CN107944629B - 一种基于异质信息网络表示的推荐方法及装置 - Google Patents

一种基于异质信息网络表示的推荐方法及装置 Download PDF

Info

Publication number
CN107944629B
CN107944629B CN201711239629.1A CN201711239629A CN107944629B CN 107944629 B CN107944629 B CN 107944629B CN 201711239629 A CN201711239629 A CN 201711239629A CN 107944629 B CN107944629 B CN 107944629B
Authority
CN
China
Prior art keywords
target
network node
meta
path
preset
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.)
Active
Application number
CN201711239629.1A
Other languages
English (en)
Other versions
CN107944629A (zh
Inventor
胡斌斌
石川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201711239629.1A priority Critical patent/CN107944629B/zh
Publication of CN107944629A publication Critical patent/CN107944629A/zh
Application granted granted Critical
Publication of CN107944629B publication Critical patent/CN107944629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种基于异质信息网络表示的推荐方法及装置，所述方法包括：对预设的异质信息网络提取目标网络节点表示；根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；利用获得的目标矩阵分解，得到用户对商品的预测评分；根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。应用本发明实施例能够提高推荐率。

Description

一种基于异质信息网络表示的推荐方法及装置
技术领域
本发明涉及数据挖掘技术领域，特别是涉及一种基于异质信息网络表示的推荐方法及装置。
背景技术
近年来，推荐系统在不同的在线服务中发挥着越来越重要的作用，它帮助用户在庞大的数据源中发现感兴趣的商品。传统的推荐算法如矩阵分解主要是学习一个有效的评分预测函数来描述用户和商品间的交互纪录如评分矩阵。随着在线服务的逐渐兴起，多种形式的辅助信息如用户、商品、导演、主演等实体信息可以被用于推荐系统。尽管这些辅助信息似乎包含着对推荐系统有用的信息，但在推荐系统中使用和建模这些复杂的异质信息即辅助信息中包括的实体均为不同的信息是一件很困难的事。
有鉴于此，异质信息网络被提出来用于建立多个复杂的实体和实体之间的连接关系，它包含不同类型的节点和边。由于异质信息网络建模数据异质性的灵活性，它经常在推荐系统中被用于描述丰富的辅助信息，如被用于描述用户、商品、导演、主演等实体之间的关联关系。例如一个将电影推荐描述成异质信息网络，异质信息网络包含不同类型的实体和关系。在基于异质信息网络的表示下，推荐问题可以被考虑成在异质信息网络下的相似性搜索任务，这样的推荐设定被称为基于异质信息网络的推荐。
基于异质信息网络的推荐备受学者们的关注，现有的基于异质信息网络的推荐算法的基本思想是通过分解用户的打分矩阵。利用打分矩阵，对用户对打分的电影进行评分预测，根据打分对应的评分预测，将该电影作为待推荐对象进行推荐，但是该方法针对评分较少或未评分的电影及对应的用户，由于预测评分的准确率低，导致该电影推荐率较低。
发明内容
本发明实施例的目的在于提供一种基于异质信息网络表示的推荐方法及装置，以提高推荐率。
具体技术方案如下：
对预设的异质信息网络提取目标网络节点表示，其中，目标网络节点包括用户、商品；
根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
利用获得的目标矩阵分解，得到用户对商品的预测评分；
根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
进一步地，所述对预设的异质信息网络提取目标网络节点表示，包括：
基于元路径的随机游走原理，以一个节点为一个游走步长，根据预设的游走长度，利用预设的异质信息网络和预设的元路径，按照如下表达式生成多个网络节点序列；
所述表达式为：
Figure GDA0002534666220000021
其中，nt为网络节点序列的第t个网络节点，v为网络节点中的任一节点，ρ为元路径，
Figure GDA0002534666220000022
是节点v的一阶邻居，At+1为节点v对应的
Figure GDA0002534666220000023
的节点类型，x为下一个网络节点，φ(x)为节点类型映射函数，φ(x),V→A，V为节点集合，A为节点类型集合，P(·)概率分布函数；
对生成的多个网络节点序列按照与预设的目标元路径的节点类型不同进行滤除，获得目标网络节点表示，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列末位为与首位的网络节点对称的元路径。
进一步地，所述对生成的多个网络节点序列按照节点类型进行过滤，获得目标网络节点表示，包括：
从生成的多个网络节点序列中删除与预设的目标元路径对应的节点类型不同类型的网络节点；
针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，获得每个目标网络节点在所述第一元路径的低维向量，其中，所述第一元路径为预设的目标元路径中任一元路径；
将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示。
进一步地，所述针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，获得每个网络节点在所述第一元路径的低维向量，包括：
针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，利用随机梯度下降算法获得每个目标网络节点在所述第一元路径的低维向量。
进一步地，所述预设目标优化模型的建立过程为：
以映射函数f(v)为变量，按照如下表达式建立目标元路径对应的预设目标优化模型；
所述表达式为：
Figure GDA0002534666220000031
V为节点集合，Pr(·)为条件概率，Nv为节点v对应的邻居节点。
