【技術實現步驟摘要】
本專利技術屬于數據挖掘與智慧醫療領域，具體涉及一種基于注意力和解耦圖神經網絡的健康服務推薦方法與系統。
技術介紹
1、隨著人們對健康的關注度增加，健康服務的需求也越來越多樣化。然而，傳統的健康服務推薦方法往往只能提供通用化的推薦，無法滿足用戶個性化的需求。此外，用戶的反饋信息對于健康服務的改進和優化也至關重要，但目前的推薦方法很少能夠有效地利用用戶對于健康服務的反饋(標簽/標注)信息。
2、在早期的技術方案中，主要采用啟發式方法將反饋標簽/標注等反饋和標注信息引入推薦系統，例如直接添加或連接反饋標簽/標注嵌入到用戶或健康服務嵌入中。后續的技術方案則采用基于特征的方法，將反饋標簽/標注信息編碼為稀疏特征向量，并通過神經網絡提取潛在表示。盡管上述方案取得了有效結果，但仍受到反饋標簽/標注本身稀疏性的影響，且由于缺乏上下文信息，無法解決反饋標簽/標注的同義性和多義性問題。
3、近年來，圖神經網絡(gnn)的發展為解決這些問題提供了新思路，許多現有方案開始采用基于gnn的方法來建模用戶、健康服務和反饋標簽/標注之間的復雜關系，這在一定程度上緩解了反饋標簽/標注信息的稀疏性、同義性和多義性問題。然而，這些方法在建模過程中混淆了用戶、健康服務和反饋標簽/標注三者之間的關系，忽略了真實情況下它們的多樣性。
4、在真實情況下，用戶出于不同的關注點或需求與健康服務交互，這導致了用戶、健康服務和反饋(標簽/標注)關系的多樣性。例如，用戶與反饋標簽/標注的關系可能反映了用戶對不同健康服務特征的需求或關注，而健康服務
技術實現思路
1、鑒于現有技術尚未能夠滿足用戶對反饋感知健康服務推薦系統的多樣性需求和用戶意圖的準確建模，本專利技術提出了一種基于注意力機制和解耦圖神經網絡的反饋感知健康服務推薦方法與系統(am-dgnn)。本專利技術構建用戶-反饋標簽/標注、健康服務-反饋標簽/標注和用戶-健康服務三種關系圖，并使用多頭注意力機制在用戶-反饋標簽/標注和健康服務-反饋標簽/標注圖上傳播反饋標簽/標注信息，增強對用戶偏好和健康服務特征的理解。
2、本專利技術的第一方面，提供了一種基于注意力機制和解耦圖神經網絡的反饋感知健康服務推薦方法，該方法的具體步驟是：
3、步驟1、根據用戶標注歷史數據a＝{(u,i,t)|u∈u,i∈i,t∈t}(u為用戶集合，i為健康服務集合，t為反饋標簽/標注集合)，構建用戶-健康服務關系圖(gui)、用戶-反饋標簽/標注關系圖(gut)和健康服務-反饋標簽/標注關系圖(git)，分別描述用戶-反饋標簽/標注、健康服務-反饋標簽/標注和用戶-健康服務關系。這些圖的節點包含三類實體，即用戶、健康服務和反饋標簽/標注，而邊則表示實體間的關系。
4、步驟2、使用fasttext學習整個反饋標簽/標注語料庫的單詞嵌入et，得到向量矩陣e，將其視為反饋標簽/標注的低維表示。同時，使用基于非線性神經網絡層的嵌入方法，將用戶和健康服務的id轉換為低維的稠密向量。
5、步驟3、在用戶-反饋標簽/標注和健康服務-反饋標簽/標注兩個關系圖上進行圖注意力操作并使用多頭注意力機制，對給定鄰居為的節點v，把它的嵌入從ev轉換為e′v，從而圖中節點的嵌入從變換為新的嵌入矩陣實現將反饋標簽/標注節點的語義信息融入用戶和健康服務表示中，增強推薦模型對用戶偏好和健康服務特征的理解。
6、步驟4、基于用戶-健康服務關系圖(gui)構建意圖感知子圖并為圖中的每條歷史交互邊分配權重，權重用來反映不同意圖的置信度，后初始化權重以及用戶嵌入、健康服務嵌入。
7、步驟5、對用戶與健康服務之間存在的每一個意圖，通過圖卷積傳播提取用戶和健康服務的解糾纏表示，并采用遞歸方式疊加多個圖解糾纏層。
8、步驟6、使用獨立性建模損失，確保從意圖感知子圖中得到的塊狀表示是相互獨立的。
9、步驟7、將不同意圖下的用戶和健康服務的最終解糾纏表示拼接，得到用戶u和健康服務i節點的最終表示，最后兩者進行內積運算算出可能性得分，從而進行推薦。
10、本專利技術的第二方面，提供了一種基于注意力機制和解耦圖神經網絡的反饋感知健康服務推薦系統，包括：
11、關系圖構建模塊，用于根據用戶標注歷史數據構建“用戶-健康服務”關系圖、“用戶-反饋標簽/標注”關系圖和“健康服務-反饋標簽/標注”關系圖。
12、嵌入模塊，用于學習標簽/標注語料庫的單詞嵌入et，得到向量矩陣e，將其視為標簽的低維表示；使用基于非線性神經網絡層的嵌入方法，將用戶和健康服務的id轉換為低維的稠密向量。
