CN111160954B - 基于图卷积网络模型的面向群组对象的推荐方法 - Google Patents

基于图卷积网络模型的面向群组对象的推荐方法 Download PDF

Info

Publication number
CN111160954B
CN111160954B CN201911294356.XA CN201911294356A CN111160954B CN 111160954 B CN111160954 B CN 111160954B CN 201911294356 A CN201911294356 A CN 201911294356A CN 111160954 B CN111160954 B CN 111160954B
Authority
CN
China
Prior art keywords
group
user
commodity
graph
information
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
CN201911294356.XA
Other languages
English (en)
Other versions
CN111160954A (zh
Inventor
李泽超
江波
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201911294356.XA priority Critical patent/CN111160954B/zh
Publication of CN111160954A publication Critical patent/CN111160954A/zh
Application granted granted Critical
Publication of CN111160954B publication Critical patent/CN111160954B/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于图卷积网络模型的面向群组对象的推荐方法，该方法包括：首先对已有的群组与商品，用户与商品的历史交互数据以及群组与用户的关系进行建模，分别获得三个群组‑商品交互、用户‑商品交互、群组‑用户关系二部图。之后利用图卷积网络模型提取三个图用户、群组、商品的特征信息，再将提取的特征表示融合得到完整的用户、群组、商品的特征表示，最后利用特征表示预测群组与待推荐商品交互的可能性大小，按可能性大小对商品进行排列，将前K个商品推荐给群组。本发明将图卷积网络模型应用于群组推荐领域，在提高群组推荐效果的同时，也提升了个体用户的推荐效果，从而实现总体上更优质的推荐服务体验。

