CN110245285A - 一种基于异构信息网络的个性化推荐方法 - Google Patents

一种基于异构信息网络的个性化推荐方法 Download PDF

Info

Publication number
CN110245285A
CN110245285A CN201910357967.8A CN201910357967A CN110245285A CN 110245285 A CN110245285 A CN 110245285A CN 201910357967 A CN201910357967 A CN 201910357967A CN 110245285 A CN110245285 A CN 110245285A
Authority
CN
China
Prior art keywords
article
user
feature
indicate
potential
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.)
Granted
Application number
CN201910357967.8A
Other languages
English (en)
Other versions
CN110245285B (zh
Inventor
代飞飞
古晓艳
李波
张金超
钱明达
王伟平
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.)
Institute of Information Engineering of CAS
Original Assignee
Institute of Information Engineering of CAS
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 Institute of Information Engineering of CAS filed Critical Institute of Information Engineering of CAS
Priority to CN201910357967.8A priority Critical patent/CN110245285B/zh
Publication of CN110245285A publication Critical patent/CN110245285A/zh
Application granted granted Critical
Publication of CN110245285B publication Critical patent/CN110245285B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于异构信息网络的个性化推荐方法，本方法通过基于注意力的特征增强模块对不同元图上用户和物品潜在特征的重要性进行学习，降低了无用的潜在特征对评分预测所带来的干扰，增强了有用潜在特征对评分预测的贡献力；同时利用基于分层次特征交互的评分预测模块对特征间的不同相互关系进行学习，不但考虑用户和物品各自加权潜在特征之间的内在联系，而且考虑用户或物品与其加权潜在特征之间的相关性；然后通过用户和物品间特征的融合，使得各特征间的二阶线性交互关系得到了充分挖掘。本发明通过多层感知机和因子分解机的使用，使得各特征间的高阶非线性交互关系得到了全面利用和高效组合，大大提高了推荐系统的性能。

Description

一种基于异构信息网络的个性化推荐方法
技术领域
本发明涉及一种基于异构信息网络的个性化推荐方法，属于计算机软件技术领域。
背景技术
随着网络的迅速发展，网上的信息量大幅增长。如何在大量信息中准确获得对用户真正有用的那部分信息成为了一个重要的问题。推荐系统是一个非常有潜力的解决办法，它可以根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户。在推荐系统中，为了更加全面的获取多样化的信息，考虑到异构信息网络可以包含多类型的实体和关系，基于异构信息网络的推荐方法得到了越来越广泛的研究。现有的基于异构信息网络的推荐方法大致可分为两大类：基于元路径的推荐方法和基于元图的推荐方法。
基于元路径的推荐方法通常是预定义一个元路径集合来生成实体之间的语义相关性，然后把他们看作潜在特征来进行推荐。例如，中国专利(公开号：CN103955535A)通过不同的元路径获取不同的语义信息，并利用基于异步双向随机游走的相关性计算方法来计算不同元路径下用户与物品之间的相关性，进而向用户推荐其可能感兴趣的物品。
