CN111310045A - 一种基于元路径的网络嵌入的电影推荐方法 - Google Patents

一种基于元路径的网络嵌入的电影推荐方法 Download PDF

Info

Publication number
CN111310045A
CN111310045A CN202010094718.7A CN202010094718A CN111310045A CN 111310045 A CN111310045 A CN 111310045A CN 202010094718 A CN202010094718 A CN 202010094718A CN 111310045 A CN111310045 A CN 111310045A
Authority
CN
China
Prior art keywords
movie
user
meta
path
node
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
Application number
CN202010094718.7A
Other languages
English (en)
Inventor
唐宏
陈虹羽
郭可可
赖雪梅
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post 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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010094718.7A priority Critical patent/CN111310045A/zh
Publication of CN111310045A publication Critical patent/CN111310045A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • 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
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及推荐技术领域，特别涉及一种基于元路径的网络嵌入的电影推荐方法，所述方法包括：获取用户和电影的信息；将用户和电影的信息构建为一个异质信息网络；使用基于元路径的随机游走获得各个节点的节点序列；将各个节点的序列通过skip‑gram模型即可学习到在不同元路径下的网络嵌入向量；将用户和电影的嵌入向量融合后作为融入到评分偏好中，计算用户对可能感兴趣电影的评分；根据评分，将相似的用户和电影推荐给用户。本发明能够将用户和电影通过异质信息网络连接起来，通过基于元路径的网络嵌入表示，获得更多用户和电影之间更多的信息，从而提高推荐的准确性。

