[0004] 针对现有技术所存在的上述技术问题，本发明提供了一种基于图卷积神经网络的混合推荐方法，能够改善推荐的效果和性能。
[0005] 本发明包括如下内容：
[0006] 1、一种基于图卷积神经网络的混合推荐方法，包括如下步骤：
[0007] 10.收集用户的行为数据以及物品的属性；
[0008] 20.对收集的数据进行建模并利用图卷积神经网络学习用户和物品的特征向量表示；
[0009] 30.基于用户行为和物品特征向量进行混合推荐。
[0010] 其中步骤10包括：
[0011] 101.收集所有用户的行为数据 U＝{u1,u2,...,u|U|}为u
所有用户的集合，其中用户u∈U的行为数据表示为序列B ＝{(i1,t1),(i2,t2),…,(im,tm)}，(ij,tj)表示用户交互过的物品和交互时间，I＝{i1,i2,...,i|M|}为所有物品的集合。
[0012] 102.收集I中所有物品的属性数据A，包括但不限于类别、标签、元数据等信息。
[0013] 其中步骤20包括：
[0014] 201.根据所有用户的行为数据和所有物品的属性数据构建异构信息图G＝(N,E)，所述的异构信息图G中的节点集合N＝U∪I∪A包括用户节点、物品节点和属性节点，所述的异构信息图中的边集合 Eu,i是表示行为数据中用户和物品的交互关系的边集合， 是表示行为序列中物品和物品转移关系的边集合，Ei，a是表示音乐‑属性从属关系的边集合。
[0015] 202.根据上述异构信息图G，建立以下目标函数O：
[0016]
[0017] 其中：σ(·)是sigmoid函数， 和 是节点ni和nj的d维图卷积特征向量表示，具体而言，节点n的向量表示vn定义为：
[0018]
[0019] 其中：σ(·)是sigmoid激活函数，W是权重矩阵， 是向量拼接操作， 是节点n的|N|维邻接特征向量， 是邻接节点的邻接特征向量均值，定义为：
[0020]
[0021] 其中： 是节点n的邻接节点集合， 表示节点n′的|N|维邻接特征向量，wt(n),t(n′)表示不同类型的节点之间的相互影响程度，t(n),t(n′)∈(User,Item,Attribute)代表节点n和n′的类型。
[0022] 其中步骤30包括：
[0023] 301.根据学习得到的特征向量表示，目标用户u对物品i的兴趣可以用对应向量的余弦相似度表示，具体如下：
[0024] p(u,i)＝cos(vu,vi)
[0025] 其中， 是用户u和物品i的d维图卷积特征向量表示。
[0026] 302.利用上述公式的运算结果对所有物品进行排序，把前若干个物品推荐给目标用户u。
[0027] 本发明的有益效果是：
[0028] 1)充分利用用户的行为数据和物品的属性在内的多源异构信息，缓解数据稀疏问题；
[0029] 2)设计基于卷积神经网络的特征提取和推荐算法，能够缓解繁重的特征工程，提升推荐结果的准确率和多样性，进而提升用户的满意度。