基于元图的推荐方法通过元图来生成两个实体之间复杂的相关性并能够捕捉到他们之间的复杂语义。例如，中国专利(公开号：CN103955535A)将异构信息网络划分为不同元图，利用各元图获取用户和物品的相似性矩阵，然后对相似性矩阵进行融合并构造评分方程。根据已知评分的样本对评分方程进行训练，从而预测用户对物品的评分并将评分符合预设条件的物品推荐给用户。该方法能有效解决现有技术使用元路径分析用户和物品相似性语义覆盖不全面的问题，充分考虑特征之间的关联性，从而为用户推荐有用的物品。
由于基于元路径的推荐方法只能表示两种不同类型实体之间的简单关系，因此很难捕捉到实体之间的复杂语义，被忽略的那些有用信息在一定程度上对推荐结果的生成造成了影响，降低了推荐系统的准确率。
基于元图的推荐方法大多是简单的不加选择的利用所有潜在特征来进行推荐。然而，对于评分预测来说，并不是所有的潜在特征都是有用的，那些无用的潜在特征不但不会对评分预测起到贡献作用，还有可能会引入一些噪音，降低推荐系统的性能。同时，这些方法通常利用因子分解机进行评分预测，而大多数因子分解机只对特征进行简单的二阶交互。由于所有的特征被以大致相同的方式进行建模，难以区分出不同层次的特征交互所发挥的不同作用，使得评分预测的结果并不理想。
发明内容
针对现有推荐方法的不足，本发明提出了一种新的基于异构信息网络的个性化推荐方法。该方法通过基于注意力的特征增强模块对不同元图上用户和物品潜在特征的重要性进行学习，降低了无用的潜在特征对评分预测所带来的干扰，增强了有用潜在特征对评分预测的贡献力。同时，该方法利用基于分层次特征交互的评分预测模块对特征间的不同相互关系进行学习，不但考虑用户和物品各自加权潜在特征之间的内在联系，而且考虑用户或物品与其加权潜在特征之间的相关性。同时，通过用户和物品间特征的融合，使得各特征间的二阶线性交互关系得到了充分挖掘。另外，多层感知机和因子分解机的使用，使得各特征间的高阶非线性交互关系得到了全面利用和高效组合，大大提高了推荐系统的性能。
本发明提出的基于异构信息网络的个性化推荐方法，提供了一个完整的评分预测架构，主要由特征提取器、基于注意力的特征增强模块和基于分层次特征交互的评分预测模块组成。
通过对评分预测模型的训练，特征提取器分别对用户和物品以查表的方式进行特征的表示学习，同时在不同的元图上利用邻接矩阵对用户和物品进行相似性计算并获取用户-物品相似度矩阵。然后，通过对用户-物品相似度矩阵进行矩阵因子分解得到不同元图上用户的潜在特征和物品的潜在特征。基于注意力的特征增强模块通过学习不同元图上用户和物品潜在特征的重要性，自动为有用的潜在特征生成较高的权重，为无用的潜在特征生成较低的权重，降低无用特征对评分预测所带来的干扰，同时增强有用特征对评分预测的贡献力，克服了现有技术中潜在特征区分力不强、重要特征对评分预测贡献性低的问题，提高了评分预测的准确度。
同时，基于分层次特征交互的评分预测模块在特征增强的基础上充分利用特征间的不同相互关系，分别对用户和物品各自加权潜在特征之间的相关性、用户或物品和其加权潜在特征之间的相关性以及用户和物品之间的相关性进行充分挖掘，使得各特征间的交互关系得到了全面利用和高效组合，使得预测评分更接近真实评分，大大提高了推荐系统的性能。
按照本发明所提供的设计方案，一种基于异构信息网络的个性化推荐方法，具体包含如下步骤：
步骤1.数据预处理。将用户对物品的评分数据集分为训练集和测试集两部分，其中，每一条评分记录都有用户对物品的喜好程度打分，打分范围为1到5分，分值越高表明该用户对该物品越感兴趣；
步骤2.构建评分预测架构。该架构包括特征提取器、基于注意力的特征增强模块和基于分层次特征交互的评分预测模块。特征提取器包括对用户的表示学习、对物品的表示学习以及不同元图上用户和物品的潜在特征提取。其中，潜在特征提取过程包括基于元图的用户-物品相似度计算和矩阵因子分解两部分。基于注意力的特征增强模块包含两个结构相似的网络，它们分别为用户注意力网络和物品注意力网络，各由两个全连接层组成。用户注意力网络的第一层公式为：第二层公式为 其中表示第1个全连接层上基于第i个元图的权值矩阵，X表示用户的向量矩阵，U(i)表示第i个元图上所获取到的用户潜在特征，表示第1个全连接层上基于第i个元图的偏置向量，表示第2个全连接层上基于第i个元图的权值矩阵，表示第2个全连接层上基于第i个元图的偏置向量，RELU表示网络的激活函数，表示第1个全连接层上基于第i个元图所学习到的注意力权值矩阵，表示第2个全连接层上基于第i个元图所学习到的注意力权值矩阵。