CN107562795A - 基于异构信息网络的推荐方法及装置 - Google Patents
基于异构信息网络的推荐方法及装置 Download PDFInfo
- Publication number
- CN107562795A CN107562795A CN201710647592.XA CN201710647592A CN107562795A CN 107562795 A CN107562795 A CN 107562795A CN 201710647592 A CN201710647592 A CN 201710647592A CN 107562795 A CN107562795 A CN 107562795A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- item
- information network
- equation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了基于异构信息网络的推荐方法及装置,通过根据所述异构信息网络,获得若干个用户‑项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵,再根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户‑项目评分方程,然后构造目标方程,通过对所述目标方程进行优化获得所述用户‑项目评分方程的参数,从而预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户,本方案通过结合矩阵分解和因子分解机,解决了现有技术没有充分利用隐性特征的联系性问题,充分融合不同的语义信息,从而向用户推荐有用的商品。
Description
技术领域
本发明涉及数据挖掘领域,尤其涉及一种基于异构信息网络的推荐方法及装置。
背景技术
随着现代社会的发展,大型的商业推荐系统中的实体的类型越来越丰富。例如,在亚马逊的商务系统中,产品分为各种不同的类别及其包含的各种信息,比如不同的品牌以及用户对产品的评价。因此,在实际的生活中,我们需要在推荐系统中考虑不同信息所包含的丰富语义。现有技术通常采用异构信息网络中的元路径来分析不同实体类型之间的语义联系性,从而向用户推荐有用的商品。
但是,通过元路径分析用户-物品或用户-用户相似性的方法存在语义覆盖不全面的问题。例如,如图1所示的异构信息网络中,当采用路径用户-评价-方面-评价-用户获取用户之间的相似性时,由于两个用户都对海鲜进行了评价,因此可以得到一种联系性。但是,上述路径并未覆盖两个用户对同样的商铺进行评价、在同一城市的联系性,因此,现有技术通过元路径进行语义分析的方案并不能完整覆盖各种相似性,从而不能推荐符合用户需求的商品。再者,通过元路径的方法获得相似性矩阵后,再认知不同路径的权重,从而将不同路径获得的相似性进行融合。但是,这种融合方式没有充分考虑每条路径包含的隐性特征,而且,相似性矩阵非常稀疏,并不利于最终的融合。为了解决上述问题,现有技术将每个相似性矩阵进行分解,然后利用隐藏的特征重新构造形成一个新的相似性矩阵,再将新的相似性矩阵进行融合。这种方式解决了相似性矩阵的稀疏问题,但是在融合过程中没有充分利用隐性特征的联系性。
发明内容
本发明实施例的目的是提供一种基于异构信息网络的推荐方法及装置,能有效解决现有技术没有充分利用隐性特征的联系性问题,从而向用户推荐有用的商品。
为实现上述目的,本发明实施例提供了一种基于异构信息网络的推荐方法,包括步骤:
获取多个实体的信息构建异构信息网络;其中,所述异构信息网络中的节点与实体一一对应;
根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵;其中,所述用户因子矩阵包括用户的隐性特征,所述项目因子矩阵包括项目的隐性特征;
根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程;其中,所述样本包括任一用户和任一项目,所述样本的特征向量包括任一用户的隐性特征和任一项目的隐性特征;
根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过对所述目标方程进行优化获得所述用户-项目评分方程的参数;
将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户。
与现有技术相比,本发明公开的基于异构信息网络的推荐方法通过根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵,再根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程,根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过对所述目标方程进行优化获得所述用户-项目评分方程的参数,将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户,本方案通过结合矩阵分解和因子分解机,解决了现有技术没有充分利用隐性特征的联系性问题,充分融合不同的语义信息,从而向用户推荐有用的商品。
作为上述方案的改进,根据所述异构信息网络,获得若干个对应的用户-项目相似性矩阵具体为:
根据所述异构信息网络中各个实体的类别构造所述异构信息网络的概要图,将异构信息网络的概要图划分为若干个子图,每一所述子图对应一元图,分别计算每一元图的转移矩阵;其中,所述子图包括预设的实体类型;
根据每一元图的转移矩阵,获得每一所述元图对应的用户-项目相似性矩阵。
作为上述方案的改进,当所述元图包括一条路径时,通过将所述路径中每两个类型之间的邻接矩阵进行乘积运算获得所述元图的转移矩阵;
当所述元图包括至少两条路径时,其中,所述路径包括若干分支路径和公用路径,分别计算每一分支路径的转移矩阵,将所述分支路径的转移矩阵进行点积运算获得所述分支路径的总转移矩阵,将所述分支路径的总转移矩阵与所述公用路径中每两个类型之间的邻接矩阵进行乘积运算,从而获得所述元图的转移矩阵。
作为上述方案的改进,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵具体为:通过以下优化模型进行降维处理后获得所述用户因子矩阵和项目因子矩阵:
其中,当Ω=1时,[PΩ(X)]ij=Xij,λu和λb是用于防止过拟合的L2范数正则化的超参数;U和B分别是用户因子矩阵和项目因子矩阵。
作为上述方案的改进,通过以下公式构造样本的特征向量:
其中,xn为样本n的特征向量,为用户i对应元图l的隐性特征向量,为项目j对应元图l的隐性特征向量。
作为上述方案的改进,根据所述样本的特征向量及以下公式通过因子分解机模型构造用户-项目评分方程:
其中,为所述用户-项目评分方程;w∈Rd为一级特征权重向量,V∈Rd×K为二级特征权重矩阵,用于表示互异特征向量之间的关系;d=2LF为特征维数,L是所述元图的个数,F为对每一相似性矩阵进行矩阵分解的等级,为样本n的特征向量xn的第i个特征,<·,·>为两个向量的点乘积。