Description

基于图卷积网络模型的面向群组对象的推荐方法
技术领域
本发明属于推荐算法技术领域，特别涉及一种基于图卷积网络模型的面向群组对象的推荐方法。
背景技术
面向群组对象的推荐方法(Group Recommendation)是指基于群组内用户的需求兴趣，以用户允许识别符合他们的需求、偏好、品味和目标为基础，查找对整个群组有益、感兴趣的商品推荐。在群组推荐的实现过程中，群组内用户与用户之间的关系，用户的活跃度，用户对群组决定权大小等等扮演着重要对角色，可以说，群组推荐是综合了各种因素的用户与推荐服务关系传递的抽象与凝练。群组推荐具有自组织、低耦合、可组合和可替换等特性。
面对日益复杂的群组推荐服务，现有的面对群组的推荐方法已经不能满足群组的复杂需求。已有的群组推荐方法分为两类，基于记忆的和基于模型的方法。基于记忆的方法把群组内的用户偏好属性融合在一起，作为群组的偏好属性，或者把对群组内每个用户产生一个推荐商品列表，然后将这些列表根据某些特定的策略融合在一起得到群组的一个推荐商品列表。这类方法的融合策略往往是预先制定好的，例如使群组中用户的最大满意度达到最高的maximum satisfaction策略。然而这种策略是不灵活的，无法适用于所有场景。基于模型的方法对整个群组决策的过程进行建模，Quan Yuan(2014)基于贝叶斯概率理论，提出了COM模型来模拟群组的生成决策过程[Yuan Q,Cong G,Lin C Y.COM:a generativemodel for group recommendation[C]//Proceedings of the 20th ACM SIGKDDinternational conference on Knowledge discovery and data mining.ACM,2014:163-172.]。Cao Da(2018)基于注意力机制，从用户的历史交互数据中动态的学习群组中用户偏好融合的策略，作为群组决策过程的依据。[Cao D,He X,Miao L,et al.Attentive grouprecommendation[C]//The 41st International ACM SIGIR Conference on Research&Development in Information Retrieval.ACM,2018:645-654.]。无论是基于贝叶斯理论还是基于注意力机制，单一的对群组决策的过程建模都不能完全刻画整个群组的特征，其忽视了群组与群组之间的协同信息，即对于包含共同用户，或者与同一个物品交互过的两个群组，在决策上具有相似性。
发明内容
本发明的目的在于针对现有群组推荐技术存在缺陷，提供一种基于图卷积模型的面向群组对象的推荐方法。
实现本发明目的的技术解决方案为：一种基于图卷积网络模型的面向群组对象的推荐方法，包括以下步骤：
步骤1、根据群组与用户的关系构建群组-用户关系二部图GraphR，根据群组与商品的历史交互行为记录构建群组-商品交互二部图GraphG，根据用户与商品的历史交互行为记录构建用户-商品交互二部图GraphU；
步骤2、利用三个图卷积网络NetR、NetG、NetU分别从三个二部图中提取特征，其中网络NetR的输入为群组和用户，输出为群组和用户的部分特征信息，网络NetG的输入为群组和商品，输出为群组和商品的部分特征信息，网络NetU的输入为用户和商品，输出为用户和商品的部分特征信息；
步骤3、将网络NetR输出的群组的部分特征信息和网络NetG输出的群组的部分特征信息进行特征融合获得群组的完全的特征表示eg；同样的，获得用户、商品各自完全的特征表示分别为eu、em；
步骤4、根据步骤3获得的群组、商品的特征表示预测群组与商品发生交互的可能性大小，根据用户、商品的特征表示预测用户与商品发生交互的可能性大小；对于某特定群组或用户，按照其与商品的交互可能性大小对商品进行排序，将可能性最大的K个商品推荐给该群组或用户，即为该群组或用户的Top-K推荐列表。
进一步地，步骤1的具体过程为：
构建群组-用户关系二部图GraphR时，将群组和用户作为二部图中的节点，若群组g包含用户u，或者用户u在群组g中，则群组g和用户u对应的两个节点之间存在路径；构建群组-商品交互二部图GraphG时，将群组和商品作为二部图中的节点，若群组g与商品m之间发生过交互行为，则群组g和商品m对应的两个节点之间存在路径；构建用户-商品交互二部图GraphU时，将用户和商品作为二部图中的节点，若用户u与商品m之间发生过交互行为，则用户u和商品m对应的两个节点之间存在路径。