进一步地，在所述将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点的网络节点表示之后，还包括：
针对每个目标网络节点对应的低维向量
Figure GDA0002534666220000032
利用预设的第一目标融合函数，将该目标网络节点对应的低维向量映射到待推荐空间；其中，所述预设的目标融合函数为：
Figure GDA0002534666220000033
其中，
Figure GDA0002534666220000041
为节点v为在第l条元路径下的表示，p为元路径的集合，l为元路径的序号，
Figure GDA0002534666220000042
和
Figure GDA0002534666220000043
分别表示用户u和商品i对应的目标网络节点表示，g(·)为第一目标融合函数，U为用户集合，I为商品的集合，
Figure GDA0002534666220000044
和
Figure GDA0002534666220000045
分别为用户最终的网络节点表示和商品最终的网络节点表示。
进一步地，所述根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解，包括：
根据所述目标网络节点表示，利用如下表达式的预设的矩阵分解模型，获得目标矩阵分解；
所述表达式为：
Figure GDA0002534666220000046
所述目标矩阵分解为：
Figure GDA0002534666220000047
其中，xu为用户u的隐层表示，yi为商品i的隐层表示，
Figure GDA0002534666220000048
为用户u对商品i的预测评分，T转置，α为控制用户的平衡因子，β为控制商品的平衡因子，
Figure GDA0002534666220000049
为用户表示向量的配对向量，
Figure GDA00025346662200000410
为商品表示向量的配对向量。
一种基于异质信息网络表示的推荐装置，所述装置包括：
提取模块，用于对预设的异质信息网络提取目标网络节点表示，其中，目标网络节点包括用户、商品；
目标矩阵分解获得模块，用于根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
预测评分模块，用于利用获得的目标矩阵分解，得到用户对商品的预测评分；
推荐模块，用于根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
进一步地，所述提取模块包括：
网络节点序列生成子模块，用于基于元路径的随机游走原理，以一个节点为一个游走步长，根据预设的游走长度，利用预设的异质信息网络和预设的元路径，按照如下表达式生成多个网络节点序列；
所述表达式为：
Figure GDA0002534666220000051
其中，nt为网络节点序列的第t个网络节点，v为网络节点中的任一节点，
Figure GDA0002534666220000052
是节点v的一阶邻居，At+1为节点v对应的
Figure GDA0002534666220000053
的节点类型，x为下一个网络节点，φ(x)为节点类型映射函数，φ(x),V→A，V为节点集合，A为节点类型集合，P(·)概率分布函数；
目标网络节点表示获得子模块，用于对生成的多个网络节点序列按照与预设的目标元路径的节点类型不同进行滤除，获得目标网络节点表示，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列末位为与首位的网络节点对称的元路径。
进一步地，所述目标网络节点表示获得子模块包括：
删除单元，用于从生成的多个网络节点序列中删除与预设的目标元路径对应的节点类型不同类型的网络节点，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列中对应的对称的元路径；
低维向量获得单元，用于针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，获得每个网络节点在所述第一元路径的低维向量，其中，所述第一元路径为预设的目标元路径中任一元路径；
生成单元，用于将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示。
在本发明实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，使得计算机实现任一所述的基于异质信息网络表示的推荐方法。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的基于异质信息网络表示的推荐方法。
在本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的基于异质信息网络表示的推荐方法。
本发明实施例提供的一种基于异质信息网络表示的推荐方法及装置，可以通过对预设的异质信息网络提取目标网络节点表示；根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；利用获得的目标矩阵分解，得到用户对商品的预测评分；根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。该方法利用提取的目标网络节点表示和预设的矩阵分解模型，得到用户对商品的预测评分；并利用用户对商品的预测评分，进而将用户或商品作为待推荐对象进行推荐，提高了推荐率。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的基于异质信息网络表示的推荐方法第一种流程图；
图2为本发明实施例提供的基于异质信息网络表示的推荐方法第二种流程图；
图3为本发明实施例提供的基于异质信息网络表示的推荐方法第三种流程图；
图4为本发明实施例提供的一种基于异质信息网络表示的推荐装置的结构示意图；
图5为本发明实施例提供的一种电子设备的示意图。
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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本发明实施例提供的基于异质信息网络表示的推荐方法第一种流程图，所述方法包括：
S101，对预设的异质信息网络提取目标网络节点表示，其中，目标网络节点包括用户、商品；
其中，异质信息网络G可以表示为G＝{V′,E}，包含实体集合V′和边集合E。一个异质信息网络同时有一个节点类型映射函数φ:V′→A′和一个边类型映射函数
Figure GDA0002534666220000071
其中，A′和R′表示预先定义的实体和边的类型集合，并且|A′|+|R′|>2，|·|为模。
目标网络节点表示用于表示用户和商品之间复杂的关联关系。
具体的，
基于元路径的随机游走原理，以一个节点为一个游走步长，根据预设的游走长度，利用预设的异质信息网络和预设的元路径，按照如下表达式生成多个网络节点序列；
所述表达式为：
Figure GDA0002534666220000072