在获取到用户潜在特征的注意力权值矩阵后，为了将权值的范围统一到(0,1)内，我们使用softmax函数对其进行归一化处理，得到第i个元图上最终的注意力权值矩阵E(i)。注意力权值相对较高的用户潜在特征我们将其视为有用的潜在特征，注意力权值相对较低的用户潜在特征我们将其视为无用的潜在特征；将潜在特征与学习到的权值进行乘积操作，相对不重要的特征会与较小的权值(比如说0.01,0.001，0.003等)相乘，相对重要的特征会与较大的权值(比如说0.98,0.97等)相乘。通过这种方式我们可以对不同元图上生成的用户潜在特征进行重要性区分，从而降低无用潜在特征对评分预测所带来的干扰，同时增强有用潜在特征对评分预测的贡献力。同时，我们以相同的方式通过物品注意力网络对物品潜在特征的重要性进行区分。基于分层次特征交互的评分预测模块主要考虑三个层次的特征相关性挖掘，包括用户和物品各自加权潜在特征之间的内在联系、用户或物品与其加权潜在特征之间的相关性以及用户和物品之间的特征交互关系；
步骤3.训练评分预测模型。将训练集中用户对物品的评分记录输入到特征提取器中，得到用户的表示向量、物品的表示向量以及不同元图上的潜在特征。将不同潜在特征输入到基于注意力的特征增强模块，学习得到各潜在特征的权值。将权值与潜在特征进行点乘操作，得到加权潜在特征。将加权潜在特征、用户的表示向量以及物品的表示向量输入基于分层次特征交互的评分预测模块进行评分预测。计算预测值与真实值之间的误差并更新网络参数(包括各潜在特征的权值，偏置向量的值，注意力网络中神经元dropout的比率，损失函数中正则化的强度等)，直到评分预测模型收敛且在测试集上的效果达到最优，训练得到最优评分预测模型；
步骤4.推荐物品给用户。将测试集中用户的ID和待评分物品的ID输入到最优评分预测模型的特征提取器中，得到用户和物品的表示向量及其潜在特征。将这些潜在特征输入到最优模型的特征增强网络中，得到不同元图上潜在特征的不同权值。将不同权值和对应的潜在特征进行点乘，得到加权潜在特征。然后，进行特征间的分层次相关性挖掘，得到不同层次特征之间的相互关系。最后，利用因子分解机计算得出用户对物品的预测评分值，计算公式为：其中，表示用户u对物品i的预测评分值，w0表示全局的偏置，wj表示第j个用户特征的权值，表示第j个用户潜在特征的权值，w′j表示第j个物品特征的权值，表示第j个物品潜在特征的权值，xj表示第j个用户特征，表示用户u的第j个潜在特征，yj表示第j个物品特征，表示物品i的第j个潜在特征，d表示各特征和潜在特征的维度大小，Hu,i表示用户u、物品i以及他们的潜在特征之间的相关性挖掘结果。在获取到用户对物品的预测评分值后，我们将预测评分值较高的物品推荐给用户。
上述的，步骤2中，特征提取器包括用户的表示学习、物品的表示学习以及不同元图上用户和物品的潜在特征提取三部分。其中，用户的表示学习和物品的表示学习是指通过查表操作学习得出用户的表示向量和物品的表示向量。用户和物品的潜在特征提取包括基于元图的用户-物品相似度矩阵计算和矩阵因子分解两个过程。用户-物品相似度矩阵的计算需要借助邻接矩阵来完成。以图4为例，在该元图的基础上要想求得用户-物品相似度矩阵S需要通过公式来实现，U表示用户，R表示用户对物品的评论(包括具体的评分值和相应的文字描述)，I表示物品，K表示评论中所提及的关键词，WUR表示用户和评论之间的邻接矩阵，WRI表示评论和物品之间的邻接矩阵，WRK表示评论和关键词之间的邻接矩阵，WUI表示用户和物品之间的邻接矩阵。然后，我们通过公式对用户-物品相似矩阵S进行因子分解分别获得用户的潜在特征U和物品的潜在特征I。其中，λu和λi为超参数。
上述的，步骤2中，基于注意力的特征增强模块包含两个结构相似的网络，它们分别为用户注意力网络和物品注意力网络，各由两个全连接层组成。
上述的，步骤2中，基于分层次特征交互的评分预测模块主要考虑三个层次的特征相关性挖掘：用户和物品各自加权潜在特征之间的内在联系、用户或物品与其加权潜在特征之间的相关性以及用户和物品之间的特征交互关系。
上述的，步骤2中，用户和物品各自加权潜在特征之间的内在联系计算公式为：
和
其中，C表示预定义元图的个数，表示第i个元图上用户的加权潜在特征矩阵，表示第i个元图上物品的加权潜在特征矩阵，⊙是两个矩阵间的点乘运算符。
上述的，步骤2中，用户或物品和其加权潜在特征之间的相关性计算公式为：
和
其中，X和Y分别表示用户的表示向量矩阵和物品的表示向量矩阵。
上述的，步骤2中，用户和物品之间的特征交互关系计算公式为：