进一步地，步骤2中三个图卷积网络具有相同的结构，均包括三部分：特征初始化模块，信息传递模块、输出模块；其中三个图神经网络共享一个特征初始化模块，即对每个群组、用户或者商品，只有一个初始化特征表示；
所述初始化模块，为每个群组、用户和商品初始化一个特征表示；
所述信息传递模块，包括K个信息传递层，每个信息传递层将图中每个节点依次视为中心节点，然后将该节点的相邻节点的信息传递至中心节点，并更新节点的特征表示，K个信息传递层共获得K个节点的特征表示；
所述输出模块，用于将节点的K个特征表示与节点的初始化特征表示串联在一起，作为节点的特征表示输出。
进一步地，所述初始化模块采用Xavier方法为每个群组、用户和商品初始化一个特征表示。
进一步地，所述信息传递模块中将中心节点的相邻节点的信息传递至中心节点，并更新节点的特征表示，具体为：
对于第k个信息传递层，此时已由第k-1个信息传递层得到节点的第k-1个特征表示，特殊地，若k＝1，则k-1层的表示为初始化模块输出的节点的初始化特征表示，针对中心节点i，融合其相邻节点的信息，更新得到其特征表示
Figure BDA0002320090980000031
所用公式为：
Figure BDA0002320090980000032
式中，Νi表示中心节点i的相邻节点构成的集合，LeakyRelu表示激活函数，
Figure BDA0002320090980000033
表示第k次信息传递过程中自身保留的信息，
Figure BDA0002320090980000034
表示第k次信息传递过程中由邻居节点j传递给中心节点i的信息，
Figure BDA0002320090980000035
和
Figure BDA0002320090980000036
的计算公式分别为：
Figure BDA0002320090980000037
Figure BDA0002320090980000038
式中，
Figure BDA0002320090980000039
为该网络模型的参数矩阵，
Figure BDA00023200909800000310
分别表示第k-1个信息传递层输出的节点i和j的特征表示，
Figure BDA00023200909800000313
表示逐元素的向量乘积，|Νi|、|Νj|分别表示节点i和j的相邻节点的个数。
进一步地，步骤3中所述特征融合的方式为加和，所用公式为：
Figure BDA00023200909800000311
Figure BDA00023200909800000312
Figure BDA0002320090980000041
式中，
Figure BDA0002320090980000042
分别为网络NetR输出的群组的部分特征信息和网络NetG输出的群组的部分特征信息，
Figure BDA0002320090980000043
分别为网络NetR输出的用户的部分特征信息和网络NetU输出的用户的部分特征信息；
Figure BDA0002320090980000044
分别为网络NetG输出的商品的部分特征信息和网络NetU输出的商品的部分特征信息。
进一步地，步骤4中所述交互的可能性大小的计算为群组或者用户的特征表示向量与商品的特征表示向量的乘积，所用公式为：
Figure BDA0002320090980000045
Figure BDA0002320090980000046
本发明与现有技术相比，其显著优点为：1)将群组与群组之间、用户与用户、商品与商品之间存在的协同信息显式地融入群组、用户、商品的特征表示中，使得最终的特征向量能够更好的表示群组、用户和商品；2)将图卷积网络引入群组推荐领域，提高了推荐精度，提升了推荐效果；3)在提升群组推荐的效果同时，也促进了群体中的用户做的个性化推荐精度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于图卷积网络模型的面向群组对象的推荐方法的流程图。
图2为本发明中图卷积网络的结构示意图。
具体实施方式
结合图1，本发明提出了一种基于图卷积网络模型的面向群组对象的推荐方法，包括以下步骤：
步骤1、根据群组与用户的关系构建群组-用户关系二部图GraphR，将群组和用户作为二部图中的节点，若群组g包含用户u，或者用户u在群组g中，则群组g和用户u对应的两个节点之间存在路径。类似地，根据群组与商品的历史交互行为记录构建群组-商品交互二部图GraphG，根据用户与商品的历史交互行为记录构建用户-商品交互二部图GraphU。
步骤2、利用三个图卷积网络NetR、NetG、NetU分别从三个二部图中提取特征，其中网络NetR的输入为群组和用户，输出为群组和用户的部分特征信息，网络NetG的输入为群组和商品，输出为群组和商品的部分特征信息，网络NetU的输入为用户和商品，输出为用户和商品的部分特征信息。
具体的，三个图卷积网络具有相同的结构，均包括三部分：特征初始化模块，信息传递模块、输出模块；其中三个图神经网络共享一个特征初始化模块，即对每个群组、用户或者商品，只有一个初始化特征表示；
初始化模块，采用Xavier方法为每个群组、用户和商品初始化一个特征表示，分别记为
Figure BDA0002320090980000051
信息传递模块，包括K个信息传递层，每个信息传递层将图中每个节点依次视为中心节点，然后将该节点的相邻节点的信息传递至中心节点，并更新节点的特征表示，K个信息传递层共获得K个节点的特征表示；
具体的，对于第k个信息传递层，此时已由第k-1个信息传递层得到节点的第k-1个特征表示，特殊地，若k＝1，则k-1层的表示为初始化模块输出的节点的初始化特征表示，针对中心节点i，融合其相邻节点的信息，更新得到其特征表示
Figure BDA0002320090980000052
所用公式为：
Figure BDA0002320090980000053
式中，Νi表示中心节点i的相邻节点构成的集合，LeakyRelu表示激活函数，
Figure BDA0002320090980000054
表示第k次信息传递过程中自身保留的信息，
Figure BDA0002320090980000055
表示第k次信息传递过程中由邻居节点j传递给中心节点i的信息，
Figure BDA0002320090980000056
和
Figure BDA0002320090980000057
的计算公式分别为：
Figure BDA0002320090980000058
Figure BDA0002320090980000059
式中，
Figure BDA00023200909800000510
为该网络模型的参数矩阵，
Figure BDA00023200909800000511
分别表示第k-1个信息传递层输出的节点i和j的特征表示，
Figure BDA00023200909800000512
表示逐元素的向量乘积，|Νi|、|Νj|分别表示节点i和j的相邻节点的个数。
输出模块，用于将节点的K个特征表示与节点的初始化特征表示串联在一起，作为节点的特征表示输出，即：
Figure BDA0002320090980000061
步骤3、将网络NetR输出的群组的部分特征信息和网络NetG输出的群组的部分特征信息进行特征融合获得群组的完全的特征表示eg，融合方式为加和：
Figure BDA0002320090980000062
类似的，获得用户、商品各自完全的特征表示分别为eu、em：
Figure BDA0002320090980000063
Figure BDA0002320090980000064
式中，
Figure BDA0002320090980000065
分别为网络NetR输出的群组的部分特征信息和网络NetG输出的群组的部分特征信息，
Figure BDA0002320090980000066
分别为网络NetR输出的用户的部分特征信息和网络NetU输出的用户的部分特征信息；
Figure BDA0002320090980000067
分别为网络NetG输出的商品的部分特征信息和网络NetU输出的商品的部分特征信息。
步骤4、根据步骤3获得的群组、商品的特征表示预测群组与商品发生交互的可能性大小，根据用户、商品的特征表示预测用户与商品发生交互的可能性大小。
具体的，交互的可能性大小的计算为群组或者用户的特征表示向量与商品的特征表示向量的乘积，所用公式为：
Figure BDA0002320090980000068
Figure BDA0002320090980000069
对于某特定群组或用户，按照其与商品的交互可能性大小对商品进行排序，将可能性最大的K个商品推荐给该群组或用户，即为该群组或用户的Top-K推荐列表。
下面结合实施例对本发明作进一步详细的描述。
实施例
本实施例以电影数据集为例对本发明进行具体的介绍，电影数据如下表1所示：
表1 CAMRa2011数据集信息
Figure BDA0002320090980000071
本发明的方法包括以下步骤：
步骤1、根据数据集中的群组成员信息构建群组-用户关系二部图GraphR，GraphR中节点为群组和用户，若群组g包含用户u，则图GraphR中群组g和用户u对应的两个节点之间存在路径。类似的，根据数据集中群组和用户的历史交互记录构建群组-电影交互二部图GraphG和用户-电影交互二部图GraphU。
步骤2、利用三个图卷积网络NetR、NetG、NetU分别从三个二部图中提取特征。具体的，结合图2，三个图卷积网络具有相同的结构，包括三部分：特征初始化模块，信息传递模块、输出模块。其中三个图神经网络共享一个特征初始化模块，即对每个群组、用户或者商品，只有一个初始化表示，分别记为
Figure BDA0002320090980000072
初始化模块采用Xavier方法。
以NetG为例，NetG以群组和电影作为网络的输入，经过特征初始化模块得到群组和电影的初始化特征表示
Figure BDA0002320090980000073
和
Figure BDA0002320090980000074
信息传递模块包含K个(此例中假定K＝3)信息传递层。每一层将上一层得到的特征表示作为输入，进一步的，以第2层信息传递层中节点i(i可以表示一个群组也可以表示一部电影)为例介绍信息传递层中的信息传递过程：
首先，对于i在图GraphG中的所有相邻节点，逐个计算图GraphG中相邻节点j在此次信息传递过程中传递的信息大小：
Figure BDA0002320090980000075
其中，
Figure BDA0002320090980000076
为图GraphG对应的图卷积网络NetG的第2个信息传递层的两个参数矩阵，
Figure BDA0002320090980000077
分别表示节点i和其相邻节点j经过NetG的第1个信息传递层更新后的特征表示。|Νi G|、|Νj G|表示节点i和j在群组-电影二部图GraphG中的相邻节点的个数，
Figure BDA0002320090980000078
表示逐元素的向量乘积。
然后计算节点i在此次信息传递中保留的信息大小：
Figure BDA0002320090980000081
接着，更新节点i的特征表示，得到新的特征表示：
Figure BDA0002320090980000082
其中，Νi G表示节点i在图GraphG中的邻居节点构成的集合，LeakyRelu表示激活函数。
3个信息传递层输出节点的3个特征表示：
Figure BDA0002320090980000083
NetG的输出模块将上述3个特征表示与其初始化表示
Figure BDA0002320090980000084
串联在一起，作为节点i经过整个图卷积网络的输出，即：
Figure BDA0002320090980000085
步骤3、对于群组g，由步骤2，图卷积网络NetR、NetG分别提取其在群组-用户关系二部图GraphR和群组-商品交互二部图GraphG中的特征表示
Figure BDA0002320090980000086
将两个特征融合在一起，得到完整的群组g的特征表示，具体为：
Figure BDA0002320090980000087
类似的，对电影m和用户u进行特征融合得到em和eu。
步骤4、根据步骤3得到的群组、用户、电影的特征表示，对群组(或者用户)与电影之间发生交互行为的可能性大小进行预测：
具体的，可能性大小的计算为群组或者用户的特征表示向量与商品的特征表示向量的乘积，即：
Figure BDA0002320090980000088
Figure BDA0002320090980000089
对于某特定群组(用户)，按照其与电影的交互可能性大小对电影进行排序，将可能性最大的K个商品推荐给该群组(用户)，即为该群组(用户)的Top-K推荐列表。
根据上述步骤，进行了实验分析，对于Top-5和Top-10的群组推荐任务来说，选取HR(Hit Ratio，命中率)和NDCG(Normalized Discounted Cumulative Gain，归一化折损累计增益)作为评价指标。
具体的，对每个群组，选取1部交互过的电影作为测试，将其从训练数据中移除，另外选取100部未交互过的电影与该测试电影一并作为待选电影，利用本方法从这101部电影中生成该群组的Top-5或者Top-10的推荐列表。本方法在Top-5的推荐任务上的HR和NDCG达到了0.6414和0.4398，在Top-10的推荐任务上的HR和NDCG达到了0.8310和0.4913，这验证了本发明方法的可行性和准确性。
本发明将图卷积网络模型应用于群组推荐领域，在提高群组推荐效果的同时，也提升了个体用户的推荐效果，从而实现总体上更优质的推荐服务体验。

Claims (7)

1.一种基于图卷积网络模型的面向群组对象的推荐方法，其特征在于，包括以下步骤：
步骤1、根据群组与用户的关系构建群组-用户关系二部图GraphR，根据群组与商品的历史交互行为记录构建群组-商品交互二部图GraphG，根据用户与商品的历史交互行为记录构建用户-商品交互二部图GraphU；
步骤2、利用三个图卷积网络NetR、NetG、NetU分别从三个二部图中提取特征，其中网络NetR的输入为群组和用户，输出为群组和用户的部分特征信息，网络NetG的输入为群组和商品，输出为群组和商品的部分特征信息，网络NetU的输入为用户和商品，输出为用户和商品的部分特征信息；
步骤3、将网络NetR输出的群组的部分特征信息和网络NetG输出的群组的部分特征信息进行特征融合获得群组的完全的特征表示eg；同样的，获得用户、商品各自完全的特征表示分别为eu、em；
步骤4、根据步骤3获得的群组、商品的特征表示预测群组与商品发生交互的可能性大小，根据用户、商品的特征表示预测用户与商品发生交互的可能性大小；对于某特定群组或用户，按照其与商品的交互可能性大小对商品进行排序，将可能性最大的K个商品推荐给该群组或用户，即为该群组或用户的Top-K推荐列表。
2.根据权利要求1所述的基于图卷积网络模型的面向群组对象的推荐方法，其特征在于，步骤1的具体过程为：
构建群组-用户关系二部图GraphR时，将群组和用户作为二部图中的节点，若群组g包含用户u，或者用户u在群组g中，则群组g和用户u对应的两个节点之间存在路径；构建群组-商品交互二部图GraphG时，将群组和商品作为二部图中的节点，若群组g与商品m之间发生过交互行为，则群组g和商品m对应的两个节点之间存在路径；构建用户-商品交互二部图GraphU时，将用户和商品作为二部图中的节点，若用户u与商品m之间发生过交互行为，则用户u和商品m对应的两个节点之间存在路径。
3.根据权利要求1所述的基于图卷积网络模型的面向群组对象的推荐方法，其特征在于，步骤2中三个图卷积网络具有相同的结构，均包括三部分：特征初始化模块，信息传递模块、输出模块；其中三个图神经网络共享一个特征初始化模块，即对每个群组、用户或者商品，只有一个初始化特征表示；
所述初始化模块，为每个群组、用户和商品初始化一个特征表示；
所述信息传递模块，包括K个信息传递层，每个信息传递层将图中每个节点依次视为中心节点，然后将该节点的相邻节点的信息传递至中心节点，并更新节点的特征表示，K个信息传递层共获得K个节点的特征表示；
所述输出模块，用于将节点的K个特征表示与节点的初始化特征表示串联在一起，作为节点的特征表示输出。
4.根据权利要求3所述的基于图卷积网络模型的面向群组对象的推荐方法，其特征在于，所述初始化模块具体采用Xavier方法为每个群组、用户和商品初始化一个特征表示。
5.根据权利要求3所述的基于图卷积网络模型的面向群组对象的推荐方法，其特征在于，所述信息传递模块中将中心节点的相邻节点的信息传递至中心节点，并更新节点的特征表示，具体为：
对于第k个信息传递层，此时已由第k-1个信息传递层得到节点的第k-1个特征表示，其中，若k＝1，则k-1层的表示为初始化模块输出的节点的初始化特征表示，针对中心节点i，融合其相邻节点的信息，更新得到其特征表示
Figure FDA0003723158410000021
所用公式为：
Figure FDA0003723158410000022
式中，Νi表示中心节点i的相邻节点构成的集合，LeakyRelu表示激活函数，
Figure FDA0003723158410000023
表示第k次信息传递过程中自身保留的信息，
Figure FDA0003723158410000024
表示第k次信息传递过程中由邻居节点j传递给中心节点i的信息，
Figure FDA0003723158410000025
和
Figure FDA0003723158410000026
的计算公式分别为：
Figure FDA0003723158410000027
Figure FDA0003723158410000028
式中，W1 k、
Figure FDA0003723158410000029
为图卷积网络模型的参数矩阵，
Figure FDA00037231584100000210
分别表示第k-1个信息传递层输出的节点i和j的特征表示，
Figure FDA0003723158410000031
表示逐元素的向量乘积，|Νi|、|Νj|分别表示节点i和j的相邻节点的个数。
6.根据权利要求5所述的基于图卷积网络模型的面向群组对象的推荐方法，其特征在于，步骤3中所述特征融合的方式为加和，所用公式为：
Figure FDA0003723158410000032
Figure FDA0003723158410000033
Figure FDA0003723158410000034
式中，
Figure FDA0003723158410000035
分别为网络NetR输出的群组的部分特征信息和网络NetG输出的群组的部分特征信息，
Figure FDA0003723158410000036
分别为网络NetR输出的用户的部分特征信息和网络NetU输出的用户的部分特征信息；
Figure FDA0003723158410000037
分别为网络NetG输出的商品的部分特征信息和网络NetU输出的商品的部分特征信息。
7.根据权利要求6所述的基于图卷积网络模型的面向群组对象的推荐方法，其特征在于，步骤4中所述交互的可能性大小的计算为群组或者用户的特征表示向量与商品的特征表示向量的乘积，所用公式为：
Figure FDA0003723158410000038
Figure FDA0003723158410000039
CN201911294356.XA 2019-12-16 2019-12-16 基于图卷积网络模型的面向群组对象的推荐方法 Active CN111160954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911294356.XA CN111160954B (zh) 2019-12-16 2019-12-16 基于图卷积网络模型的面向群组对象的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911294356.XA CN111160954B (zh) 2019-12-16 2019-12-16 基于图卷积网络模型的面向群组对象的推荐方法