作为上述方案的改进,特征在于,通过将组套索正则化引入因子分解机模型构造目标函数;其中,参数p的组套索正则化具体由以下公式进行计算:
其中,Ig为预定义的参数p的第g组变量,||·||为L2范数。
作为上述方案的改进,所述目标函数具体为:
其中,所述h(w,V)为所述目标函数,为所述用户-项目评分方程,所述yn为所述样本的已知评分,N是所述已知评分的样本个数,Φw(w)和ΦV(V)分别是一级特征权重向量w和二级特征权重矩阵V的组套索正则化,λw和λv是用于防止过拟合的正则化的超参数。
作为上述方案的改进,所述Φw(w)和ΦV(V)分别由以下公式表示:
其中,||·||2为L2范数,Wl∈RF表示基于一个元图产生的特征权重向量,Vl∈RF×K为矩阵V的第l个分块,Φw(w)和ΦV(V)分别是一级特征权重向量w和二级特征权重矩阵V的组套索正则化。
作为上述方案的改进,根据所述目标方程计算获得所述用户-项目评分方程的参数具体为:
通过非单调性加速近似梯度算法对所述目标方程进行迭代优化从而获得所述用户-项目评分方程的参数。
作为上述方案的改进,获取多个实体的信息构建异构信息网络具体为:
获取用户信息、项目信息、用户对项目的评分信息、用户对项目的评价信息及项目类别信息,基于所述用户信息、项目信息、用户对项目的评分信息、用户对项目的评价信息及项目类别信息构建异构信息网络。
本发明实施例还提供了一种基于异构信息网络的推荐装置,包括:
异构信息网络构造模块,用于获取多个实体的信息构建异构信息网络;其中,所述异构信息网络中的节点与实体一一对应;
矩阵分解模块,用于根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵;其中,所述用户因子矩阵包括用户的隐性特征,所述项目因子矩阵包括项目的隐性特征;
评分方程构造模块,用于根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程;其中,所述样本包括任一用户和任一项目,所述样本的特征向量包括任一用户的隐性特征和任一项目的隐性特征;
目标方程构造模块,用于根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过所述目标方程进行优化获得所述用户-项目评分方程的参数;
推荐模块,用于将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户。
与现有技术相比,本发明公开的基于异构信息网络的推荐装置通过矩阵分解模块根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵,再通过评分方程构造模块根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程,然后通过目标方程构造模块根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过对所述目标方程进行优化获得所述用户-项目评分方程的参数,接着通过推荐模块将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户,本方案通过结合矩阵分解和因子分解机算法,解决了现有技术没有充分利用隐性特征的联系性问题,充分融合不同的语义信息,从而向用户推荐有用的商品。
附图说明
图1是一种异构信息网络的示意图。
图2是本发明实施例1提供的一种基于异构信息网络的推荐方法的流程示意图。
图3是与图1相对应的一种异构信息网络的概要图。
图4是本发明实施例2提供的一种基于异构信息网络的推荐方法的流程示意图。
图5是特定数据集的多个元图的示意图。
图6是本发明实施例3提供的一种基于异构信息网络的推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图2,是本发明实施例1提供的一种基于异构信息网络的推荐方法的流程示意图,包括步骤:
S1、获取多个实体的信息构建异构信息网络;其中,所述异构信息网络中的节点与实体一一对应;
其中,信息网络,Information Network,可以用一个有向图G=(V,E)来表示,其中V代表节点Object,E代表边Edge。并且用映射函数φ:V→A来表示每一Object v∈V属于Object类型集合A:φ(v)∈A,用映射函数Ψ:E→R。表示每条边e∈E属于边的类型集合R:ψ(e)∈R。应该说明的是,如果两条边连接的起始节点和终止节点的type都相同,则这两条边是同一种类型。特别的,如果|A|>1或者|R|>1,即节点的类型和边的类型大于1时,则该信息网络为异构信息网络,Heterogeneous Information Network,简称HIN,否则为同构信息网络,Homogeneous Information Network。异构信息网络的概要图即用类型表示的异构信息网络TG=(A,R),如图3所示为图1对应的异构信息网络的概要图。
优选地,步骤S1中获取多个实体的信息构建异构信息网络具体为:
获取用户信息、项目信息、用户对项目的评分信息、用户对项目的评价信息及项目类别信息,基于所述用户信息、项目信息、用户对项目的评分信息、用户对项目的评价信息及项目类别信息构建异构信息网络。
S2、根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵;其中,所述用户因子矩阵包括用户的隐性特征,所述项目因子矩阵包括项目的隐性特征;
该步骤中,为了解决原始用户-项目相似性矩阵的稀疏性问题,需要对所述用户-项目相似性矩阵进行矩阵分解,达到降维的目的,并可对原始用户-项目相似性矩阵的空值进行预测。优选地,可采用构造损失函数并加入正则化项的方法对进行矩阵分解,其中,常用的矩阵分解方法包括奇异值分解和非负矩阵分解,所述非负矩阵分解存在一个约束条件,即所有的低秩矩阵必须是非负数,该算法用了乘法更新原则,逐步迭代直至收敛。
优选地,在该步骤中,还可采用异步双向随机游走的相关度计算方法获取用户-项目的相似度矩阵,这就是所谓的“HeteSim”算法。具体为,分别从元图的源节点和目标节点出发,源节点沿着指定的元路径进行随机游走,目标节点沿着同一元路径的逆向随机游走,计算它们到达元路径上每一位置对应节点的概率,采用算术平均的方法计算源节点和目标节点在元路径上每一节点相遇的总概率,则获得源节点和目标节点的相似度。
S3、根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程;其中,所述样本包括任一用户和任一项目,所述样本的特征向量包括任一用户的隐性特征和任一项目的隐性特征;
在该步骤中,所述样本包括任一用户和任一项目,其包含用户对该项目的已知评分和用户对该项目的未知评分。此外,通过采用因子分解机模型,充分考虑每两个互异特征分量之间的相互关系,而传统机器学习问题,一般仅考虑如何对特征赋予权重,而没有考虑特征间存在相互作用。