其中，nt为网络节点序列的第t个网络节点，ρ为元路径，v为网络节点中的任一节点，
Figure GDA0002534666220000073
是节点v的一阶邻居，At+1为节点v对应的
Figure GDA0002534666220000074
的节点类型，x为下一个网络节点，φ(x)为节点类型映射函数，φ(x),V→A，V为节点集合，A为节点类型集合，P(·)概率分布函数；
对生成的多个网络节点序列按照与预设的目标元路径的节点类型不同进行滤除，获得目标网络节点表示，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列末位为与首位的网络节点对称的元路径。
本步骤的一种实施方式可以为：从生成的多个网络节点序列中删除与预设的目标元路径对应的节点类型不同类型的网络节点；
针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，获得每个网络节点在所述第一元路径的低维向量，其中，所述第一元路径为预设的目标元路径中任一元路径；
预设目标优化模型的建立过程为：
以映射函数f(v)为变量，按照如下表达式建立目标元路径对应的预设目标优化模型；
所述表达式为：
Figure GDA0002534666220000081
V为节点集合，Pr(·)为条件概率，Nv为节点v对应的邻居节点。
需要说明的是，f(v)为将节点v转换成低维向量的映射函数，公式中的f即为f(v)函数。
将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示。
虽然节点序列是通过元路径在异质网络上游走产生的，但该实施方式通过对节点类型进行滤除，形成了仅需优化同质的邻居，从而达到可以把相同类型的网络节点表示到相同的空间上，另外，由于给定预设的游走长度，因此可以使用更多的邻居节点，从而包含更复杂的语义。
在异质信息网络中，两个实体可以通过不同的语义路径所连接，这些语义路径被称为元路径。
另一实施方式可以为：在所述将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示之后，还包括：
针对每个目标网络节点对应的低维向量
Figure GDA0002534666220000082
利用预设的第一目标融合函数，将该目标网络节点对应的低维向量映射到待推荐空间；其中，所述预设的目标融合函数为：
Figure GDA0002534666220000091
其中，
Figure GDA0002534666220000092
为节点v为在第l条元路径下的表示，p为元路径的集合，l为元路径的序号，
Figure GDA0002534666220000093
和
Figure GDA0002534666220000094
分别表示用户u和商品i对应的目标网络节点表示，g(·)的第一目标融合函数，U为用户的集合，I为商品的集合，
Figure GDA0002534666220000095
和
Figure GDA0002534666220000096
分别为用户最终的网络节点表示和商品最终的网络节点表示。
该实施方式提供的融合函数能够将异质网络的表示映射到待推荐空间内，从而提高推荐的效果。
S102，根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
其中，矩阵分解是一种将用户和商品的评分矩阵分解为低维的用户隐含向量和商品隐含向量的方法，由于矩阵分解模型可以用于用户对较少评分和未评分的商品进行评分预测，因此本发明提供的实施例相对于现有的推荐方法而言，提高了推荐率。
具体的，
根据所述目标网络节点表示，利用如下表达式的预设的矩阵分解模型，获得目标矩阵分解；
所述表达式为：
Figure GDA0002534666220000097
目标矩阵分解为：
Figure GDA0002534666220000098
其中，xu为用户u的隐层表示，yi为商品i的隐层表示，
Figure GDA0002534666220000099
为用户u对商品i的预测评分，T转置，α为控制用户的平衡因子，β为控制商品的平衡因子，
Figure GDA00025346662200000910
为用户表示向量的配对向量，
Figure GDA00025346662200000911
为商品表示向量的配对向量。
S103，利用获得的目标矩阵分解，得到用户对商品的预测评分；
基于上述对矩阵分解模型的描述可知，用户对商品的预测评分包括用户对商品评分较多的商品、评分较少的商品和未评分的商品。
S104，根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
值得一提的是，可以将用户作为待推荐对象推荐到商品中，也可以将商品作为待推荐对象推荐到用户中。
由此可见，本发明实施例提供的第一种基于异质信息网络表示的推荐方法通过利用提取的目标网络表示以及预设的矩阵分解模型，得到用户对商品的预测评分；并利用用户对商品的预测评分，进而将用户或商品作为待推荐对象进行推荐，提高了推荐率。
图2为本发明实施例提供的基于异质信息网络表示的推荐方法第二种流程图，包括：
S201，基于元路径的随机游走原理，以一个节点为一个游走步长，根据预设的游走长度，利用预设的异质信息网络和预设的元路径，按照如下表达式生成多个网络节点序列；
所述表达式为：
Figure GDA0002534666220000101
其中，nt为网络节点序列的第t个网络节点，v为网络节点中的任一节点，ρ为元路径，
Figure GDA0002534666220000102
是节点v的一阶邻居，At+1为节点v对应的
Figure GDA0002534666220000103
的节点类型，x为下一个网络节点，φ(x)为节点类型映射函数，φ(x),V→A，V为节点集合，A为节点类型集合，P(·)概率分布函数；
其中，在异质信息网络中，两个实体可以通过不同的语义路径所连接，这些语义路径被称为元路径。
需要说明的是，为了产生所需的网络节点序列，关键是设计有效的游走策略能够涵盖异质信息网络中复杂的语义信息。由于元路径是一个描述异质网络语义模式的重要概念。因此，利用基于元路径的方法来生成网络节点序列，即给定一个异质信息网络G＝{V′,,E}和元路径
Figure GDA0002534666220000104
At为节点v对应的
Figure GDA0002534666220000105
的节点类型，t为1，……，l,R＝{<u,i,ru,i>}表示评分记录的集合，Rt为At和At+1第t种关系，由上述公式可知，游走会随着元路径一直进行下去，直到到达预设的游走长度为止。
S202，对生成的多个网络节点序列按照与预设的目标元路径的节点类型不同进行滤除，获得目标网络节点表示，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列末位为与首位的网络节点对称的元路径。
其中，该目标网络节点表示是按照目标元路径滤除后待提取的网络节点。
S203，根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