为了进一步捕获用户和物品之间的相关性，我们将计算结果f输入一个多层感知机。最后，我们得到用户u、物品i以及他们的加权潜在特征之间的相关性挖掘结果Hu,i。
与现有技术相比，本发明的积极效果为：
1.本发明针对现有评分预测中，不同潜在特征区分力不强，重要特征对评分预测贡献性低的问题，提出基于注意力的特征增强模块来自动区分不同潜在特征的重要程度。通过学习，对不同元图上生成的潜在特征设置不同的权值，有用的潜在特征设置较高的权值，无用的潜在特征设置较低的权值，降低无用特征对评分预测的干扰，增强有用特征对评分预测的贡献。
2.本发明针对现有评分预测中，特征间相关性挖掘不充分，特征间组合不全面的问题，提出基于分层次特征交互的评分预测模块。通过三个不同层次的特征间相关性挖掘，有效的组合并彻底的利用各特征进行评分预测，提高推荐系统的性能。
附图说明
图1是本发明方法的流程示意图。
图2是本发明方法提出的评分预测架构示意图。
图3是本发明方法提出的基于注意力的特征增强模块结构示意图。
图4是元图的结构示意图。
具体实施方式
为更好的表达本发明中提出的基于异构信息网络的个性化推荐方法，下面结合附图和具体实施方式，以m个用户对n个物品进行评分为例，对本发明进行进一步的说明。
图1为本发明的整体流程图，包括数据预处理，构建评分预测架构，训练评分预测模型，推荐物品给用户四个部分。
步骤1.数据预处理。将用户对物品的评分数据集划分为训练集和测试集两部分，每一条评分记录都有用户对物品的喜好程度打分，打分范围为1到5分，分值越高表示该用户对该物品越感兴趣；
步骤2.构建评分预测架构。图2是本发明实施例的评分预测结构。该结构包含特征提取器、基于注意力的特征增强模块和基于分层次特征交互的评分预测模块。特征提取器中，m个用户的one-hot编码矩阵用L(U)表示，查表后学习到的用户表示向量矩阵用X表示。n个物品的one-hot编码矩阵用L(I)表示，查表后学习到的物品表示向量矩阵用Y表示。在本实施例中，我们一共预定义了C个元图，每个元图的起始节点为用户U，终止节点为物品I，我们借助邻接矩阵获取到C个用户-物品相似度矩阵S(C)。S(C)进行矩阵因子分解后得到用户的潜在特征矩阵U(C)和物品的潜在特征矩阵I(C)。基于注意力的特征增强模块中，将用户的表示向量矩阵X与用户的C个潜在特征矩阵U(C)分别进行拼接后送入用户注意力网络中，学习得出用户加权潜在特征矩阵将物品的表示向量矩阵Y与物品的C个潜在特征矩阵I(C)分别进行拼接后送入物品注意力网络中，学习得出物品加权潜在特征矩阵图3是以用户为实例的基于注意力的特征增强模块结构示意图，其中“FC1”和“FC2”表示用户注意力网络中第1个全连接层和第2个全连接层。“ReLU”指ReLU激活函数，“归一化”指将基于注意力的特征增强模块得到的权值矩阵进行归一化处理，使得矩阵中的数值在0和1之间。本实施例中，归一化处理使用的公式为：其中，指第i个元图上第2个全连接层获取到的权值矩阵。本实施例中，基于分层次特征交互的评分预测模块主要考虑三个层次的特征相关性挖掘：不同元图上用户和物品各自加权潜在特征之间的内在联系、用户或物品与其加权潜在特征之间的相关性以及用户和物品之间的特征交互关系；
步骤3.训练评分预测模型。首先，将训练集中用户对物品的评分记录输入到特征提取器中，分别得到用户的表示向量矩阵L(U)、物品的表示向量矩阵L(I)以及C个不同元图上他们的潜在特征矩阵U(C)和I(C)。然后，将获取到的不同潜在特征输入到基于注意力的特征增强模块，自动学习得出每个元图上用户和物品潜在特征的权值。紧接着，将权值矩阵与各潜在特征矩阵进行点乘操作，得到C个不同元图上的加权潜在特征矩阵和最后，将各加权潜在特征矩阵、用户的表示向量矩阵以及物品的表示向量矩阵输入基于分层次特征交互的评分预测模块进行评分预测。通过计算预测评分值与真实评分值之间的误差来更新模型的参数，不断重复直至模型收敛且在测试集上的效果达到最优，从而训练得出最优模型；
步骤4.推荐物品给用户。将测试集中用户的ID和待评分物品的ID输入到最优模型的特征提取器中，得到用户和物品的表示向量矩阵及其潜在特征矩阵。将获取到的潜在特征输入到最优模型中的基于注意力的特征增强模块中，得到不同元图上各潜在特征的权值。将权值矩阵和对应的潜在特征矩阵进行点乘，得到不同元图上用户和物品的加权潜在特征矩阵。然后，将用户表示向量矩阵、物品表示向量矩阵以及他们的加权潜在特征矩阵输入基于分层次特征交互的评分预测模块进行特征间的相关性挖掘，得到不同层次特征之间的相互关系。最后，通过因子分解机将各特征进行有效的组合并得到用户对物品的预测评分值，将预测评分值较高的物品推荐给用户。
应理解在本实施例中，加权潜在特征矩阵主要用来区分不同元图上用户和物品潜在特征对评分预测的贡献是不同的。在所预定义的C个元图中，基于每个元图所生成的潜在特征都会被赋予大小不同的权值，对评分预测贡献大的潜在特征会被赋予较大的权值，对评分预测贡献小的潜在特征会被赋予较小的权值。通过这种方式减小无用潜在特征在所有潜在特征中所占的比重，从而达到特征增强的效果。
尽管为说明目的公开了本发明的具体内容、实施算法以及附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。本发明不应局限于本说明书最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (10)

1.一种基于异构信息网络的个性化推荐方法，其步骤包括：
1)将用户对物品的评分数据集分为训练集和测试集；其中，评分数据集中的每一条评分记录包含用户对物品的喜好程度打分；构建评分预测架构，其包括特征提取器、基于注意力的特征增强模块和基于分层次特征交互的评分预测模块；其中，特征提取器用于生成用户的表示向量、物品的表示向量以及提取元图上用户和物品的潜在特征；基于注意力的特征增强模块包含用户注意力网络和物品注意力网络，用户注意力网络用于对用户的潜在特征的重要性进行区分；物品注意力网络用于对物品的潜在特征的重要性进行区分；基于分层次特征交互的评分预测模块用于特征相关性挖掘，包括用户各加权潜在特征之间的内在联系，物品各加权潜在特征之间的内在联系，用户与其加权潜在特征之间的相关性，物品与其加权潜在特征之间的相关性，以及用户和物品之间的特征交互关系；
2)将训练集中用户对物品的评分记录输入到特征提取器中，得到用户的表示向量、物品的表示向量并提取元图上用户和物品的潜在特征；然后将不同潜在特征输入到基于注意力的特征增强模块，学习得到各潜在特征的权值，将权值与潜在特征进行点乘操作，得到加权潜在特征；然后将加权潜在特征、用户的表示向量以及物品的表示向量输入基于分层次特征交互的评分预测模块进行评分预测，然后根据预测值与真实值之间的误差更新网络参数，直到评分预测模型收敛且在测试集上的效果达到最优；
3)将测试集中用户的ID和待评分物品的ID输入到步骤2)训练得到的评分预测模型中，得到各用户对每一待评分物品的预测评分值，然后根据预测评分值为用户推荐物品。
2.如权利要求1所述的方法，其特征在于，通过查表操作生成用户的表示向量和物品的表示向量；基于元图的用户-物品相似度矩阵计算和矩阵因子分解得到用户的潜在特征和物品的潜在特征；其中，用户-物品相似度矩阵U表示用户，R表示用户对物品的评论，I表示物品，K表示评论中所提及的关键词，WUR表示用户和评论之间的邻接矩阵，WRI表示评论和物品之间的邻接矩阵，WRK表示评论和关键词之间的邻接矩阵，WUI表示用户和物品之间的邻接矩阵，⊙是两个矩阵间的点乘运算符；通过公式对用户-物品相似矩阵S进行因子分解分别获得用户的潜在特征U和物品的潜在特征I；其中，λu和λi为超参数。
3.如权利要求1所述的方法，其特征在于，用户各加权潜在特征之间的内在联系为物品各加权潜在特征之间的内在联系为其中，C表示元图的个数，表示第i个元图上用户的加权潜在特征矩阵，表示第i个元图上物品的加权潜在特征矩阵。
4.如权利要求1所述的方法，其特征在于，用户与其加权潜在特征之间的相关性为物品与其加权潜在特征之间的相关性为其中，X为用户的表示向量矩阵，Y为物品的表示向量矩阵，C表示元图的个数，表示第i个元图上用户的加权潜在特征矩阵，表示第i个元图上物品的加权潜在特征矩阵。
5.如权利要求1所述的方法，其特征在于，用户和物品之间的特征交互关系为：
其中，X为用户的表示向量矩阵，Y为物品的表示向量矩阵，C表示元图的个数，表示第i个元图上用户的加权潜在特征矩阵，表示第i个元图上物品的加权潜在特征矩阵。
6.如权利要求1所述的方法，其特征在于，用户注意力网络由两个全连接层组成；其中，第一全连接层公式为：第二全连接层公式为 其中，表示第一全连接层上基于第i个元图的权值矩阵，X表示用户的向量矩阵，U(i)表示第i个元图上所获取到的用户潜在特征矩阵，表示第一全连接层上基于第i个元图的偏置向量，表示第二全连接层上基于第i个元图的权值矩阵，表示第二全连接层上基于第i个元图的偏置向量，RELU表示激活函数，表示第一全连接层上基于第i个元图所学习到的用户注意力权值矩阵，表示第二全连接层上基于第i个元图所学习到的用户注意力权值矩阵。