S4、根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过对所述目标方程进行优化获得所述用户-项目评分方程的参数;
所述目标方程可采用预测的用户-项目评分和已知的用户-项目评分之间的误差的平方,为了防止过拟合,可加入正则化项。
S5、将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户。
在步骤S5中,可以降序的方式对项目的评分进行排序,将排在最靠前的一个或多个项目推荐给所述用户。
因此,基于上述方案,通过根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵,再根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程,根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过对所述目标方程进行优化获得所述用户-项目评分方程的参数,将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户,解决了现有技术没有充分利用隐性特征的联系性问题,充分考虑了隐形特征的交互关系,从而向用户推荐有用的商品。
参见图4,是本发明实施例2提供的一种基于异构信息网络的推荐方法的流程示意图,该实施例在实施例的基础上,步骤S2中的根据所述异构信息网络,获得若干个用户-项目相似性矩阵具体为:
S21、根据所述异构信息网络中各个实体的类别构造所述异构信息网络的概要图,将异构信息网络的概要图划分为若干个子图,每一所述子图对应一元图,分别计算每一元图的转移矩阵;其中,所述子图包括预设的实体类型;
S22、根据每一元图的转移矩阵,获得每一所述元图对应的用户-项目相似性矩阵。
例如,Ts=(As,Rs)是异构信息网络概要图TG=(A,R)的子图,其中,As属于A,Rs属于R。可以理解的,所述元图为包括一入度为0度的源节点和一出度为0度的目标节点的有向无环图。如图5所示,M1,…,M6是对应某一数据集的多个元图,上述元图的源节点均为用户类型,目标节点均为商品类型。其中,不同的元图所包含的语义信息也有所不同。例如,M1代表的是用户对商品的评价关系,M2代表不同用户购买同一商品的关系。
优选地,在该步骤中,还可采用异步双向随机游走的相关度计算方法获取用户-项目的相似度矩阵,这就是所谓的“HeteSim”算法。具体为,分别从元图的源节点和目标节点出发,源节点沿着指定的元图进行随机游走,目标节点沿着同一元图的逆向随机游走,计算它们到达元图上每一位置对应节点的概率,采用算术平均的方法计算源节点和目标节点在元图上每一节点相遇的总概率,则获得源节点和目标节点的相似度。与现有技术不同的是,现有的HeteSim算法是应用于元路径,而本方案是应用于元图,具有更好的稳定性和更强的语义覆盖性。
在该实施例中,通过引入元图,不限定随机游走的特定路径,可在推荐系统中引入更多的语义特征,克服了现有技术采用基于元路径进行随机游走的方式存在语义覆盖的局限性,,从而为用户推荐有用的商品。另一方面,通过对每一所述元图对应的用户-矩阵相似性矩阵进行矩阵分解后,直接通过因子分解机算法对矩阵分解后的隐形特征进行融合,除了提供丰富的语义推荐系统,还充分融合了异构信息网络的信息,从而为实现准确度高且效率高的推荐方法。
优选地,当所述元图包括一条路径时,通过将所述路径中每两个类型之间的邻接矩阵进行乘积运算获得所述元图的转移矩阵;
当所述元图包括至少两条路径时,其中,所述路径包括若干分支路径和公用路径,分别计算每一分支路径的转移矩阵,将所述分支路径的转移矩阵进行点积运算获得所述分支路径的总转移矩阵,将所述分支路径的总转移矩阵与所述公用路径中每两个类型之间的邻接矩阵进行乘积运算,从而获得所述元图的转移矩阵。
例如,如图5所示的元图M6,其可包含两条路径,分别为(U,R,A,R,U,B)以及(U,R,B,R,U,B),其中分支路径(R,A,R)表示两条评价(Reviews)提及同一方面(Aspect),分支路径(R,B,R)表示两条评价(Reviews)对应同一商品(Business),因此可采用先计算分支路径的点乘积,再计算元图的两条路径的乘积。其中,CP1为分支路径(R,A,R)的转移矩阵,CP2为分支路径(R,B,R)的转移矩阵,然后计算CP1和CP2的点积,接着与公用路径(U,-,-,-,U,B)中每两个类型之间的邻接矩阵进行乘积运算,从而获得元图M9的转移矩阵,具体的算法如下所示:
CSr=CP1⊙CP2
优选地,在该实施例中,步骤S2’中将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵具体为:通过以下优化模型进行降维处理后获得用户因子矩阵和项目因子矩阵:
其中,当Ω=1时,[PΩ(X)]ij=Xij,λu和λb是用于防止过拟合的L2范数正则化的超参数;U和B分别是用户因子矩阵和项目因子矩阵。对该损失函数进行求解,可采用梯度下降算法或随机梯度下降算法。通过对每一相似性矩阵进行分解获得L个元图对应的用户因子矩阵和项目因子矩阵,分别用U(1),B(1),…,U(L)B(L)表示。
此外,可通过以下公式构造样本的特征向量:
其中,xn为样本n的特征向量,为用户i对应元图l的隐性特征向量,为项目j对应元图l的隐性特征向量。
上述样本的特征向量是通过对任一用户对应的每一特征向量和任一项目对应的每一特征向量进行级联而生成的,则每个用户和项目对可分别通过LXF个隐形特征来表示,其中L为元图的个数,F为对用户-项目相似性矩阵进行分解的级数。
进一步地,根据所述样本的特征向量及以下公式通过因子分解机模型构造用户-项目评分方程:
其中,为所述用户-项目评分方程;w∈Rd为一级特征权重向量,V∈Rd×K为二级特征权重矩阵,用于表示互异特征向量之间的关系;d=2LF为特征维数,L是所述元图的个数,F为对每一相似性矩阵进行矩阵分解的等级,为样本n的特征向量xn的第i个特征,<·,·>为两个大小为K的向量的点乘积,K为超参数。
在因子分解机FM模型中,前面两部分是传统的线性模型,最后一部分将两个互异特征分量之间的相互关系考虑进来。在交叉项中引入辅助系数,<vi,vj>通过学习隐含主题向量来间接学习交叉项的系数矩阵减少了学习参数的个数,解决了训练数据不足而学习参数过多的问题。
进一步地,为了对上述已构造的用户-项目评分方程进行参数训练,可通过构造目标方程,对目标方程进行优化从而完成对所述用户-项目评分方程进行参数训练。所述目标方程可为使用最小均方误差的损失函数,具体为其中,N为已知评分的样本数,yn为样本的已知评分,对应样本的预测评分。
优选地,在该实施例中,通过将组套索正则化引入因子分解机模型构造目标函数;其中,参数p的组套索正则化具体由以下公式进行计算:
其中,Ig为预定义的参数p的第g组变量,||·||为L2范数。L2范数是最常见最常用的范数了,度量距离欧氏距离就是一种L2范数,它的定义如下:
其表示向量元素的平方和再开平方,L2范数通常会被用来做优化目标函数的正则化项,防止模型为了迎合训练集而过于复杂造成过拟合的情况,从而提高模型的泛化能力。
应该说明的是,组套索正则化中的组与本发明中基于元图获得的特征相对应,例如U(l)和B(l)分别表示基于元图l的用户隐形特征和项目隐形特征。对于一对用户i和项目j,其基于元图l的用户隐形特征向量和项目隐形特征向量分别是ui (l)和bi (l),则对于w∈Rd为一级特征权重向量(主导系数),V∈Rd×K为二级特征权重矩阵(辅助系数)存在两组变量,则对于所有的用户-项目对则总共分别存在2L组向量。通过在目标函数中引入正则化项,可以防止过拟合的问题,可减少基于多个元图带来的噪声问题,而且套索方法是一种压缩估计,其通过构造一个罚函数得到一个较为精炼的模型,使得压缩了一些系数,因此可减小计算量,优化训练效率。优选地,所述F=K=10。
由此可得,对于一级特征权重向量w,组套索正则化项应用于一级特征权重向量w的子集wl,wl∈RF表示基于一个元图产生的特征权重向量。对于二级特征权重矩阵V,组套索正则化项应用于二级特征权重矩阵V的子集Vl,Vl∈RF×K为矩阵V的第l个分块。通过在目标函数中引入组套索正则化,可以自动选出有用的特征和筛掉无用的特征,从而减少多个元图产生的噪声。上述组套索正则化在变量选择方面采用的是子集选择的方法,还可使用收缩方法和和维数缩减的方法,在此不再做过多的说明。因此,通过上述方案,可以自动选择应该采用的元图,并自动获取各个用户向量和项目向量的权重比例。
根据以上的描述,构造的目标函数具体为:
其中,所述h(w,V)为所述目标函数,为所述用户-项目评分方程,所述yn为所述样本的已知评分,N是所述已知评分的样本个数,Φw(w)和ΦV(V)分别是一级特征权重向量w和二级特征权重矩阵V的组套索正则化,λw和λv是用于防止过拟合的正则化的超参数。
可以理解的,所述Φw(w)和ΦV(V)分别由以下公式表示:
其中,||·||2为L2范数,Wl∈RF表示基于一个元图产生的特征权重向量,Vl∈RF×K为矩阵V的第l个分块,Φw(w)和ΦV(V)分别是一级特征权重向量w和二级特征权重矩阵V的组套索正则化。
为了解决目标函数的非凸非光滑性问题,可采用非单调加速近似梯度算法。首先,对于由正则化产生的非光滑性问题,可采用具有封闭解的近似步骤来解决,而且,通过对一阶优化算法进行加速可实现算法的加速功能。因此,非单调加速近似梯度算法可保证一般的非凸性问题具有稳定收敛性。应该注意的是,正则化项Φw(w)和ΦV(V)是非光滑的,它们分别应用于一级特征权重向量w和二级特征权重矩阵V。因此,可将上述的具有封闭解的近似步骤应用于正则化项Φw(w)和ΦV(V),即求得和的封闭解。其中,可通过以下公式对p*=proxαΦ(z)进行求解:
其中,g=1,…,G。
优选地,对于上述用于防止过拟合的正则化的超参数λw和λv,可设λw=λv。
进一步地,可设λw=λv=8000。通过对超参数λw和λv合理的设计,可降低矩阵的稀疏性,提高元图的筛选的效率,即根据不同的数据集筛选出不同重要程度的元图。例如,,图3中的元图M2,M5和M6对应基于用户的协同过滤,而元图M3和M4对应基于项目的协同过滤,对于特定的数据集通过构造上述的目标函数进行训练,得到的结果为元图M2,M5和M6为重要元图,而元图M3为无用元图。
此外,预测的准确度是评分推荐系统中最常用的评价指标,该指标衡量的是推荐算法预测用户对项目的评分和实际用户评分的“接近”程度。在本方案中,可采用计算平均绝对误差的方法进行准确度的预测,也可通过平均平方误差、均
方根误差方法进行准确度的预测。其中,均方根误差方法具体为:
其中,Rtest是所有的训练集,为用户ui对项目bj的预测评分,Rij为用户ui对项目bj的已标记评分。
参见图6,为本发明实施例3提供的一种基于异构信息网络的推荐装置,包括:
异构信息网络构造模块101,用于获取多个实体的信息构建异构信息网络;其中,所述异构信息网络中的节点与实体一一对应;
矩阵分解模块102,用于根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵;其中,所述用户因子矩阵包括用户的隐性特征,所述项目因子矩阵包括项目的隐性特征;
评分方程构造模块103,用于根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程;其中,所述样本包括任一用户和任一项目,所述样本的特征向量包括任一用户的隐性特征和任一项目的隐性特征;
目标方程构造模块104,用于根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过所述目标方程进行优化获得所述用户-项目评分方程的参数;
推荐模块105,用于将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户。
优选地,获取多个实体的信息构建异构信息网络具体为:
获取用户信息、项目信息、用户对项目的评分信息、用户对项目的评价信息及项目类别信息,基于所述用户信息、项目信息、用户对项目的评分信息、用户对项目的评价信息及项目类别信息构建异构信息网络。
优选地,根据所述异构信息网络,获得若干个对应的用户-项目相似性矩阵具体为:
根据所述异构信息网络中各个实体的类别构造所述异构信息网络的概要图,将异构信息网络的概要图划分为若干个子图,每一所述子图对应一元图,分别计算每一元图的转移矩阵,从而获得每一所述元图对应的用户-项目相似性矩阵;其中,所述子图包括预设的实体类型;
根据每一元图的转移矩阵,获得每一所述元图对应的用户-项目相似性矩阵。
优选地,所述元图包括一条路径时,通过将所述路径中每两个类型之间的邻接矩阵进行乘积运算获得所述元图的转移矩阵;
当所述元图包括至少两条路径时,其中,所述路径包括若干分支路径和公用路径,分别计算每一分支路径的转移矩阵,将所述分支路径的转移矩阵进行点积运算获得所述分支路径的总转移矩阵,将所述分支路径的总转移矩阵与所述公用路径中每两个类型之间的邻接矩阵进行乘积运算,从而获得所述元图的转移矩阵。
优选地,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵具体为:通过以下优化模型进行降维处理后获得所述用户因子矩阵和项目因子矩阵:
其中,当Ω=1时,[PΩ(X)]ij=Xij,λu和λb是用于防止过拟合的L2范数正则化的超参数;U和B分别是用户因子矩阵和项目因子矩阵。
优选地,通过以下公式构造样本的特征向量:
其中,xn为样本n的特征向量,为用户i对应元图l的隐性特征向量,为项目j对应元图l的隐性特征向量。
进一步地,根据所述样本的特征向量及以下公式通过因子分解机模型构造用户-项目评分方程:
其中,为所述用户-项目评分方程;w∈Rd为一级特征权重向量,V∈Rd×K为二级特征权重矩阵,用于表示互异特征向量之间的关系;d=2LF为特征维数,L是所述元图的个数,F为对每一相似性矩阵进行矩阵分解的等级,为样本n的特征向量xn的第i个特征,<·,·>为两个大小为K的向量的点乘积,K为超参数。
优选地,通过将组套索正则化引入因子分解机模型构造目标函数;其中,参数p的组套索正则化具体由以下公式进行计算:
其中,Ig为预定义的参数p的第g组变量,||·||为L2范数。
进一步地,所述目标函数具体为:
其中,所述h(w,V)为所述目标函数,为所述用户-项目评分方程,所述yn为所述样本的已知评分,N是所述已知评分的样本个数,Φw(w)和ΦV(V)分别是一级特征权重向量w和二级特征权重矩阵V的组套索正则化,λw和λv是用于防止过拟合的正则化的超参数。
其中,所述Φw(w)和ΦV(V)分别由以下公式表示:
其中,||·||2为L2范数,Wl∈RF表示基于一个元图产生的特征权重向量,Vl∈RF×K为矩阵V的第l个分块,Φw(w)和ΦV(V)分别是一级特征权重向量w和二级特征权重矩阵V的组套索正则化。
优选地,可通过非单调性加速近似梯度算法对所述目标方程进行迭代优化从而获得所述用户-项目评分方程的参数。
本发明实施例的基于异构信息网络的推荐装置的实施过程和工作原理可参考上述对基于异构信息网络的推荐方法的具体描述,在此不再赘述。
综上,本发明实施例公开了基于异构信息网络的推荐方法及装置,通过根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵,再根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程,根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过对所述目标方程进行优化获得所述用户-项目评分方程的参数,将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户,本方案通过结合矩阵分解和因子分解机,解决了现有技术没有充分利用隐性特征的联系性问题,充分融合不同的语义信息,从而向用户推荐有用的商品。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (12)
1.一种基于异构信息网络的推荐方法,其特征在于,包括步骤:
获取多个实体的信息构建异构信息网络;其中,所述异构信息网络中的节点与实体一一对应;
根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵;其中,所述用户因子矩阵包括用户的隐性特征,所述项目因子矩阵包括项目的隐性特征;
根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程;其中,所述样本包括任一用户和任一项目,所述样本的特征向量包括任一用户的隐性特征和任一项目的隐性特征;
根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过对所述目标方程进行优化获得所述用户-项目评分方程的参数;
将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户。
2.如权利要求1所述的基于异构信息网络的推荐方法,其特征在于,根据所述异构信息网络,获得若干个对应的用户-项目相似性矩阵具体为:
根据所述异构信息网络中各个实体的类别构造所述异构信息网络的概要图,将异构信息网络的概要图划分为若干个子图,每一所述子图对应一元图,分别计算每一元图的转移矩阵,从而获得每一所述元图对应的用户-项目相似性矩阵;其中,所述子图包括预设的实体类型;
根据每一元图的转移矩阵,获得每一所述元图对应的用户-项目相似性矩阵。
3.如权利要求2所述的基于异构信息网络的推荐方法,其特征在于,当任一所述元图包括一条路径时,通过将所述路径中每两个类型之间的邻接矩阵进行乘积运算获得所述元图的转移矩阵;
当任一所述元图包括若干分支路径和公用路径,分别计算每一分支路径的转移矩阵,将所述分支路径的转移矩阵进行点积运算获得所述分支路径的总转移矩阵,将所述分支路径的总转移矩阵与所述公用路径中每两个类型之间的邻接矩阵进行乘积运算,从而获得所述元图的转移矩阵。
4.如权利要求3所述的基于异构信息网络的推荐方法,其特征在于,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵具体为:通过以下优化模型进行降维处理后获得所述用户因子矩阵和项目因子矩阵:
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>P</mi>
<mi>&Omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>UB</mi>
<mi>T</mi>
</msup>
<mo>-</mo>
<mi>R</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>u</mi>
</msub>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>U</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>b</mi>
</msub>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>B</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
其中,当Ω=1时,[PΩ(X)]ij=Xij,λu和λb是用于防止过拟合的L2范数正则化的超参数;U和B分别是用户因子矩阵和项目因子矩阵。
5.如权利要求4所述的基于异构信息网络的推荐方法,其特征在于,通过以下公式构造样本的特征向量:
<mrow>
<msup>
<mi>x</mi>
<mi>n</mi>
</msup>
<mo>=</mo>
<msubsup>
<mi>u</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
其中,xn为样本n的特征向量,为用户i对应元图l的隐性特征向量,为项目j对应元图l的隐性特征向量。
6.如权利要求5所述的基于异构信息网络的推荐方法,其特征在于,根据所述样本的特征向量及以下公式通过因子分解机模型构造用户-项目评分方程:
<mrow>
<msup>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>n</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</munderover>
<mo><</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>n</mi>
</msubsup>
</mrow>
其中,为所述用户-项目评分方程;w∈Rd为一级特征权重向量,V∈Rd×K为二级特征权重矩阵,用于表示互异特征向量之间的关系;d=2LF为特征维数,L是所述元图的个数,F为对每一相似性矩阵进行矩阵分解的等级,为样本n的特征向量xn的第i个特征,<·,·>为两个大小为K的向量的点乘积,K为超参数。
7.如权利要求1~6中任一权利要求所述的基于异构信息网络的推荐方法,其特征在于,通过将组套索正则化引入因子分解机模型构造目标函数;其中,参数p的组套索正则化具体由以下公式进行计算:
<mrow>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>pI</mi>
<mi>g</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
其中,Ig为预定义的参数p的第g组变量,||·||为L2范数。
8.如权利要求7所述的基于异构信息网络的推荐方法,其特征在于,所述目标函数具体为:
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mi>n</mi>
</msup>
<mo>-</mo>
<msup>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>n</mi>
</msup>
<mo>(</mo>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>V</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mi>w</mi>
</msub>
<msub>
<mi>&Phi;</mi>
<mi>w</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mi>v</mi>
</msub>
<msub>
<mi>&Phi;</mi>
<mi>V</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,所述h(w,V)为所述目标函数,为所述用户-项目评分方程,所述yn为所述样本的已知评分,N是所述已知评分的样本个数,Φw(w)和ΦV(V)分别是一级特征权重向量w和二级特征权重矩阵V的组套索正则化,λw和λv是用于防止过拟合的正则化的超参数。
9.如权利要求8所述的基于异构信息网络的推荐方法,其特征在于,所述Φw(w)和ΦV(V)分别由以下公式表示:
<mrow>
<msub>
<mi>&Phi;</mi>
<mi>w</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>L</mi>
</mrow>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>l</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>&Phi;</mi>
<mi>V</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>L</mi>
</mrow>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>V</mi>
<mi>l</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
其中,||·||2为L2范数,Wl∈RF表示基于一个元图产生的特征权重向量,Vl∈RF×K为矩阵V的第l个分块,Φw(w)和ΦV(V)分别是一级特征权重向量w和二级特征权重矩阵V的组套索正则化。
10.如权利要求9所述的基于异构信息网络的推荐方法,其特征在于,根据所述目标方程计算获得所述用户-项目评分方程的参数具体为:
通过非单调性加速近似梯度算法对所述目标方程进行迭代优化从而获得所述用户-项目评分方程的参数。
11.如权利要求1所述的基于异构信息网络的推荐方法,其特征在于,获取多个实体的信息构建异构信息网络具体为:
获取用户信息、项目信息、用户对项目的评分信息、用户对项目的评价信息及项目类别信息,基于所述用户信息、项目信息、用户对项目的评分信息、用户对项目的评价信息及项目类别信息构建异构信息网络。
12.一种基于异构信息网络的推荐装置,其特征在于,包括:
异构信息网络构造模块,用于获取多个实体的信息构建异构信息网络;其中,所述异构信息网络中的节点与实体一一对应;
矩阵分解模块,用于根据所述异构信息网络,获得若干个用户-项目相似性矩阵,将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵;其中,所述用户因子矩阵包括用户的隐性特征,所述项目因子矩阵包括项目的隐性特征;
评分方程构造模块,用于根据所述用户因子矩阵和项目因子矩阵,构造样本的特征向量,基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程;其中,所述样本包括任一用户和任一项目,所述样本的特征向量包括任一用户的隐性特征和任一项目的隐性特征;
目标方程构造模块,用于根据已知评分的样本以及所述用户-项目评分方程,构造目标方程,通过所述目标方程进行优化获得所述用户-项目评分方程的参数;
推荐模块,用于将所述用户-项目评分方程的参数代入所述用户-项目评分方程中,并根据所述样本的特征向量,预测用户对每一项目的评分,将所述评分符合预设条件的项目推荐给所述用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710647592.XA CN107562795A (zh) | 2017-08-01 | 2017-08-01 | 基于异构信息网络的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710647592.XA CN107562795A (zh) | 2017-08-01 | 2017-08-01 | 基于异构信息网络的推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107562795A true CN107562795A (zh) | 2018-01-09 |
Family
ID=60974902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710647592.XA Pending CN107562795A (zh) | 2017-08-01 | 2017-08-01 | 基于异构信息网络的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107562795A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268900A (zh) * | 2018-01-23 | 2018-07-10 | 北京工业大学 | 一种提升推荐系统多样性的方法 |
CN108985830A (zh) * | 2018-07-05 | 2018-12-11 | 北京邮电大学 | 基于异质信息网络的推荐评分方法、装置 |
CN109255099A (zh) * | 2018-07-24 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 一种计算机可读存储介质、数据处理方法、装置及服务器 |
CN109388731A (zh) * | 2018-08-31 | 2019-02-26 | 昆明理工大学 | 一种基于深度神经网络的音乐推荐方法 |
CN109670141A (zh) * | 2018-11-30 | 2019-04-23 | 网易传媒科技(北京)有限公司 | 预测方法、系统、介质和电子设备 |
CN109710835A (zh) * | 2018-11-15 | 2019-05-03 | 中国人民解放军国防科技大学 | 一种带有时间权重的异构信息网络推荐方法 |
CN109800424A (zh) * | 2018-12-21 | 2019-05-24 | 广东工业大学 | 一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法 |
WO2019237569A1 (zh) * | 2018-06-13 | 2019-12-19 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN110598061A (zh) * | 2019-09-20 | 2019-12-20 | 东北大学 | 一种多元图融合的异构信息网嵌入方法 |
CN111259133A (zh) * | 2020-01-17 | 2020-06-09 | 成都信息工程大学 | 一种融合多信息的个性化推荐方法 |
CN111815396A (zh) * | 2020-06-04 | 2020-10-23 | 清华大学 | 基于元图的产品筛选方法、系统、设备及存储介质 |
CN112214683A (zh) * | 2020-09-09 | 2021-01-12 | 华南师范大学 | 基于异构信息网络的混合推荐模型处理方法、系统和介质 |
CN112532755A (zh) * | 2021-02-18 | 2021-03-19 | 广州汇图计算机信息技术有限公司 | 一种基于异构信息网络的兴趣列表推送系统 |
CN113112328A (zh) * | 2021-04-13 | 2021-07-13 | 华南农业大学 | 基于点割集图分割的矩阵变换与分解的商品推荐方法 |
CN113190754A (zh) * | 2021-05-11 | 2021-07-30 | 四川大学 | 一种基于异构信息网络表示学习的推荐方法 |
CN113284623A (zh) * | 2021-07-23 | 2021-08-20 | 北京智精灵科技有限公司 | 基于用户能力的个性化认知训练任务推荐算法及系统 |
CN111815396B (zh) * | 2020-06-04 | 2024-05-31 | 清华大学 | 基于元图的产品筛选方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077351A (zh) * | 2014-05-26 | 2014-10-01 | 东北师范大学 | 基于异构信息网络的内容提供方法及系统 |
CN106354862A (zh) * | 2016-09-06 | 2017-01-25 | 山东大学 | 一种异构网络中多维个性化推荐方法 |
CN106802956A (zh) * | 2017-01-19 | 2017-06-06 | 山东大学 | 一种基于加权异构信息网络的电影推荐方法 |
-
2017
- 2017-08-01 CN CN201710647592.XA patent/CN107562795A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077351A (zh) * | 2014-05-26 | 2014-10-01 | 东北师范大学 | 基于异构信息网络的内容提供方法及系统 |
CN106354862A (zh) * | 2016-09-06 | 2017-01-25 | 山东大学 | 一种异构网络中多维个性化推荐方法 |
CN106802956A (zh) * | 2017-01-19 | 2017-06-06 | 山东大学 | 一种基于加权异构信息网络的电影推荐方法 |
Non-Patent Citations (3)
Title |
---|
CHENGUANG WANG 等: "KnowSim:A Document Similarity Measure on Structured Heterogeneous Information Networks", 《2015 IEEE INTERNATIONAL CONFERENCE ON DATA MINING》 * |
HUAN ZHAO 等: "Learning with Heterogeneous Side Information Fusion for Recommender Systems", 《ARXIV:1801.02411V1[CS.IR]》 * |
YANGQIU SONG: "recent development of heterogeneous information networks:from meta-paths to meta-graphs", 《HTTP://WWW.CSE.UST.HK/~YQSONG/》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268900B (zh) * | 2018-01-23 | 2022-05-10 | 北京工业大学 | 一种提升推荐系统多样性的方法 |
CN108268900A (zh) * | 2018-01-23 | 2018-07-10 | 北京工业大学 | 一种提升推荐系统多样性的方法 |
WO2019237569A1 (zh) * | 2018-06-13 | 2019-12-19 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN108985830A (zh) * | 2018-07-05 | 2018-12-11 | 北京邮电大学 | 基于异质信息网络的推荐评分方法、装置 |
CN109255099A (zh) * | 2018-07-24 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 一种计算机可读存储介质、数据处理方法、装置及服务器 |
CN109255099B (zh) * | 2018-07-24 | 2023-04-07 | 阿里巴巴集团控股有限公司 | 一种计算机可读存储介质、数据处理方法、装置及服务器 |
CN109388731A (zh) * | 2018-08-31 | 2019-02-26 | 昆明理工大学 | 一种基于深度神经网络的音乐推荐方法 |
CN109710835A (zh) * | 2018-11-15 | 2019-05-03 | 中国人民解放军国防科技大学 | 一种带有时间权重的异构信息网络推荐方法 |
CN109670141A (zh) * | 2018-11-30 | 2019-04-23 | 网易传媒科技(北京)有限公司 | 预测方法、系统、介质和电子设备 |
CN109800424A (zh) * | 2018-12-21 | 2019-05-24 | 广东工业大学 | 一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法 |
CN109800424B (zh) * | 2018-12-21 | 2023-05-02 | 广东工业大学 | 一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法 |
CN110598061A (zh) * | 2019-09-20 | 2019-12-20 | 东北大学 | 一种多元图融合的异构信息网嵌入方法 |
CN111259133B (zh) * | 2020-01-17 | 2021-02-19 | 成都信息工程大学 | 一种融合多信息的个性化推荐方法 |
CN111259133A (zh) * | 2020-01-17 | 2020-06-09 | 成都信息工程大学 | 一种融合多信息的个性化推荐方法 |
CN111815396A (zh) * | 2020-06-04 | 2020-10-23 | 清华大学 | 基于元图的产品筛选方法、系统、设备及存储介质 |
CN111815396B (zh) * | 2020-06-04 | 2024-05-31 | 清华大学 | 基于元图的产品筛选方法、系统、设备及存储介质 |
CN112214683A (zh) * | 2020-09-09 | 2021-01-12 | 华南师范大学 | 基于异构信息网络的混合推荐模型处理方法、系统和介质 |
CN112214683B (zh) * | 2020-09-09 | 2024-05-14 | 华南师范大学 | 基于异构信息网络的混合推荐模型处理方法、系统和介质 |
CN112532755A (zh) * | 2021-02-18 | 2021-03-19 | 广州汇图计算机信息技术有限公司 | 一种基于异构信息网络的兴趣列表推送系统 |
CN112532755B (zh) * | 2021-02-18 | 2021-05-04 | 广州汇图计算机信息技术有限公司 | 一种基于异构信息网络的兴趣列表推送系统 |
CN113112328A (zh) * | 2021-04-13 | 2021-07-13 | 华南农业大学 | 基于点割集图分割的矩阵变换与分解的商品推荐方法 |
CN113190754A (zh) * | 2021-05-11 | 2021-07-30 | 四川大学 | 一种基于异构信息网络表示学习的推荐方法 |
CN113190754B (zh) * | 2021-05-11 | 2022-05-10 | 四川大学 | 一种基于异构信息网络表示学习的推荐方法 |
CN113284623A (zh) * | 2021-07-23 | 2021-08-20 | 北京智精灵科技有限公司 | 基于用户能力的个性化认知训练任务推荐算法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562795A (zh) | 基于异构信息网络的推荐方法及装置 | |
CN107577710B (zh) | 基于异构信息网络的推荐方法及装置 | |
Yang et al. | Friend or frenemy? Predicting signed ties in social networks | |
CN111523047A (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN111797321A (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN109740924B (zh) | 融合属性信息网络和矩阵分解的物品评分预测方法 | |
CN112231583B (zh) | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN109471982B (zh) | 一种基于用户和服务聚类QoS感知的Web服务推荐方法 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN112800326B (zh) | 一种改进的多任务学习与知识图谱结合的Ripp-MKR推荐方法 | |
CN109241442B (zh) | 基于预测值填充的项目推荐方法、可读存储介质和终端 | |
CN112085525A (zh) | 一种基于混合模型的用户网络购买行为预测研究方法 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
CN114358657A (zh) | 一种基于模型融合的岗位推荐方法及装置 | |
Yu et al. | Productrec: Product bundle recommendation based on user's sequential patterns in social networking service environment | |
CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及系统 | |
CN112948696B (zh) | 具有隐私保护功能的跨域医疗保健设备推荐方法及系统 | |
Dridi et al. | Exploiting context-awareness and multi-criteria decision making to improve items recommendation using a tripartite graph-based model | |
Markchom et al. | Scalable and explainable visually-aware recommender systems | |
CN113239266A (zh) | 基于局部矩阵分解的个性化推荐方法及系统 | |
Larkin et al. | An analytical toast to wine: Using stacked generalization to predict wine preference | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
CN115345687A (zh) | 一种跨网站商品对齐方法及装置 | |
CN115392992A (zh) | 商品推荐方法、终端设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |
|
RJ01 | Rejection of invention patent application after publication |