其中，步骤S203～S205分别与图1实施例中的步骤S102～S104执行的方法相同。因此，图1中的所有实施例均适用于图2，且均能达到相同或相似的有益效果，在此不再赘述。
S204，利用获得的目标矩阵分解，得到用户对商品的预测评分；
S205，根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
由此可见，本发明提供的实施例的第二种基于异质信息网络表示的推荐方法通过基于元路径的随机游走原理，生成多个网络节点序列，通过对网络节点序列中的网络节点进行来滤除，得到目标网络节点表示，从而使得可以把相同类型的网络节点表示到相同的空间中，也可以使用更多的邻居网络节点，从而包含更复杂的语义，利用提取的目标网络节点表示以及预设的矩阵分解模型，得到用户对商品的预测评分；并利用用户对商品的预测评分，进而将用户或商品作为待推荐对象进行推荐，提高了推荐率。
图3为本发明实施例提供的基于异质信息网络表示的推荐方法第三种流程图，包括：
S301，基于元路径的随机游走原理，以一个节点为一个游走步长，根据预设的游走长度，利用预设的异质信息网络和预设的元路径，按照如下表达式生成多个网络节点序列；
所述表达式为：
Figure GDA0002534666220000121
其中，nt为网络节点序列的第t个网络节点，v为网络节点中的任一节点，ρ为元路径，
Figure GDA0002534666220000122
是节点v的一阶邻居，At+1为节点v对应的
Figure GDA0002534666220000123
的节点类型，x为下一个网络节点，φ(x)为节点类型映射函数，φ(x),V→A，V为节点集合，A为节点类型集合，P(·)概率分布函数；
其中，步骤S301与图2实施例中的步骤S201执行的方法相同。因此，图2中的所有实施例均适用于图3，且均能达到相同或相似的有益效果，在此不再赘述。
S302，从生成的多个网络节点序列中删除与预设的目标元路径对应的节点类型不同类型的网络节点，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列末位为与首位的网络节点对称的元路径；
需要说明的是，仅需要保留学习用户和商品的有效向量表示，而其他实体的表示并不是关键。因此，只挑选以用户或者商品为开头的对称元路径。一旦使用上述的游走策略来生成节点序列，该序列中会包含各种类型的节点，进一步去掉路径中其他不同类型的节点，也就是说，最终的节点序列只包含一种节点类型如用户、商品。有效向量表示为用户和商品的向量表示中包含的有所需信息较多的向量表示。
S303，针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，利用随机梯度下降算法获得每个目标网络节点在所述第一元路径的低维向量，其中，所述第一元路径为预设的目标元路径中任一元路径；
需要说明的是，给定一条元路径，可以为每一个节点v产生邻居节点Nv，也就是说，通过基于元路径的随机游走产生同质的邻居节点；
S304，将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示；
本步骤中，目标网络节点表示是利用低维向量进行表示的。
S305，针对每个网络节点表示对应的低维向量
Figure GDA0002534666220000131
利用预设的第一目标融合函数，将该网络节点表示对应的低维向量映射到待推荐空间；其中，所述预设的目标融合函数为：
Figure GDA0002534666220000132
其中，
Figure GDA0002534666220000133
为节点v为在第l条元路径下的表示，p为元路径的集合，l为元路径的序号，
Figure GDA0002534666220000134
和
Figure GDA0002534666220000135
分别表示用户u和商品i对应的目标网络节点表示，g(·)为第一目标融合函数，U为用户集合，I为商品的集合，
Figure GDA0002534666220000136
和
Figure GDA0002534666220000137
分别为用户最终的网络节点表示和商品最终的网络节点表示。
待推荐空间可以理解为该网络节点表示对应的低维向量形成所推荐的最终的节点表示。
需要说明的是，一个有效的融合函数将学习到的目标网络节点表示对应的低维向量映射到待推荐的空间里，从而提高推荐的效果。
值得一提的是，g(·)的第一目标融合函数可以根据用户对每条元路径对应的权重相同，利用全局的转换矩阵和所述相同的权重，结合每个用户在每条元路径下的低维向量表示，g(·)按照如下第一表达式生成；其中，所述权重相同是通过该用户在每条元路径下的低维向量的评价值获得；
所述第一表达式即简单线性融合为：
Figure GDA0002534666220000138
其中，M(l)为第l元路径下的转换矩阵，b(l)为第l元路径下的偏置矩阵，P为元路径的集合。
由于简单线性融合无法建模用户对元路径的偏好，所以进一步为每一条元路径分配权重，g(·)按照如下第二表达式生成；
Figure GDA0002534666220000141
其中，
Figure GDA0002534666220000142
为用户u对第l元路径下的偏好。
个性化非线性融合，由于线性融合在建模复杂的数据关系的能力有限，因此使用非线性来增强融合的能力，g(·)按照如下第三表达式生成；
Figure GDA0002534666220000143
其中，σ(·)为S型生长曲线sigmod函数，
将融合函数整合到矩阵分解的框架下去学习模型的参数，优化目标可以形式化为：
Figure GDA0002534666220000144
其中，
Figure GDA0002534666220000145
为用户表示向量的配对向量，
Figure GDA0002534666220000146
为商品表示向量的配对向量，Θ(U)为融合函数的用户集合U的参数集合，Θ(I)为融合函数的商品集合I的参数集合，λ为规则化项，L为损失函数，ru,i为用户u对商品i的实际评分，R为评分记录的集合，||·||2为第2范数。
采用随机梯度下降算法去优化上述模型，对于模型中的新参数，更新上述公式，则可得：
Figure GDA0002534666220000147
Figure GDA0002534666220000148
其中，λΘ为参数集合的规则化项，λγ为参数γ的规则化项，
Figure GDA0002534666220000149
为用户u在第l条元路径下的参数集合，η为学习率，
Figure GDA00025346662200001410
为用户表示向量的配对向量。
S306，根据所述目标网络节点表示，利用如下表达式的预设的矩阵分解模型，获得目标矩阵分解；
所述表达式为：
Figure GDA0002534666220000151
所述目标矩阵分解为：
Figure GDA0002534666220000152
其中，xu为用户u的隐层表示，yi为商品i的隐层表示，
Figure GDA0002534666220000153