Description

一种基于元路径的网络嵌入的电影推荐方法
技术领域
本发明涉及计算机网络技术领域，具体涉及一种基于元路径的网络嵌入的电影推荐方法。
背景技术
近年来，推荐系统在各种互联网产品中发挥着越来越重要的作用，因为它可以帮助用户在庞大的数据库中发现感兴趣的项目(如电影，商品等)。推荐系统用于挖掘用户的历史行为，并根据用户和商品的特征建立各自的特征矩阵。传统的推荐方法(如协同过滤)主要是利用相似度较大的邻居用户(或邻居物品)预测目标用户候选物品的评分。常见的做法为先构建用户－商品的评分矩阵，之后计算相似度来确定邻居集合，最后预测评分生成推荐列表。但随着互联网服务的快速发展，各种各样的辅助数据在推荐系统中变得容易获取。虽然辅助数据可能包含对推荐有用的信息，但在推荐系统中对这些异质的、复杂的信息进行建模和利用是非常困难的。因此，有人提出了异质信息网络。
异质信息网络作为一个新兴的方向，最近几年被用于推荐系统中。异质信息网络中存在多种类型的节点，节点间不同的连接关系能表示不同的语义信息，比传统的推荐系统拥有更多的信息，因此能够提高推荐的准确性。基于异质信息网络推荐问题可以看作是在异质信息网络上的相似性搜索任务。因为用户和商品就代表了异质信息网络上的两类节点，而交互(或评分)则构成了用户节点和商品节点之间的边。这样的推荐设置称为基于异质信息网络的推荐。基于异质信息网络的推荐算法因为包含多种类型的对象和关系，从而在一定程度上缓解了传统推荐中的冷启动问题，提高了推荐的准确性。同时异质信息网络可以挖掘用户的潜在兴趣，所以基于异质信息网络的推荐在文献中备受关注。大多数基于异质信息网络的推荐算法利用基于元路径的相似性来提高准确性，并不能很好的提取用户或商品的潜在特征。
另一方面，网络嵌入在提取网络结构特征方面具有很强的能力。由于异质信息网络包含复杂的语义，使用基于元路径的相似性度量的方法会丢失一部分语义信息。因此可以将之前的方法和网络嵌入联系在一起。网络嵌入目标是学习网络中节点的低维稠密的向量表示，同时这些向量可以作为机器学习的输入，从而可以得到更多的运用。
发明内容
为了解决上述问题，本发明提供一种基于元路径的网络嵌入的电影推荐方法。
一种基于元路径的网络嵌入的电影推荐方法，包括以下步骤：
S1、获取影视数据，从中提取包含用户和电影的信息，其中包括用户的观影记录、用户的评分记录、电影的导演、演员阵容以及电影类型；
S2、利用用户和电影的信息构建异质信息网络；
S3、根据异质信息网络获得不同的元路径，所述元路径包括物品-用户元路径、物品-物品元路径以及用户-用户元路径；
S4、采用基于元路径的随机游走方式获得各个节点的序列，再将各个节点的序列通过skip-gram模型学习网络嵌入，获得网络中各个用户节点的特征向量嵌入和各个电影节点的特征向量嵌入；
S5、利用融合函数将不同元路径下各个用户节点的特征向量嵌入融合在一起，得到用户的嵌入向量；利用融合函数将不同元路径下各个电影节点的特征向量嵌入融合在一起，得到电影的嵌入向量；
S6、采用线性相加的方式将用户的嵌入向量和电影的嵌入向量融入到评分偏好中，计算用户对可能感兴趣电影的评分，将评分高的且用户并未观看过的电影推荐给用户。
进一步的，所述基于元路径的随机游走方式包括：各个节点按照指定的元路径进行游走，获得获得各个节点的序列，即所需的路径实例。
进一步的，所述异质信息网络包含5种类型的对象和10种连接关系，5种类型的对象包括：用户、电影、导演、主题、演员；10种连接关系包括：用户- 用户、用户-电影、电影-用户、导演-电影、电影-导演、演员-电影、电影-演员。
本发明的有益效果：
1.本发明针对异质信息网络中不同元路径具有不同的语义信息进行推荐，采用基于元路径的随机游走方式，获得更多的语义信息，提高推荐的准确性。
2.本发明分别获得用户和电影的网络嵌入向量，可以很好地表示用户和电影的特征，并且可以有效地模拟用户的个人和社交兴趣，同时有助于提高推荐的准确性。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细的说明。
图1为本发明实施例的基于元路径的网络嵌入的电影推荐方法流程图；
图2为本发明实施例的异质信息网络图；
图3为本发明实施例的异质信息元模式。
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做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。
图1为本发明基于元路径的网络嵌入的电影推荐方法的流程图，该方法包括但不限于如下步骤：
S1、获取影视数据，从中提取包含用户和电影的信息，其中包括用户的观影记录、用户的评分记录、电影的导演、演员阵容以及电影类型；