Publications (2)

Publication Number Publication Date
CN111160954A CN111160954A (zh) 2020-05-15
CN111160954B true CN111160954B (zh) 2022-09-06

Family

ID=70557187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911294356.XA Active CN111160954B (zh) 2019-12-16 2019-12-16 基于图卷积网络模型的面向群组对象的推荐方法

Country Status (1)

Country Link
CN (1) CN111160954B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967946B (zh) * 2020-09-04 2024-04-12 吉林大学 一种基于面向用户多关系信息网络的商品推荐方法及系统
CN112418402B (zh) * 2020-11-24 2023-08-11 百度在线网络技术（北京）有限公司 推荐对象的方法、神经网络及其训练方法、计算设备
CN112465593B (zh) * 2020-11-27 2024-03-29 中国科学技术大学 通过图神经网络实现时尚套装推荐的方法
CN113343127B (zh) * 2021-04-25 2023-03-21 武汉理工大学 一种旅游路线推荐方法、系统、服务器及存储介质
CN113240490A (zh) * 2021-05-18 2021-08-10 中国人民大学 一种基于图神经网络的智能服务交易推荐方法及系统
CN113379494B (zh) * 2021-06-10 2024-05-31 清华大学 基于异质社交关系的商品推荐方法、装置和电子设备
CN114741572B (zh) * 2022-04-08 2024-07-23 山东省人工智能研究院 基于图卷积神经网络群组发现的群组推荐方法
CN115357805B (zh) * 2022-08-02 2023-06-16 山东省计算中心（国家超级计算济南中心） 一种基于内外部视角的群组推荐方法
CN116204729B (zh) * 2022-12-05 2024-05-10 武汉光谷康服信息科技有限公司 一种基于超图神经网络的跨领域群组智能推荐方法
CN117112914B (zh) * 2023-10-23 2024-02-09 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于图卷积的群体推荐方法
CN117421492B (zh) * 2023-12-19 2024-04-05 四川久远银海软件股份有限公司 一种数据要素商品的筛选系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084670A (zh) * 2019-04-15 2019-08-02 东北大学 一种基于lda-mlp的货架商品组合推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379609A1 (en) * 2014-06-30 2015-12-31 Kobo Incorporated Generating recommendations for unfamiliar users by utilizing social side information

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084670A (zh) * 2019-04-15 2019-08-02 东北大学 一种基于lda-mlp的货架商品组合推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于动态卷积概率矩阵分解的潜在群组推荐;王海艳等;《计算机研究与发展》;20170815(第08期);第228-238页 *

Also Published As

Publication number Publication date
CN111160954A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111160954B (zh) 基于图卷积网络模型的面向群组对象的推荐方法
Jiang et al. Social recommendation with cross-domain transferable knowledge
Guo et al. A deep graph neural network-based mechanism for social recommendations
CN111881350B (zh) 一种基于混合图结构化建模的推荐方法与系统
Jiang et al. Social recommendation across multiple relational domains
CN112861967A (zh) 基于异构图神经网络的社交网络异常用户检测方法及设备
CN107688605B (zh) 跨平台数据匹配方法、装置、计算机设备和存储介质
CN112507246B (zh) 一种融合全局和局部社会兴趣影响的社会推荐方法
CN114817663B (zh) 一种基于类别感知图神经网络的服务建模与推荐方法
CN114265986B (zh) 一种融合知识图谱结构与路径语义的信息推送方法和系统
CN115221413B (zh) 一种基于交互式图注意力网络的序列推荐方法及系统
CN111475739A (zh) 一种基于元路径的异质社交网络用户锚链接识别方法
Shokeen et al. A review on the dynamics of social recommender systems
CN115114526A (zh) 一种多行为增强信息的加权图卷积网络评分预测推荐方法
Wu et al. PDA-GNN: propagation-depth-aware graph neural networks for recommendation
Liu et al. Heterogeneous graph neural networks for large-scale bid keyword matching
CN114428912A (zh) 一种基于捕捉用户长短期兴趣异构超图的会话推荐方法
CN104484365A (zh) 一种多源异构网络中社会关系的预测方法与系统
CN117251586A (zh) 多媒体资源推荐方法、装置及存储介质
CN112084418A (zh) 一种基于邻居信息和属性网络表征学习的微博用户社团发现方法
Zhu et al. Trust-aware group recommendation with attention Mechanism in social network
Liang et al. The graph embedded topic model
Yang et al. Personalized recommendation based on collaborative filtering in social network
CN116304289A (zh) 基于图神经网络的供应链的信息链推荐方法及装置
CN112256756B (zh) 一种基于三元关联图和知识表示的影响力发现方法

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