7.如权利要求1所述的方法，其特征在于，物品注意力网络由两个全连接层组成；其中，第一全连接层公式为：第二全连接层公式为 其中，表示第一全连接层上基于第i个元图的权值矩阵，Y表示物品的向量矩阵，I(i)表示第i个元图上所获取到的物品潜在特征矩阵，表示第一全连接层上基于第i个元图的偏置向量，表示第二全连接层上基于第i个元图的权值矩阵，表示第二全连接层上基于第i个元图的偏置向量，RELU表示激活函数，表示第一全连接层上基于第i个元图所学习到的物品注意力权值矩阵，表示第二全连接层上基于第i个元图所学习到的物品注意力权值矩阵。
8.如权利要求6或7所述的方法，其特征在于，使用softmax函数对注意力权值矩阵进行归一化处理，得到第i个元图上最终的注意力权值矩阵E(i)。
9.如权利要求6或7所述的方法，其特征在于，用户注意力网络对用户的潜在特征的重要性进行区分的方法为：根据用户的潜在特征得到该用户在每个元图上的注意力权值矩阵，并根据该用户的注意力权值矩阵识别出用户的有用潜在特征；物品注意力网络对物品的潜在特征的重要性进行区分的方法为：根据物品的潜在特征得到该物品在每个元图上的注意力权值矩阵，并根据该物品的注意力权值矩阵识别出物品的有用潜在特征。
10.如权利要求1或2所述的方法，其特征在于，利用因子分解机计算得出各用户对每一待评分物品的预测评分值，计算公式为： 其中，表示用户u对物品i的预测评分值，w0表示全局的偏置，wj表示第j个用户特征的权值，表示第j个用户加权潜在特征的权值，wj′表示第j个物品特征的权值，表示第j个物品加权潜在特征的权值，xj表示第j个用户特征，表示用户u的第j个加权潜在特征，yj表示第j个物品特征，表示物品i的第j个加权潜在特征，d表示各特征和潜加权在特征的维度大小，Hu,i表示用户u、物品i以及他们的潜在特征之间的相关性挖掘结果。
CN201910357967.8A 2019-04-30 2019-04-30 一种基于异构信息网络的个性化推荐方法 Active CN110245285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910357967.8A CN110245285B (zh) 2019-04-30 2019-04-30 一种基于异构信息网络的个性化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910357967.8A CN110245285B (zh) 2019-04-30 2019-04-30 一种基于异构信息网络的个性化推荐方法

Publications (2)

Publication Number Publication Date
CN110245285A true CN110245285A (zh) 2019-09-17
CN110245285B CN110245285B (zh) 2021-07-13

Family

ID=67883447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910357967.8A Active CN110245285B (zh) 2019-04-30 2019-04-30 一种基于异构信息网络的个性化推荐方法

Country Status (1)

Country Link
CN (1) CN110245285B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047406A (zh) * 2019-12-12 2020-04-21 北京思特奇信息技术股份有限公司 一种电信套餐推荐方法、装置、存储介质和设备
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
CN112328893A (zh) * 2020-11-25 2021-02-05 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法
CN112365708A (zh) * 2020-09-29 2021-02-12 西北大学 基于多图卷积网络的景区交通量预测模型建立和预测方法
CN113094593A (zh) * 2021-03-11 2021-07-09 西安交通大学 社交网络事件推荐方法、系统、设备及存储介质
CN113722608A (zh) * 2021-07-21 2021-11-30 中国科学院信息工程研究所 迭代副信息指导下基于关联关系学习的协同过滤方法及装置
CN113806630A (zh) * 2021-08-05 2021-12-17 中国科学院信息工程研究所 基于注意力的多视角特征融合跨域推荐方法及装置
CN114611009A (zh) * 2022-05-10 2022-06-10 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110184806A1 (en) * 2010-01-27 2011-07-28 Ye Chen Probabilistic recommendation of an item
CN106934071A (zh) * 2017-04-27 2017-07-07 北京大学 基于异构信息网络和贝叶斯个性化排序的推荐方法及装置
CN109241424A (zh) * 2018-08-29 2019-01-18 陕西师范大学 一种推荐方法
CN109410080A (zh) * 2018-10-16 2019-03-01 合肥工业大学 一种基于层次注意力机制的社交图像推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110184806A1 (en) * 2010-01-27 2011-07-28 Ye Chen Probabilistic recommendation of an item
CN106934071A (zh) * 2017-04-27 2017-07-07 北京大学 基于异构信息网络和贝叶斯个性化排序的推荐方法及装置
CN109241424A (zh) * 2018-08-29 2019-01-18 陕西师范大学 一种推荐方法
CN109410080A (zh) * 2018-10-16 2019-03-01 合肥工业大学 一种基于层次注意力机制的社交图像推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄威: "基于深度学习的推荐系统研究综述", 《计算机学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047406B (zh) * 2019-12-12 2023-08-22 北京思特奇信息技术股份有限公司 一种电信套餐推荐方法、装置、存储介质和设备
CN111047406A (zh) * 2019-12-12 2020-04-21 北京思特奇信息技术股份有限公司 一种电信套餐推荐方法、装置、存储介质和设备
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
CN112365708B (zh) * 2020-09-29 2022-04-19 西北大学 基于多图卷积网络的景区交通量预测模型建立和预测方法
CN112365708A (zh) * 2020-09-29 2021-02-12 西北大学 基于多图卷积网络的景区交通量预测模型建立和预测方法
CN112328893B (zh) * 2020-11-25 2022-08-02 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法
CN112328893A (zh) * 2020-11-25 2021-02-05 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法
CN113094593A (zh) * 2021-03-11 2021-07-09 西安交通大学 社交网络事件推荐方法、系统、设备及存储介质
CN113094593B (zh) * 2021-03-11 2023-03-28 西安交通大学 社交网络事件推荐方法、系统、设备及存储介质
CN113722608A (zh) * 2021-07-21 2021-11-30 中国科学院信息工程研究所 迭代副信息指导下基于关联关系学习的协同过滤方法及装置
CN113722608B (zh) * 2021-07-21 2024-03-22 中国科学院信息工程研究所 迭代副信息指导下基于关联关系学习的协同过滤方法及装置
CN113806630A (zh) * 2021-08-05 2021-12-17 中国科学院信息工程研究所 基于注意力的多视角特征融合跨域推荐方法及装置
CN113806630B (zh) * 2021-08-05 2024-06-14 中国科学院信息工程研究所 基于注意力的多视角特征融合跨域推荐方法及装置