为用户u对商品i的预测评分，T转置，α为控制用户的平衡因子，β为控制商品的平衡因子，
Figure GDA0002534666220000154
为用户表示向量的配对向量，
Figure GDA0002534666220000155
为商品表示向量的配对向量。
其中，矩阵分解模型是一种将用户和商品的评分矩阵分解为低维的用户隐含向量和商品隐含向量的模型。
S307，利用获得的目标矩阵分解，得到用户对商品的预测评分；
其中，步骤S307～S308分别与图1实施例中的步骤S103～S104执行的方法相同。因此，图1中的所有实施例均适用于图3，且均能达到相同或相似的有益效果，在此不再赘述。
S308，根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
由此可见，本发明提供的实施例的第三种基于异质信息网络表示的推荐方法通过基于元路径的随机游走原理，生成多个网络节点表示序列，通过仅挑选以用户或者商品为开头的对称元路径，进一步去掉路径中其他不同类型的节点，从而使得可以把相同类型的节点表示到相同的空间中，也可以使用更多的邻居节点，从而包含更复杂的语义，利用提取的目标网络节点表示以及预设的矩阵分解模型，得到用户对商品的预测评分；并利用用户对商品的预测评分，进而将用户或商品作为待推荐对象进行推荐，提高了推荐率。
与上述基于异质信息网络表示的推荐相对应，本发明实施例还提供了一种基于异质信息网络表示的推荐装置。
图4为本发明实施例提供的一种基于异质信息网络表示的推荐装置的结构示意图，包括：
提取模块401，用于对预设的异质信息网络提取目标网络节点表示，其中，目标网络节点包括用户、商品；
目标矩阵分解获得模块402，用于根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
预测评分模块403，用于利用获得的目标矩阵分解，得到用户对商品的预测评分；
推荐模块404，用于根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
其中，所述提取模块401包括：
网络节点序列生成子模块，用于基于元路径的随机游走原理，以一个节点为一个游走步长，根据预设的游走长度，利用预设的异质信息网络和预设的元路径，按照如下表达式生成多个网络节点序列；
所述表达式为：
Figure GDA0002534666220000161
其中，nt为网络节点序列的第t个网络节点，v为网络节点中的任一节点，是节点v的一阶邻居，At+1为节点v对应的
Figure GDA0002534666220000162
的节点类型，x为下一个网络节点，φ(x)为节点类型映射函数，φ(x),V→A，V为节点集合，A为节点类型集合，P(·)概率分布函数；
目标网络节点表示获得子模块，用于对生成的多个网络节点序列按照与预设的目标元路径的节点类型不同进行滤除，获得目标网络节点表示，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列末位为与首位的网络节点对称的元路径。
所述目标网络节点表示获得子模块包括：
删除单元，用于从生成的多个网络节点序列中删除与预设的目标元路径对应的节点类型不同类型的网络节点，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列中对应的对称的元路径；
低维向量获得单元，用于针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，获得每个目标网络节点表示在所述第一元路径的低维向量，其中，所述第一元路径为预设的目标元路径中任一元路径；
生成单元，用于将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示。
所述低维向量获得单元包括：
低维向量生成子单元，用于针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，利用随机梯度下降算法获得每个目标网络节点表示在所述第一元路径的低维向量。
所述预设目标优化模型的建立过程为：
以映射函数f(v)为变量，按照如下表达式建立目标元路径对应的预设目标优化模型；
所述表达式为：
Figure GDA0002534666220000171
V为节点集合，v为目标网络节点中的任一节点，Pr(·)为条件概率，Nv为节点v对应的邻居节点。
所述网络节点表示获得子模块还包括：
映射单元，用于针对每个目标网络节点表示对应的低维向量
Figure GDA0002534666220000172
利用预设的第一目标融合函数，将该目标网络节点表示对应的低维向量映射到待推荐空间；其中，所述预设的目标融合函数为：
Figure GDA0002534666220000173
其中，
Figure GDA0002534666220000174
为节点v为在第l条元路径下的表示，p为元路径的集合，l为元路径的序号，
Figure GDA0002534666220000175
和
Figure GDA0002534666220000176
分别表示用户u和商品i对应的目标网络节点表示，g(·)的第一目标融合函数，U为用户集合，I为商品的集合，
Figure GDA0002534666220000177
和
Figure GDA0002534666220000178
分别为用户最终的网络节点表示和商品最终的网络节点表示。
所述目标矩阵分解获得模块包括：
获得子模块，用于根据所述目标网络节点表示，利用如下表达式的预设的矩阵分解模型，获得目标矩阵分解；
所述表达式为：
Figure GDA0002534666220000181
所述目标矩阵分解为：
Figure GDA0002534666220000182
其中，xu为用户u的隐层表示，yi为商品i的隐层表示，
Figure GDA0002534666220000183
为用户u对商品i的预测评分，T转置，α为控制用户的平衡因子，β为控制商品的平衡因子，
Figure GDA0002534666220000184
为用户表示向量的配对向量，
Figure GDA0002534666220000185
为商品表示向量的配对向量。
由此可见，本发明实施例提供的一种基于异质信息网络表示的推荐装置通过利用提取的目标网络表示以及预设的矩阵分解模型，得到用户对商品的预测评分；并利用用户对商品的预测评分，进而将用户或商品作为待推荐对象进行推荐，提高了推荐率。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现本发明实施例提供的一种基于异质信息网络表示的推荐方法。
具体的，上述一种基于异质信息网络表示的推荐方法，包括：
对预设的异质信息网络提取目标网络节点表示其中，目标网络节点包括用户、商品；
根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
利用获得的目标矩阵分解，得到用户对商品的预测评分；
根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