S2、利用用户和电影的信息构建异质信息网络；
S3、根据异质信息网络获得不同的元路径，所述元路径包括物品-用户元路径、物品-物品元路径以及用户-用户元路径；
S4、采用基于元路径的随机游走方式获得各个节点的序列，再将各个节点的序列通过skip-gram模型学习网络嵌入，获得网络中各个用户节点的特征向量嵌入和各个电影节点的特征向量嵌入；
S5、利用融合函数将不同元路径下各个用户节点的特征向量嵌入融合在一起，得到用户的嵌入向量；利用融合函数将不同元路径下各个电影节点的特征向量嵌入融合在一起，得到电影的嵌入向量；
S6、采用线性相加的方式将用户的嵌入向量和电影的嵌入向量融入到评分偏好中，计算用户对可能感兴趣电影的评分，将评分高的且用户并未观看过的电影推荐给用户。
为了使本发明的方法更加清楚、完整，接下来将对本发明方法的各个步骤进行详细描述。
获取影视数据，从该数据中提取包含用户和电影的信息，其中，用户和电影的信息包括用户的观影记录、用户的评分记录、电影的导演、演员阵容以及电影类型。对该数据进行简单处理，删除观影记录少于50次的电影，删除没有导演的电影数据，只保留1-3个主题和1-5个主要演员。
利用简单处理之后的影视数据构建异质信息网络G＝(V,E)，如图2所示为本发明的异质信息网络图，图中包括5种类型的节点，即5种类型的对象，分别为：用户(U)、电影(M)、电影类型(T)、演员(A)和导演(D)，根据获取的影视数据连接各个节点，得到异质信息网络图G＝(V,E)，异质网络中至少包括10种连接关系，分别为：电影-用户、导演-电影、电影-导演、演员-电影、电影-演员、电影-电影类型、电影类型-电影，它们分别表示用户A观看了某部电影、某部电影被用户A观看，导演A拍摄了某部电影、电影被导演A拍摄，演员A参演了某部电影、某部电影被演员A参演，电影属于某个主题、电影被属于某个主题，用户A喜欢某用户、某用户被用户A喜欢。需要说明的是，图2只是简单的示意图，实际连接图复杂庞大。
元路径是定义在图3所示的异质信息元模式的路径，形式为
Figure RE-GDA0002453755470000041
其中Al表示节点类型，Rl连接类型。在异质信息网络G＝(V,E)中的元路径包含了丰富的信息，例如UMU的元路径表示看过相同电影的用户，UMTMU的元路径表示看过相同类型电影的用户，这样的路径有很多，我们就可以利用这些路径进行推荐。
根据异质信息网络获得不同的元路径，所述元路径用于表示连接不同描述对象的语义路径。在电影推荐中，人们主要是通过朋友推荐、高分电影和喜欢电影的类型来选择电影。因此我们认为以下的元路径更为重要，包括UU表示用户的朋友，UMU表示看过同一电影的用户，UMTMU表示看过同一主题电影的用户，UMDMU表示看过同一导演电影的用户，UMAMU表示看过同一演员电影的用户，通过这些元路径可以反映用户的行为特征；MUM表示被用户看过的电影，MTM表示相同主题的电影，MDM表示相同导演的电影，MAM表示相同演员的电影，通过这些元路径可以得到电影的特征。由于电影推荐重点在于寻找用户相似度和电影相似度，所以以上9种元路径具有代表性。
采用基于元路径的随机游走方式获得各个节点的序列，再将各个节点的序列通过skip-gram模型学习网络嵌入，获得网络中各个节点的特征向量嵌入ev∈ Rd，其中Rd表示d维的潜在表示，其中d远小于V的个数。
异质信息网络中的各种连接关系有利于挖掘用户之间的潜在关系，而异步双向随机游走支持在任何类型对象之间元路径中的任何位置会合的相似性计算。因此采用异步双向随机游走能够更准确地计算出需要的节点序列。
各个节点按照指定的元路径进行游走，获得获得各个节点的序列，即所需的路径实例。在给定元路径p＝(A0,A1,A2,…,Al)下，随机游走的计算公式包括：
Figure RE-GDA0002453755470000051
其中，
Figure RE-GDA0002453755470000052
表示基于元路径p下每一步被游走到的概率，其中i 表示第i步，
Figure RE-GDA0002453755470000053
表示在第i步的类型为t的节点，vi+1表示在第i+1步的类型为 t+1的节点，p表示指定的元路径，且p＝(A0,A1,A2,…,Al)，Al表示节点类型， l表示节点个数，|Nt+1(v)|表示节点v的邻居，而且这些邻居的节点为t+1，
Figure RE-GDA0002453755470000061
表示下一节点vi+1和当前节点
Figure RE-GDA0002453755470000062
有边连接。游走会随着元路径一直进行下去，直到达到我们预设的游走长度为止。