CN114611009A (zh) * 2022-05-10 2022-06-10 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质
CN114611009B (zh) * 2022-05-10 2022-08-26 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110245285B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN110245285A (zh) 一种基于异构信息网络的个性化推荐方法
CN111339415B (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN105046515B (zh) 广告排序方法及装置
CN105045907B (zh) 一种用于个性化社会图像推荐的视觉注意‑标签‑用户兴趣树的构建方法
CN105740381A (zh) 一种基于复杂网络特性及神经网络聚类挖掘用户兴趣的方法
Zhang et al. A novel MAS-GAN-based data synthesis method for object surface defect detection
CN107832426A (zh) 一种基于使用序列上下文的app推荐方法及系统
CN108230355A (zh) 目标跟踪及神经网络训练方法、装置、存储介质和电子设备
CN112699310A (zh) 基于深度神经网络的冷启动跨域混合推荐的方法及系统
Zhong et al. Design of a personalized recommendation system for learning resources based on collaborative filtering
He et al. Multi-type factors representation learning for deep learning-based knowledge tracing
CN116484042A (zh) 一种结合自相关与交互引导式注意力机制的视觉问答方法
CN113742586B (zh) 一种基于知识图谱嵌入的学习资源推荐方法及系统
CN115203550A (zh) 一种增强邻居关系的社交推荐方法及系统
CN115631008B (zh) 商品推荐方法、装置、设备及介质
Wang et al. Online course recommendation algorithm based on multilevel fusion of user features and item features
Wang et al. [Retracted] Personalized Online Education Learning Strategies Based on Transfer Learning Emotion Classification Model
CN109858031A (zh) 神经网络模型训练、上下文预测方法及装置
CN110851694A (zh) 基于用户记忆网络和树形结构的深度模型的个性化推荐系统
Li Application of IoT-enabled computing technology for designing sports technical action characteristic model
Ren et al. A co-attention based multi-modal fusion network for review helpfulness prediction
Zhang et al. Label-reconstruction-based pseudo-subscore learning for action quality assessment in sporting events
Kaur et al. Learner-Centric Hybrid Filtering-Based Recommender System for Massive Open Online Courses
Ni et al. Sports dance action recognition system oriented to human motion monitoring and sensing

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