的核心是根据图卷积操作从采样领域中聚合特征信息，以更新特定准则交互图下的嵌入表示；多准则信息传播则通过跨视图的依赖建模来增强目标准则评分下的嵌入性能；
67、3、本发明构建了自监督对比学习与多准则视角下的交互预测来提升模型的鲁棒性，使推荐系统能够提取丰富的用户行为偏好来缓解数据稀疏和冷启动问题；
68、4、本发明通过联合优化对比损失与预测损失，在四个现实世界的多准则推荐场景中，如电影推荐数据集yahoo！movie、酒店推荐数据集tripadvisor、啤酒推荐数据集ratebeer、商业场所推荐数据集yelp-2022，与当前最好的方法cpa-lgc相比，本发明分别在精确率和召回率两个指标上得到了最佳的性能；在yahoo！movie数据集上，两个指标分别提升了4.32％、3.84％；在tripadvisor数据集上，两个指标分别提升了3.61％、6.39％；在ratebeer数据集上，两个指标分别提升了4.35％、2.67％；在yelp-2022数据集上，两个指标分别提升了5.18％、4.54％。
1.一种基于图表示学习的多准则推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图表示学习的多准则推荐方法，其特征在于，所述步骤s2中，进行图采样策略生成对应的子图的具体方法为：
3.根据权利要求2所述的一种基于图表示学习的多准则推荐方法，其特征在于，所述步骤s2中，每个节点出现的频率的计算公式为：
4.根据权利要求1所述的一种基于图表示学习的多准则推荐方法，其特征在于，所述步骤s4中，嵌入表示的计算公式为：
5.根据权利要求4所述的一种基于图表示学习的多准则推荐方法，其特征在于，所述步骤s4中，注意力系数av′的计算公式为：
6.根据权利要求1所述的一种基于图表示学习的多准则推荐方法，其特征在于，所述步骤s5中，各个节点在目标准则k下每一层的嵌入表示的计算公式为：
7.根据权利要求1所述的一种基于图表示学习的多准则推荐方法，其特征在于，所述步骤s5中，目标准则k下各个用户与产品的最终的嵌入表示的计算公式为：
8.根据权利要求1所述的一种基于图表示学习的多准则推荐方法，其特征在于，所述步骤s6中，优化目标的计算公式为：
9.根据权利要求1所述的一种基于图表示学习的多准则推荐方法，其特征在于，所述步骤s7中，用户与产品的交互概率的计算公式为：
10.一种基于图表示学习的多准则推荐系统，其特征在于，包括：