由此可见，执行本实施例提供的电子设备，通过利用提取的目标网络表示以及预设的矩阵分解模型，得到用户对商品的预测评分；并利用用户对商品的预测评分，进而将用户或商品作为待推荐对象进行推荐，提高了推荐率。
上述的相关内容基于异质信息网络表示的推荐方法的实施方式与前述方法实施例部分提供的基于异质信息网络表示的推荐方法方式相同，这里不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的基于异质信息网络表示的推荐方法。
具体的，上述一种基于异质信息网络表示的推荐，包括：
对预设的异质信息网络提取目标网络节点表示，其中，目标网络节点包括用户、商品；
根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
利用获得的目标矩阵分解，得到用户对商品的预测评分；
根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
由此可见，执行本实施例提供的计算机可读存储介质中存储的应用程序时，通过利用提取的目标网络表示以及预设的矩阵分解模型，得到用户对商品的预测评分；并利用用户对商品的预测评分，进而将用户或商品作为待推荐对象进行推荐，提高了推荐率。
上述的相关内容基于异质信息网络表示的推荐方法的实施方式与前述方法实施例部分提供的基于异质信息网络表示的推荐方法方式相同，这里不再赘述。
在本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的基于异质信息网络表示的推荐方法。
具体的，上述一种基于异质信息网络表示的推荐，包括：
对预设的异质信息网络提取目标网络节点表示，其中，目标网络节点包括用户、商品；
根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
利用获得的目标矩阵分解，得到用户对商品的预测评分；
根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。
由此可见，执行本实施例提供的计算机程序产品的应用程序时，通过利用提取的目标网络表示以及预设的矩阵分解模型，得到用户对商品的预测评分；并利用用户对商品的预测评分，进而将用户或商品作为待推荐对象进行推荐，提高了推荐率。
上述的相关内容基于异质信息网络表示的推荐方法的实施方式与前述方法实施例部分提供的基于异质信息网络表示的推荐方法方式相同，这里不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、计算机可读存储介质或计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种基于异质信息网络表示的推荐方法，其特征在于，所述方法包括：
对预设的异质信息网络提取目标网络节点表示，其中，目标网络节点包括用户、商品；
根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
利用获得的目标矩阵分解，得到用户对商品的预测评分；
根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐；
所述对预设的异质信息网络提取目标网络节点表示，包括：
基于元路径的随机游走原理，以一个节点为一个游走步长，根据预设的游走长度，利用预设的异质信息网络和预设的元路径，按照如下表达式生成多个网络节点序列；
所述表达式为：
Figure FDA0002534666210000011
其中，nt为网络节点序列的第t个网络节点，v为网络节点中的任一节点，ρ为元路径，
Figure FDA0002534666210000012
是节点v的一阶邻居，At+1为节点v对应的
Figure FDA0002534666210000013
的节点类型，x为下一个网络节点，φ(x)为节点类型映射函数，φ(x),V→A，V为节点集合，A为节点类型集合，P(·)为概率分布函数；
对生成的多个网络节点序列按照与预设的目标元路径的节点类型不同进行滤除，获得目标网络节点表示，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列末位为与首位的网络节点对称的元路径。
2.如权利要求1所述的方法，其特征在于，所述对生成的多个网络节点序列按照与预设的目标元路径的节点类型不同进行过滤，获得目标网络节点表示，包括：
从生成的多个网络节点序列中删除与预设的目标元路径对应的节点类型不同类型的网络节点；
针对每条目标元路径，利用第一目标元路径对应的预设目标优化模型，学习在第一元路径下每个目标网络节点的网络表示，获得每个目标网络节点在所述第一元路径的低维向量，其中，所述第一元路径为预设的目标元路径中任一元路径；
将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示。
3.如权利要求2所述的方法，其特征在于，所述针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，获得每个网络节点在所述第一元路径的低维向量，包括：
针对每条目标元路径，利用所述第一目标元路径对应的预设目标优化模型，学习在所述第一元路径下每个目标网络节点的网络表示，利用随机梯度下降算法获得每个目标网络节点在所述第一元路径的低维向量。
4.如权利要求2所述的方法，其特征在于，所述预设目标优化模型的建立过程为：
以映射函数f(v)为变量，按照如下表达式建立目标元路径对应的预设目标优化模型；
所述表达式为：
Figure FDA0002534666210000021
V为节点集合，Pr(·)为条件概率，Nv为节点v对应的邻居节点。
5.如权利要求2所述的方法，其特征在于，在所述将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示之后，还包括：
针对每个目标网络节点对应的低维向量
Figure FDA0002534666210000022
利用预设的第一目标融合函数，将该目标网络节点对应的低维向量映射到待推荐空间；其中，所述预设的第一目标融合函数为：
Figure FDA0002534666210000031
其中，
Figure FDA0002534666210000032
为节点v为在第l条元路径下的表示，p为元路径的集合，l为元路径的序号，
Figure FDA0002534666210000033
和
Figure FDA0002534666210000034
分别表示用户u和商品i对应的目标网络节点表示，g(·)为第一目标融合函数，U为用户集合，I为商品的集合，
Figure FDA0002534666210000035
和
Figure FDA0002534666210000036
分别为用户最终的网络节点表示和商品最终的网络节点表示。
6.如权利要求1所述的方法，其特征在于，所述根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解，包括：