通过上述方法，在基于我们提出的元路径中，可以获得多个样本路径(即节点序列)。换句话说即可以获得在元路径下具体的实例。如在元路径UMU下，该实例为用户A→电影A→用户B或者用户A→电影A→用户C，只需要满足 UMU的条件都是该元路径的路径实例。
进一步的，将基于元路径的随机游走获得的各个节点序列通过skip-gram模型学习到其网络嵌入，公式如下：
Figure RE-GDA0002453755470000063
其中，arg函数表示最大化概率函数，θ表示arg函数的权重参数，v表示具体的嵌入向量，V表示嵌入向量，t表示节点类型为t，Tv表示总的节点类型，Ct表示邻居向量，Nt(v)表示节点v是第t类节点的邻域，
Figure RE-GDA00024537554700000614
为Softmax函数，即
Figure RE-GDA0002453755470000064
u表示用户节点，X表示节点嵌入向量矩阵，xv是X 的第v行，表示节点v的嵌入向量。通过此公式将基于元路径的随机游走获得的节点序列转换成低维的嵌入向量，这样降低了计算的复杂度，同时获得了更多的语义结构信息。
进一步的，用户u和电影i基于异质信息网络的特征向量嵌入包括：
Figure RE-GDA0002453755470000065
Figure RE-GDA0002453755470000066
其中，
Figure RE-GDA0002453755470000067
和
Figure RE-GDA0002453755470000068
分别表示用户u和电影i基于异质信息网络的特征向量嵌入，
Figure RE-GDA0002453755470000069
和
Figure RE-GDA00024537554700000610
表示嵌入向量的融合函数，l表示第l条元路径。
由上述公式我们可以分别获得用户的潜在特征向量嵌入
Figure RE-GDA00024537554700000611
和电影的潜在特征向量嵌入
Figure RE-GDA00024537554700000612
表示了用户隐藏在网络中的深层社交兴趣和偏好，有助于预测用户对特定电影的评分；
Figure RE-GDA00024537554700000613
表示了电影之间的相关性。
利用融合函数将不同元路径下各个用户节点的特征向量嵌入融合在一起，得到用户的嵌入向量；利用融合函数将不同元路径下各个电影节点的特征向量嵌入融合在一起，得到电影的嵌入向量，计算方式如下：
Figure RE-GDA0002453755470000071
Figure RE-GDA0002453755470000072
其中，
Figure RE-GDA0002453755470000073
和
Figure RE-GDA0002453755470000074
分别表示用户u和电影i的特征向量嵌入，
Figure RE-GDA0002453755470000075
表示用户 u的嵌入向量，
Figure RE-GDA0002453755470000076
表示电影i的嵌入向量，|P|表示元路径的集合数量，l表示第l条元路径，
Figure RE-GDA0002453755470000077
表示用户u对第l条元路径的偏好权重，
Figure RE-GDA0002453755470000078
表示电影i对第l条元路径的偏好权重，M(l)和b(l)分别表示第l条元路径下的变换矩阵和偏置向量。
采用线性相加的的方式将用户的嵌入向量和电影的嵌入向量融入到评分偏好中，计算用户对可能感兴趣电影的评分，计算方式如下：
Figure RE-GDA0002453755470000079
其中，
Figure RE-GDA00024537554700000710
表示用户u对电影i的预测评分矩阵，
Figure RE-GDA00024537554700000711
表示用户向量的转置，Yi表示电影向量，
Figure RE-GDA00024537554700000712
和
Figure RE-GDA00024537554700000713
分别表示用户u和电影i基于异质信息网络的特征向量嵌入，α和β都是可调参数，其共同作用是防止该函数过拟合。
Figure RE-GDA00024537554700000714
其中L表示对
Figure RE-GDA00024537554700000715
中参数不断优化的函数，ru，i表示用户对电影的原始评分矩阵，λ表示规则化系数。通过随机梯度下降算法不断优化该函数，可以获得最后所需的预测评分矩阵。其中随机梯度下降算法是机器学习中常用的优化方法，旨在向着目标函数梯度的反方向更新模型的参数，直到达到最大化或最小化目标函数的目的。
通过上述步骤计算出用户对可能感兴趣电影的评分，将评分高的且用户并未观看过的电影推荐给用户。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于元路径的网络嵌入的电影推荐方法，其特征在于，包括以下步骤：
S1、获取影视数据，从中提取包含用户和电影的信息，其中包括用户的观影记录、用户的评分记录、电影的导演、演员阵容以及电影类型；
S2、利用用户和电影的信息构建异质信息网络；
S3、根据异质信息网络获得不同的元路径，所述元路径包括物品-用户元路径、物品-物品元路径以及用户-用户元路径；
S4、采用基于元路径的随机游走方式获得各个节点的序列，再将各个节点的序列通过skip-gram模型学习网络嵌入，获得网络中各个用户节点的特征向量嵌入和各个电影节点的特征向量嵌入；
S5、利用融合函数将不同元路径下各个用户节点的特征向量嵌入融合在一起，得到用户的嵌入向量；利用融合函数将不同元路径下各个电影节点的特征向量嵌入融合在一起，得到电影的嵌入向量；
S6、采用线性相加的方式将用户的嵌入向量和电影的嵌入向量融入到评分偏好中，计算用户对可能感兴趣电影的评分，将评分高的且用户并未观看过的电影推荐给用户。
2.根据权利要求1所述的一种基于元路径的网络嵌入的电影推荐方法，其特征在于，所述基于元路径的随机游走方式包括：各个节点按照指定的元路径进行游走，获得获得各个节点的序列，即所需的路径实例。
3.根据权利要求2所述的一种基于元路径的网络嵌入的电影推荐方法，其特征在于，在给定元路径p＝(A0,A1,A2,…,Al)下，基于元路径的随机游走的计算公式包括：
Figure FDA0002384968590000011
其中，
Figure FDA0002384968590000012
表示基于元路径p下每一步被游走到的概率，
Figure FDA0002384968590000013
表示在第i步的类型为t的节点，vi+1表示在第i+1步的类型为t+1的节点，p表示给定的元路径，且p＝(A0,A1,A2,…,Al)，Al表示节点类型，l表示节点个数，|Nt+1(v)|表示节点v的邻居，而且这些邻居的节点为t+1。
4.根据权利要求1所述的一种基于元路径的网络嵌入的电影推荐方法，其特征在于，将各个节点的序列通过skip-gram模型学习网络嵌入，计算方式包括：
Figure FDA0002384968590000021
其中，arg函数表示最大化概率函数，θ表示arg函数的权重参数，v表示具体的嵌入向量，V表示嵌入向量，t表示节点类型为t，Tv表示总的节点类型，Ct表示邻居向量，Nt(v)表示节点v是第t类节点的邻域，
Figure FDA0002384968590000022
为Softmax函数，即
Figure FDA0002384968590000023
u表示用户节点，X表示节点嵌入向量矩阵，xv是X的第v行，表示节点v的嵌入向量。
5.根据权利要求1所述的一种基于元路径的网络嵌入的电影推荐方法，其特征在于，所述异质信息网络包含5种类型的对象和10种连接关系，5种类型的对象包括：用户、电影、导演、主题、演员；10种连接关系包括：用户-用户、用户-电影、电影-用户、导演-电影、电影-导演、演员-电影、电影-演员。
6.根据权利要求1所述的一种基于元路径的网络嵌入的电影推荐方法，其特征在于，将用户的嵌入和电影的嵌入融入到评分偏好中包括：
Figure FDA0002384968590000024
其中，
Figure FDA0002384968590000025
表示用户u对电影i的预测评分，
Figure FDA0002384968590000026
表示用户u的隐含向量，Yi表示电影i的隐含向量，
Figure FDA0002384968590000027
和
Figure FDA0002384968590000028
分别表示用户u和电影i基于异质信息网络的嵌入，α和β为可调参数，其共同作用是防止该函数过拟合。
CN202010094718.7A 2020-02-16 2020-02-16 一种基于元路径的网络嵌入的电影推荐方法 Pending CN111310045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010094718.7A CN111310045A (zh) 2020-02-16 2020-02-16 一种基于元路径的网络嵌入的电影推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010094718.7A CN111310045A (zh) 2020-02-16 2020-02-16 一种基于元路径的网络嵌入的电影推荐方法

Publications (1)

Publication Number Publication Date
CN111310045A true CN111310045A (zh) 2020-06-19

Family

ID=71160052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010094718.7A Pending CN111310045A (zh) 2020-02-16 2020-02-16 一种基于元路径的网络嵌入的电影推荐方法

Country Status (1)

Country Link
CN (1) CN111310045A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832724A (zh) * 2020-07-14 2020-10-27 西北工业大学 一种基于深度神经网络的异构网络推荐算法
CN111931045A (zh) * 2020-07-30 2020-11-13 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
CN112069290A (zh) * 2020-07-27 2020-12-11 中国科学院计算机网络信息中心 基于图局部结构和文本语义相似性的学术论文推荐方法
CN112650944A (zh) * 2020-12-29 2021-04-13 哈尔滨理工大学 一种基于高阶连接图的协同过滤推荐算法
CN112800342A (zh) * 2021-04-15 2021-05-14 中国人民解放军国防科技大学 基于异质信息的推荐方法、系统、计算机设备和存储介质
CN112861006A (zh) * 2021-02-22 2021-05-28 中国科学院计算技术研究所 融合元路径语义的推荐方法及系统
CN112907334A (zh) * 2021-03-24 2021-06-04 杭州网易再顾科技有限公司 一种对象推荐方法及装置
CN112948625A (zh) * 2021-02-01 2021-06-11 重庆邮电大学 一种基于属性异质信息网络嵌入的电影推荐方法
CN113704440A (zh) * 2021-09-06 2021-11-26 中国计量大学 一种基于物品图网络中路径表征的会话推荐方法
CN113836425A (zh) * 2021-09-29 2021-12-24 平安科技（深圳）有限公司 基于异构图注意力网络的电影推荐方法、装置及设备
CN115795177A (zh) * 2022-11-25 2023-03-14 人民网股份有限公司 社交媒体内容推荐方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107944629A (zh) * 2017-11-30 2018-04-20 北京邮电大学 一种基于异质信息网络表示的推荐方法及装置
CN110598130A (zh) * 2019-09-30 2019-12-20 重庆邮电大学 一种融合异构信息网络和深度学习的电影推荐方法
CN110633422A (zh) * 2019-09-16 2019-12-31 安徽大学 一种基于异构信息网络的微博好友推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107944629A (zh) * 2017-11-30 2018-04-20 北京邮电大学 一种基于异质信息网络表示的推荐方法及装置
CN110633422A (zh) * 2019-09-16 2019-12-31 安徽大学 一种基于异构信息网络的微博好友推荐方法
CN110598130A (zh) * 2019-09-30 2019-12-20 重庆邮电大学 一种融合异构信息网络和深度学习的电影推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DONG YUXIAO等: "metapath2vec: Scalable representation", 《KDD’17:PROCEEDINGS OF 23RD ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832724A (zh) * 2020-07-14 2020-10-27 西北工业大学 一种基于深度神经网络的异构网络推荐算法
CN112069290B (zh) * 2020-07-27 2022-07-12 中国科学院计算机网络信息中心 基于图局部结构和文本语义相似性的学术论文推荐方法
CN112069290A (zh) * 2020-07-27 2020-12-11 中国科学院计算机网络信息中心 基于图局部结构和文本语义相似性的学术论文推荐方法
CN111931045A (zh) * 2020-07-30 2020-11-13 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
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
CN112650944A (zh) * 2020-12-29 2021-04-13 哈尔滨理工大学 一种基于高阶连接图的协同过滤推荐算法
CN112948625A (zh) * 2021-02-01 2021-06-11 重庆邮电大学 一种基于属性异质信息网络嵌入的电影推荐方法
CN112948625B (zh) * 2021-02-01 2022-08-05 重庆邮电大学 一种基于属性异质信息网络嵌入的电影推荐方法
CN112861006A (zh) * 2021-02-22 2021-05-28 中国科学院计算技术研究所 融合元路径语义的推荐方法及系统
CN112861006B (zh) * 2021-02-22 2023-06-23 中国科学院计算技术研究所 融合元路径语义的推荐方法及系统
CN112907334A (zh) * 2021-03-24 2021-06-04 杭州网易再顾科技有限公司 一种对象推荐方法及装置
CN112907334B (zh) * 2021-03-24 2024-04-26 杭州网易再顾科技有限公司 一种对象推荐方法及装置
CN112800342A (zh) * 2021-04-15 2021-05-14 中国人民解放军国防科技大学 基于异质信息的推荐方法、系统、计算机设备和存储介质
CN112800342B (zh) * 2021-04-15 2021-07-02 中国人民解放军国防科技大学 基于异质信息的推荐方法、系统、计算机设备和存储介质
CN113704440B (zh) * 2021-09-06 2022-02-18 中国计量大学 一种基于物品图网络中路径表征的会话推荐方法
CN113704440A (zh) * 2021-09-06 2021-11-26 中国计量大学 一种基于物品图网络中路径表征的会话推荐方法
CN113836425A (zh) * 2021-09-29 2021-12-24 平安科技（深圳）有限公司 基于异构图注意力网络的电影推荐方法、装置及设备
CN115795177A (zh) * 2022-11-25 2023-03-14 人民网股份有限公司 社交媒体内容推荐方法及装置
CN115795177B (zh) * 2022-11-25 2023-04-28 人民网股份有限公司 社交媒体内容推荐方法及装置

Similar Documents

Publication Publication Date Title
CN111310045A (zh) 一种基于元路径的网络嵌入的电影推荐方法
CN112948625B (zh) 一种基于属性异质信息网络嵌入的电影推荐方法
CN110162701B (zh) 内容推送方法、装置、计算机设备和存储介质
CN111061946B (zh) 场景化内容推荐方法、装置、电子设备及存储介质
CN112732936B (zh) 一种基于知识图谱和用户微观行为的广电节目推荐方法
Liu et al. Adapting neighborhood and matrix factorization models for context aware recommendation
CN104199896B (zh) 基于特征分类的视频相似度确定及视频推荐方法
Cami et al. A content-based movie recommender system based on temporal user preferences
US11663661B2 (en) Apparatus and method for training a similarity model used to predict similarity between items
CN111209475A (zh) 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置
CN111368203A (zh) 一种基于图神经网络的新闻推荐方法及其系统
Al-Hadi et al. Review of the temporal recommendation system with matrix factorization
Huang et al. Learning to learn a cold-start sequential recommender
CN114020999A (zh) 一种电影社交网络的社区结构检测方法及系统
CN114357201B (zh) 基于信息感知的视听推荐方法、系统
Kannikaklang et al. A hybrid recommender system for improving rating prediction of movie recommendation
Cheng et al. The new similarity measure based on user preference models for collaborative filtering
CN113051468A (zh) 一种基于知识图谱和强化学习的电影推荐方法及系统
Ntalianis et al. Social relevance feedback based on multimedia content power
CN115391555A (zh) 一种用户感知的知识图谱推荐系统及方法
Mohamad et al. Collaborative filtering approach for movie recommendations
Singh et al. Image Based Recommender System using Transfer Learning
CN115809339A (zh) 跨领域推荐方法、系统、设备及存储介质
Joseph et al. A Comparative Study of Collaborative Movie Recommendation System
Gorli et al. MRML-Movie Recommendation Model with Machine Learning Techniques

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200619