13、聚合模塊，用于在“用戶-反饋標簽/標注”和“健康服務-反饋標簽/標注”兩個關系圖上使用多頭注意力機制，實現將標簽節點的語義信息融入用戶和健康服務表示中。
14、意圖感知子圖構建模塊，用于基于“用戶-健康服務”關系圖構建意圖感知子圖，并為每條交互邊分配權重，以反映不同意圖的置信度。
15、解糾纏提取模塊，用于對用戶與健康服務之間存在的每一個意圖，通過圖卷積傳播提取用戶和健康服務的解糾纏表示，并采用遞歸方式疊加多個圖解糾纏層。
16、建模損失模塊，用于使用獨立性建模損失，確保從意圖感知子圖中得到的塊狀表示是相互獨立的。
17、個性化推薦模塊，用于將不同意圖下的用戶和健康服務的最終解糾纏表示拼接，得到用戶和健康服務節點的最終表示，兩者進行內積運算獲得可能性得分，從而進行推薦。
18、本專利技術具有的有益效果：
19、通過圖注意力模塊，在用戶-反饋標簽/標注和健康服務-反饋標簽/標注關系圖上聚合反饋標簽/標注信息，增強了對用戶偏好和健康服務特征的理解。
20、利用圖神經網絡建模用戶、健康服務和反饋標簽/標注之間的復雜關系，解決了反饋標簽/標注信息的稀疏性、同義性和多義性問題。
21、通過構建用戶-反饋標簽/標注、健康服務-反饋標簽/標注和用戶-健康服務三種關系圖，清晰區分了不同關系的語義信息，避免混淆。意圖感知模塊建模了不同意圖下的用戶和健康服務關系，避免了用戶意圖的糾纏，減輕了過度平滑問題。
本文檔來自技高網...【技術保護點】
1.基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于：步驟1中，對用戶標注歷史數據中的三種不同的關系分開建模，將用戶標注歷史數據中的三種不同關系分開處理，分別得到“用戶-健康服務”關系圖GUI、“用戶-反饋標簽/標注”關系圖GUT和“健康服務-反饋標簽/標注”關系圖GIT，表示為：
3.根據權利要求1所述的基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，步驟3中，對給定鄰居為的節點v，圖注意力操作將把它的嵌入從ev轉換為e′v：
4.根據權利要求3所述基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，計算注意力系數avj衡量了節點j的特征對于節點v的重要程度，其計算公式如下：
5.根據權利要求1所述的基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，所述意圖感知子圖由“用戶-健康服務”關系圖構建，每個交互邊分配一個意圖權重，所述意圖感知子圖定義如下：
6.根據權利要求5所述的基于注意力和解耦
7.根據權利要求1所述的基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，所述步驟5具體如下：
8.根據權利要求1所述的基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，所述獨立性建模損失定義如下：
9.根據權利要求1所述的基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，還包括采用BPR損失函數進行系統模型訓練。
10.基于注意力和解耦圖神經網絡的健康服務推薦系統，其特征在于，包括：
...【技術特征摘要】
1.基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于：步驟1中，對用戶標注歷史數據中的三種不同的關系分開建模，將用戶標注歷史數據中的三種不同關系分開處理，分別得到“用戶-健康服務”關系圖gui、“用戶-反饋標簽/標注”關系圖gut和“健康服務-反饋標簽/標注”關系圖git，表示為：
3.根據權利要求1所述的基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，步驟3中，對給定鄰居為的節點v，圖注意力操作將把它的嵌入從ev轉換為e′v：
4.根據權利要求3所述基于注意力和解耦圖神經網絡的健康服務推薦方法，其特征在于，計算注意力系數avj衡量了節點j的特征對于節點v的重要程度，其計算公式如下：
5.根據權利要求1所...
【專利技術屬性】
技術研發人員：白曼莫，李娜，王東京，鄧水光，
申請(專利權)人：三亞市中醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。