根据所述目标网络节点表示，利用如下表达式的预设的矩阵分解模型，获得目标矩阵分解；
所述表达式为：
Figure FDA0002534666210000037
所述目标矩阵分解为：
Figure FDA0002534666210000038
其中，xu为用户u的隐层表示，yi为商品i的隐层表示，
Figure FDA0002534666210000039
为用户u对商品i的预测评分，T转置，α为控制用户的平衡因子，β为控制商品的平衡因子，
Figure FDA00025346662100000310
为用户表示向量的配对向量，
Figure FDA00025346662100000311
为商品表示向量的配对向量，U为用户集合，I为商品的集合，
Figure FDA00025346662100000312
和
Figure FDA00025346662100000313
分别为用户最终的网络节点表示和商品最终的网络节点表示。
7.一种基于异质信息网络表示的推荐装置，其特征在于，所述装置包括：
提取模块，用于对预设的异质信息网络提取目标网络节点表示，其中，目标网络节点包括用户、商品；
目标矩阵分解获得模块，用于根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；其中，预设的矩阵分解模型是用于用户对高于阈值评分、低于阈值评分以及未评分的商品进行评分预测；
预测评分模块，用于利用获得的目标矩阵分解，得到用户对商品的预测评分；
推荐模块，用于根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐；
所述提取模块包括：
网络节点序列生成子模块，用于基于元路径的随机游走原理，以一个节点为一个游走步长，根据预设的游走长度，利用预设的异质信息网络和预设的元路径，按照如下表达式生成多个网络节点序列；
所述表达式为：
Figure FDA0002534666210000041
其中，nt为网络节点序列的第t个网络节点，v为网络节点中的任一节点，
Figure FDA0002534666210000042
是节点v的一阶邻居，At+1为节点v对应的
Figure FDA0002534666210000043
的节点类型，x为下一个网络节点，φ(x)为节点类型映射函数，φ(x),V→A，V为节点集合，A为节点类型集合，P(·)为概率分布函数；
目标网络节点表示获得子模块，用于对生成的多个网络节点序列按照与预设的目标元路径的节点类型不同进行滤除，获得目标网络节点表示，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列末位为与首位的网络节点对称的元路径。
8.如权利要求7所述的装置，其特征在于，所述目标网络节点表示获得子模块包括：
删除单元，用于从生成的多个网络节点序列中删除与预设的目标元路径对应的节点类型不同类型的网络节点，其中，所述目标元路径为在生成的网络节点序列中以预设的用户或商品为首位至网络节点序列中对应的对称的元路径；
低维向量获得单元，用于针对每条目标元路径，利用第一目标元路径对应的预设目标优化模型，学习在第一元路径下每个目标网络节点的网络表示，获得每个网络节点在所述第一元路径的低维向量，其中，所述第一元路径为预设的目标元路径中任一元路径；
生成单元，用于将每个元路径下每个目标网络节点对应的所述低维向量生成该目标网络节点对应的目标网络节点表示。
CN201711239629.1A 2017-11-30 2017-11-30 一种基于异质信息网络表示的推荐方法及装置 Active CN107944629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711239629.1A CN107944629B (zh) 2017-11-30 2017-11-30 一种基于异质信息网络表示的推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711239629.1A CN107944629B (zh) 2017-11-30 2017-11-30 一种基于异质信息网络表示的推荐方法及装置

Publications (2)

Publication Number Publication Date
CN107944629A CN107944629A (zh) 2018-04-20
CN107944629B true CN107944629B (zh) 2020-08-07

Family

ID=61948001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711239629.1A Active CN107944629B (zh) 2017-11-30 2017-11-30 一种基于异质信息网络表示的推荐方法及装置

Country Status (1)

Country Link
CN (1) CN107944629B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961071B (zh) * 2018-06-01 2023-07-21 中国平安人寿保险股份有限公司 自动预测组合业务收益的方法及终端设备
CN110717116B (zh) * 2018-06-27 2023-12-05 北京京东尚科信息技术有限公司 关系网络的链接预测方法及系统、设备、存储介质
CN108985830B (zh) * 2018-07-05 2021-03-02 北京邮电大学 基于异质信息网络的推荐评分方法、装置
CN108920665B (zh) * 2018-07-05 2020-08-07 北京邮电大学 基于网络结构和评论文本的推荐评分方法及装置
CN109948000B (zh) * 2019-01-09 2023-04-07 南方科技大学 异质网络的异常目标检测方法、装置、设备及存储介质
CN109801077A (zh) * 2019-01-21 2019-05-24 北京邮电大学 一种套现用户检测方法、装置及设备
CN109800504B (zh) * 2019-01-21 2020-10-27 北京邮电大学 一种异质信息网络的嵌入方法和装置
CN109902203B (zh) * 2019-01-25 2021-06-01 北京邮电大学 基于边的随机游走的网络表示学习方法和装置
CN110929046B (zh) * 2019-12-10 2022-09-30 华中师范大学 一种基于异质网络嵌入的知识实体推荐方法及系统
CN111310045A (zh) * 2020-02-16 2020-06-19 重庆邮电大学 一种基于元路径的网络嵌入的电影推荐方法
CN111400560A (zh) * 2020-03-10 2020-07-10 支付宝(杭州)信息技术有限公司 一种基于异构图神经网络模型进行预测的方法和系统
CN111459990B (zh) * 2020-03-31 2021-07-06 腾讯科技（深圳）有限公司 对象处理方法、系统及计算机可读存储介质和计算机设备
CN111639696B (zh) * 2020-05-26 2023-08-01 北京邮电大学 一种用户分类方法及装置
CN111931045B (zh) * 2020-07-30 2022-11-25 北京邮电大学 一种基于元学习的异质信息网络冷启动推荐方法及装置
CN112686736B (zh) * 2021-01-09 2022-07-05 青岛科技大学 一种系统推荐方法
CN113239265B (zh) * 2021-04-07 2023-04-07 中国人民解放军战略支援部队信息工程大学 基于连接矩阵的个性化推荐方法及系统
CN113239266B (zh) * 2021-04-07 2023-03-14 中国人民解放军战略支援部队信息工程大学 基于局部矩阵分解的个性化推荐方法及系统
CN113239264A (zh) * 2021-04-07 2021-08-10 中国人民解放军战略支援部队信息工程大学 基于元路径网络表示学习的个性化推荐方法及系统
CN113762334B (zh) * 2021-07-26 2022-03-01 南昌航空大学 一种采用深度强化学习评估异质社交网络关键节点的方法
CN114936907B (zh) * 2022-06-15 2024-04-30 山东大学 一种基于节点类型交互的商品推荐方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
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
CN105913125A (zh) * 2016-04-12 2016-08-31 北京邮电大学 异质信息网络元路径确定、链路预测方法及装置
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
CN106503022A (zh) * 2015-09-08 2017-03-15 北京邮电大学 推送推荐信息的方法和装置
CN106503028A (zh) * 2015-09-08 2017-03-15 北京邮电大学 推荐方法和系统
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
CN107016058A (zh) * 2017-03-10 2017-08-04 浙江工业大学 一种基于属性信息偏好自学习的推荐预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN106503022A (zh) * 2015-09-08 2017-03-15 北京邮电大学 推送推荐信息的方法和装置
CN106503028A (zh) * 2015-09-08 2017-03-15 北京邮电大学 推荐方法和系统
CN105913125A (zh) * 2016-04-12 2016-08-31 北京邮电大学 异质信息网络元路径确定、链路预测方法及装置
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
CN107016058A (zh) * 2017-03-10 2017-08-04 浙江工业大学 一种基于属性信息偏好自学习的推荐预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Semantic Path based Personalized Recommendation on Weighted Heterogeneous Information Networks";Chuan Shi等;《CIKM "15 Proceedings of the 24th ACM International on Conference on Information and Knowledge Management》;20151023;第453-462页 *
《融合异质网络与主题模型的方面分预测》;吉余岗等;《计算机应用》;20171110;第3201-3206页 *

Also Published As

Publication number Publication date
CN107944629A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107944629B (zh) 一种基于异质信息网络表示的推荐方法及装置
US10824941B2 (en) End-to-end deep collaborative filtering
CN109408731A (zh) 一种多目标推荐方法、多目标推荐模型生成方法以及装置
US10599711B1 (en) Region-specific image download probability modeling
US20230162005A1 (en) Neural network distillation method and apparatus
US11657633B1 (en) Rights mapping system and method
WO2023065211A1 (zh) 一种信息获取方法以及装置
US20220253722A1 (en) Recommendation system with adaptive thresholds for neighborhood selection
CN108256044B (zh) 直播间推荐方法、装置及电子设备
CN108287864A (zh) 一种兴趣群组划分方法、装置、介质及计算设备
CN107122455A (zh) 一种基于微博的网络用户增强表示方法
CN107077487A (zh) 利用深度网络对个人照片加标签
CN112989169B (zh) 目标对象识别方法、信息推荐方法、装置、设备及介质
CN110033097B (zh) 基于多个数据域确定用户与物品的关联关系的方法及装置
CN111814044B (zh) 一种推荐方法、装置、终端设备及存储介质
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN106682151B (zh) 一种教育资源个性化推荐方法及系统
CN112989177A (zh) 信息处理方法、装置、电子设备及计算机存储介质
CN115809339A (zh) 跨领域推荐方法、系统、设备及存储介质
CN111178925A (zh) 用户画像的属性预测方法、装置、服务器和计算机可读介质
CN109918486A (zh) 智能客服的语料构建方法、装置、计算机设备及存储介质
CN115455306B (zh) 推送模型训练、信息推送方法、装置和存储介质
CN116089722A (zh) 基于图产出标签的实现方法、装置、计算设备和存储介质
Rana Movie Recommendation System
CN116955813A (zh) 基于人工智能的社群推荐方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant