CN111737569B - 基于属性感知注意图卷积神经网络的个性化推荐方法 - Google Patents

基于属性感知注意图卷积神经网络的个性化推荐方法 Download PDF

Info

Publication number
CN111737569B
CN111737569B CN202010498841.5A CN202010498841A CN111737569B CN 111737569 B CN111737569 B CN 111737569B CN 202010498841 A CN202010498841 A CN 202010498841A CN 111737569 B CN111737569 B CN 111737569B
Authority
CN
China
Prior art keywords
commodity
formula
user
attribute
data
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
CN202010498841.5A
Other languages
English (en)
Other versions
CN111737569A (zh
Inventor
程志勇
刘帆
聂礼强
高赞
舒明雷
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.)
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
Original Assignee
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
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 Shandong Computer Science Center National Super Computing Center in Jinan, Shandong Institute of Artificial Intelligence filed Critical Shandong Computer Science Center National Super Computing Center in Jinan
Priority to CN202010498841.5A priority Critical patent/CN111737569B/zh
Publication of CN111737569A publication Critical patent/CN111737569A/zh
Application granted granted Critical
Publication of CN111737569B publication Critical patent/CN111737569B/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

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

Abstract

一种基于属性感知注意图卷积神经网络的个性化推荐方法，利用属性信息缓解了稀疏性问题；提出了基于用户‑商品‑属性交互图的图卷积神经网络推荐算法缓解了属性缺失问题；通过属性感知的注意力机制对用户偏好建模，提升了模型的推荐效果，并可以通过对用户的偏好建模进行推荐。

Description

基于属性感知注意图卷积神经网络的个性化推荐方法
技术领域
本发明涉及推荐系统及深度学习领域，具体涉及一种基于属性感知注意图卷积神经网络的个性化推荐方法。
背景技术
年来，个性化推荐已经成为各类平台(电子商务，新闻媒体和社交网络)的核心技术。该技术对用户和商品之间的复杂交互关系建模，学习用户和商品的向量表示。然后，通过学习到的用户和商品向量间的点积计算估计用户和商品的相似度来实现个性化推荐。属性信息作为广泛存在的对商品的直接描述信息经常被用来解决推荐系统中的数据稀疏性问题。属性感知推荐方法可以分为两类：一类是可以对属性间的二阶交叉特征建模的基于因子分解机的方法；一类是学习属性的向量表示并连接不同属性的向量作为模型输入的基于深度神经网络的方法。但是，在真实应用场景中经常出现属性信息丢失的情况，目前的解决方法均因为在训练模型时引入了偏置信息导致不能获得最优模型。
发明内容
本发明为了克服以上技术的不足，提供了一种利用属性信息缓解了稀疏性问题，通过属性感知的注意力机制对用户偏好建模提升模型推荐效果的方法。
本发明克服其技术问题所采用的技术方案是：
一种基于属性感知注意图卷积神经网络的个性化推荐方法，包括如下步骤：
a)在商品交易数据集中的所有数据中随机选取80％的数据作为训练数据，剩余20％数据做测试数据，从训练数据中随机选取10％的数据作为验证集调试模型参数；
b)构建包含用户节点、商品节点和属性节点交互图的邻接矩阵；
c)建立并训练基于属性感知注意图卷积神经网络模型；
d)计算用户对商品的偏好程度，实现商品推荐。
进一步的，步骤b)包括如下步骤：
b-1)通过公式G＝(w,ε)构建无向图G，式中w为包含了用户节点ui、商品节点vj以及属性节点ak的集合，ε为商品与商品属性之间的边以及用户和购买过的商品之间的边的集合，i∈{1,…,Nu}，j∈{1,…,Nv}，k∈{1,…,Na}，Nu为用户节点的个数，Nv为商品节点的个数，Na为属性节点的个数；
b-2)通过拉普拉斯矩阵利用公式
Figure BDA0002523473850000021
建立用户节点、商品节点、属性节点交互图的节点关系，式中
Figure BDA0002523473850000022
Figure BDA0002523473850000023
R为实数矩阵。
进一步的，步骤c)包括如下步骤：
c-1)通过公式
Figure BDA0002523473850000024
计算用户u传递到商品v信息的向量mv←u，式中W1与W2为可训练的参数矩阵，W1,W2∈Rd′×d，d与d′为参数矩阵的维度信息，
Figure BDA0002523473850000025
为从用户传递至商品信息量的参数，eu为用户u的表征，ev为商品v的表征；
c-2)通过公式
Figure BDA0002523473850000026
计算商品v的自连接的向量mv←v，式中
Figure BDA0002523473850000027
为商品v传递到商品v信息量的参数；
c-3)通过公式
Figure BDA0002523473850000028
计算属性a传递到商品v信息的向量mv←a，式中
Figure BDA0002523473850000029
为从属性传递至商品信息量的参数，ea为通过初始化或预训练得到的属性a的表征；
c-4)通过公式
Figure BDA00025234738500000210
更新商品v的表征ev，式中
Figure BDA00025234738500000211
为与商品v相邻的用户集合，
Figure BDA00025234738500000212
为与商品v相邻的属性集合；
c-5)通过公式
Figure BDA0002523473850000031
计算用户u对商品v的影响值
Figure BDA0002523473850000032
式中
Figure BDA0002523473850000033
为参数矩阵，g()为可以度量向量间相似度的相似函数，通过公式
Figure BDA0002523473850000034
计算属性a对商品v的影响值
Figure BDA0002523473850000035
式中
Figure BDA0002523473850000036
为参数矩阵，通过公式
Figure BDA0002523473850000037
计算商品v对商品v自连接的影响值
Figure BDA0002523473850000038
式中
Figure BDA0002523473850000039
为参数矩阵，通过公式
Figure BDA00025234738500000310
计算每个用户表征对商品表征的贡献度
Figure BDA00025234738500000311
c-6)通过公式
Figure BDA00025234738500000312
计算商品v传递到用户u的向量mu←v，式中
Figure BDA00025234738500000313
为从商品传递至用户信息量的参数，通过公式
Figure BDA00025234738500000314
更新用户u的表征eu，式中mu←u为被保留的信息，
Figure BDA00025234738500000315
为与用户u相邻的商品集合；
c-7)通过公式
Figure BDA00025234738500000316
计算商品v对用户u的影响值
Figure BDA00025234738500000317
式中
Figure BDA00025234738500000318
为参数矩阵，式中
Figure BDA00025234738500000319
c-8)通过公式
Figure BDA00025234738500000320
计算每个商品表征对用户表征的影响程度
Figure BDA00025234738500000321
通过公式
Figure BDA00025234738500000322
计算用户u对用户u自连接的影响值
Figure BDA00025234738500000323
式中
Figure BDA00025234738500000324
为参数矩阵；
c-9)通过公式
Figure BDA00025234738500000325
计算损失函数，式中O＝{(u,v+,v-)|(u,v+)∈R+,(u,v-)∈R-}，v+为用户购买
过的的商品的数据，v-为用户没有购买过的的商品的数据，R+为用户和商品的交互数据集，R-为随机获得的负样例集合，λ为正则化权重，Θ为模型参数，φ为sigmoid函数。
进一步的，步骤d)中通过公式
Figure BDA0002523473850000041
计算用户对商品的偏好程度
Figure BDA0002523473850000042
式中T为矩阵转置。
本发明的有益效果是：利用属性信息缓解了稀疏性问题；提出了基于用户-商品-属性交互图的图卷积神经网络推荐算法缓解了属性缺失问题；通过属性感知的注意力机制对用户偏好建模，提升了模型的推荐效果，并可以通过对用户的偏好建模进行推荐。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于属性感知注意图卷积神经网络的个性化推荐方法，包括如下步骤：
a)在商品交易数据集中的所有数据中随机选取80％的数据作为训练数据，剩余20％数据做测试数据，从训练数据中随机选取10％的数据作为验证集调试模型参数。
例如采用四个亚马逊公开数据集(办公用品、服装、玩具与游戏和Kindle商店)，为了解决数据不均衡问题，我们过滤掉交易量小于5的商品。数据集中的所有数据中随机选取了80％作为训练数据，20％做测试数据，从训练集中随机选取10％的数据作为验证集调试模型参数。因此每个用户至少有4个交易信息在训练集，1个交易信息在测试集。
b)构建包含用户节点、商品节点和属性节点交互图的邻接矩阵。
c)建立并训练基于属性感知注意图卷积神经网络模型。
d)计算用户对商品的偏好程度，实现商品推荐。
利用属性信息缓解了稀疏性问题；提出了基于用户-商品-属性交互图的图卷积神经网络推荐算法缓解了属性缺失问题；通过属性感知的注意力机制对用户偏好建模，提升了模型的推荐效果，并可以通过对用户的偏好建模进行推荐。
进一步的，步骤b)包括如下步骤：
b-1)通过公式G＝(w,ε)构建无向图G，式中w为包含了用户节点ui、商品节点vj以及属性节点ak的集合，ε为商品与商品属性之间的边以及用户和购买过的商品之间的边的集合，i∈{1,…,Nu}，j∈{1,…,Nv}，k∈{1,…,Na}，Nu为用户节点的个数，Nv为商品节点的个数，Na为属性节点的个数。根据用户和商品的历史交互信息连接用户节点和商品节点；根据商品和属性的所属关系连接商品节点和属性节点。
b-2)通过拉普拉斯矩阵利用公式
Figure BDA0002523473850000051
建立用户节点、商品节点、属性节点交互图的节点关系，式中
Figure BDA0002523473850000052
其表示商品节点到每一个用户节点的权重，
Figure BDA0002523473850000053
分别表示用户节点到每一个商品节点和属性节点到每一商品节点的权重，R为实数矩阵。
进一步的，步骤c)包括如下步骤：
c-1)学习商品的表征。对任意一个商品v，它的表征通过累计从相邻的用户
Figure BDA0002523473850000054
和属性
Figure BDA0002523473850000055
传递来的信息学习，其中
Figure BDA0002523473850000056
和
Figure BDA0002523473850000057
分别对应与商品相邻的用户集合以及该商品的属性集合，基于信息传递的思想通过公式
Figure BDA0002523473850000058
计算用户u传递到商品v信息的向量mv←u，式中W1与W2为可训练的参数矩阵，W1,W2∈Rd′×d，是可训练的参数矩阵，可以从用户节点ui提取有用信息，d与d′为参数矩阵的维度信息，
Figure BDA0002523473850000059
为从用户传递至商品信息量的参数，eu为用户u的表征，ev为商品v的表征，⊙为点积计算；
c-2)节点的原始信息同样重要，为了保留商品v自身的重要信息，通过公式
Figure BDA0002523473850000061
计算商品v的自连接的向量mv←v，式中
Figure BDA0002523473850000062
为商品v传递到商品v信息量的参数；
c-3)通过公式
Figure BDA0002523473850000063
计算属性a传递到商品v信息的向量mv←a，式中
Figure BDA0002523473850000064
为从属性传递至商品信息量的参数，ea为通过初始化或预训练得到的属性a的表征；
c-4)汇总所有从相邻的用户节点和属性节点传递过来的信息，通过公式
Figure BDA0002523473850000065
更新商品v的表征ev，式中
Figure BDA0002523473850000066
为与商品v相邻的用户集合，
Figure BDA0002523473850000067
为与商品v相邻的属性集合；
c-5)假设不同邻居节点对商品v有不同的影响，因此设计相应的注意力机制估计邻居节点对商品v的影响，通过公式
Figure BDA0002523473850000068
计算用户u对商品v的影响值
Figure BDA0002523473850000069
式中
Figure BDA00025234738500000610
为参数矩阵，g()为可以度量向量间相似度的相似函数，通过公式
Figure BDA00025234738500000611
计算属性a对商品v的影响值
Figure BDA00025234738500000612
式中
Figure BDA00025234738500000613
为参数矩阵，通过公式
Figure BDA00025234738500000614
计算商品v对商品v自连接的影响值
Figure BDA00025234738500000615
式中
Figure BDA00025234738500000616
为参数矩阵，通过公式
Figure BDA00025234738500000617
计算每个用户表征对商品表征的贡献度
Figure BDA00025234738500000618
c-6)通过公式
Figure BDA00025234738500000619
计算商品v传递到用户u的向量mu←v，式中
Figure BDA00025234738500000620
为从商品传递至用户信息量的参数，通过公式
Figure BDA0002523473850000071
更新用户u的表征eu，式中mu←u为被保留的信息，
Figure BDA0002523473850000072
为与用户u相邻的商品集合；
c-7)通过公式
Figure BDA0002523473850000073
计算商品v对用户u的影响值
Figure BDA0002523473850000074
式中
Figure BDA0002523473850000075
为参数矩阵，式中
Figure BDA0002523473850000076
c-8)通过公式
Figure BDA0002523473850000077
计算每个商品表征对用户表征的影响程度
Figure BDA0002523473850000078
通过公式
Figure BDA0002523473850000079
计算用户u对用户u自连接的影响值
Figure BDA00025234738500000710
式中
Figure BDA00025234738500000711
为参数矩阵；
c-9)通过公式
Figure BDA00025234738500000712
计算损失函数，式中O＝{(u,v+,v-)(u,v+)∈R+,(u,v-)∈R-}，v+为用户购买过的的商品的数据，v-为用户没有购买过的的商品的数据，R+为用户和商品的交互数据集，R-为随机获得的负样例集合，λ为正则化权重，Θ为模型参数，φ为sigmoid函数。
进一步的，步骤d)中通过学到的用户向量和商品向量之间的点积计算来估计用户对商品的偏好度实现商品推荐，具体的通过公式
Figure BDA00025234738500000713
计算用户对商品的偏好程度
Figure BDA00025234738500000714
式中T为矩阵转置。

Claims (3)

1.一种基于属性感知注意图卷积神经网络的个性化推荐方法，其特征在于，包括如下步骤：
a)在商品交易数据集中的所有数据中随机选取80％的数据作为训练数据，剩余20％数据做测试数据，从训练数据中随机选取10％的数据作为验证集调试模型参数；
b)构建包含用户节点、商品节点和属性节点交互图的邻接矩阵；
c)建立并训练基于属性感知注意图卷积神经网络模型；
d)计算用户对商品的偏好程度，实现商品推荐；
步骤c)包括如下步骤：
c-1)通过公式
Figure FDA0003540307720000011
计算用户u传递到商品v信息的向量mv←u，式中W1与W2为可训练的参数矩阵，W1,W2∈Rd′×d，d与d′为参数矩阵的维度信息，
Figure FDA0003540307720000012
为从用户传递至商品信息量的参数，eu为用户u的表征，ev为商品v的表征；
c-2)通过公式
Figure FDA0003540307720000013
计算商品v的自连接的向量mv←v，式中
Figure FDA0003540307720000014
为商品v传递到商品v信息量的参数；
c-3)通过公式
Figure FDA0003540307720000015
计算属性a传递到商品v信息的向量mv←a，式中
Figure FDA0003540307720000016
为从属性传递至商品信息量的参数，ea为通过初始化或预训练得到的属性a的表征；
c-4)通过公式
Figure FDA0003540307720000017
更新商品v的表征ev，式中
Figure FDA0003540307720000018
为与商品v相邻的用户集合，
Figure FDA0003540307720000019
为与商品v相邻的属性集合；
c-5)通过公式
Figure FDA00035403077200000110
计算用户u对商品v的影响值
Figure FDA00035403077200000111
式中
Figure FDA00035403077200000112
为参数矩阵，g()为可以度量向量间相似度的相似函数，通过公式
Figure FDA0003540307720000021
计算属性a对商品v的影响值
Figure FDA0003540307720000022
式中
Figure FDA0003540307720000023
为参数矩阵，通过公式
Figure FDA0003540307720000024
计算商品v对商品v自连接的影响值
Figure FDA0003540307720000025
式中
Figure FDA0003540307720000026
为参数矩阵，通过公式
Figure FDA0003540307720000027
计算每个用户表征对商品表征的贡献度
Figure FDA0003540307720000028
c-6)通过公式
Figure FDA0003540307720000029
计算商品v传递到用户u的向量mu←v，式中
Figure FDA00035403077200000210
为从商品传递至用户信息量的参数，通过公式
Figure FDA00035403077200000211
更新用户u的表征eu，式中mu←u为被保留的信息，
Figure FDA00035403077200000212
为与用户u相邻的商品集合；
c-7)通过公式
Figure FDA00035403077200000213
计算商品v对用户u的影响值
Figure FDA00035403077200000214
式中
Figure FDA00035403077200000215
为参数矩阵，式中
Figure FDA00035403077200000216
c-8)通过公式
Figure FDA00035403077200000217
计算每个商品表征对用户表征的影响程度
Figure FDA00035403077200000218
通过公式
Figure FDA00035403077200000219
计算用户u对用户u自连接的影响值
Figure FDA00035403077200000220
式中
Figure FDA00035403077200000221
为参数矩阵；
c-9)通过公式
Figure FDA00035403077200000222
计算损失函数，式中
Figure FDA00035403077200000223
v+为用户购买过的的商品的数据，v-为用户没有购买过的的商品的数据，R+为用户和商品的交互数据集，R-为随机获得的负样例集合，λ为正则化权重，Θ为模型参数，φ为sigmoid函数。
2.根据权利要求1所述的基于属性感知注意图卷积神经网络的个性化推荐方法，其特征在于，步骤b)包括如下步骤：
b-1)通过公式G＝(w,ε)构建无向图G，式中w为包含了用户节点ui、商品节点vj以及属性节点ak的集合，ε为商品与商品属性之间的边以及用户和购买过的商品之间的边的集合，i∈{1,…,Nu}，j∈{1,…,Nv}，k∈{1,…,Na}，Nu为用户节点的个数，Nv为商品节点的个数，Na为属性节点的个数；
b-2)通过拉普拉斯矩阵利用公式
Figure FDA0003540307720000031
建立用户节点、商品节点、属性节点交互图的节点关系，式中
Figure FDA0003540307720000032
Figure FDA0003540307720000033
R为实数矩阵。
3.根据权利要求1所述的基于属性感知注意图卷积神经网络的个性化推荐方法，其特征在于，步骤d)中通过公式
Figure FDA0003540307720000034
计算用户对商品的偏好程度
Figure FDA0003540307720000035
式中T为矩阵转置。
CN202010498841.5A 2020-06-04 2020-06-04 基于属性感知注意图卷积神经网络的个性化推荐方法 Active CN111737569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010498841.5A CN111737569B (zh) 2020-06-04 2020-06-04 基于属性感知注意图卷积神经网络的个性化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498841.5A CN111737569B (zh) 2020-06-04 2020-06-04 基于属性感知注意图卷积神经网络的个性化推荐方法

Publications (2)

Publication Number Publication Date
CN111737569A CN111737569A (zh) 2020-10-02
CN111737569B true CN111737569B (zh) 2022-05-03

Family

ID=72648445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498841.5A Active CN111737569B (zh) 2020-06-04 2020-06-04 基于属性感知注意图卷积神经网络的个性化推荐方法

Country Status (1)

Country Link
CN (1) CN111737569B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN115187343B (zh) * 2022-07-20 2023-08-08 山东省人工智能研究院 基于注意图卷积神经网络的多行为推荐方法
CN117494354A (zh) * 2023-10-09 2024-02-02 杭州皓见新能源科技有限公司 一种基于代数链接度的光伏储能网络线路优化方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
CN110674407A (zh) * 2019-09-30 2020-01-10 杭州电子科技大学 基于图卷积神经网络的混合推荐方法
CN111062775A (zh) * 2019-12-03 2020-04-24 中山大学 一种基于注意力机制的推荐系统召回方法
US10650432B1 (en) * 2016-11-28 2020-05-12 Amazon Technologies, Inc. Recommendation system using improved neural network

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9489638B2 (en) * 2013-08-02 2016-11-08 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for propagating user preference information in a communications network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10650432B1 (en) * 2016-11-28 2020-05-12 Amazon Technologies, Inc. Recommendation system using improved neural network
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
CN110674407A (zh) * 2019-09-30 2020-01-10 杭州电子科技大学 基于图卷积神经网络的混合推荐方法
CN111062775A (zh) * 2019-12-03 2020-04-24 中山大学 一种基于注意力机制的推荐系统召回方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Bidirectional LSTM with attention mechanism and convolutional layer for text classification;Gang Liu, Jiabao Guo;《Neurocomputing》;20190401;全文 *
神经网络中的注意力机制;Adam Kosiorek;《机器人产业》;20171231;全文 *

Also Published As

Publication number Publication date
CN111737569A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111737569B (zh) 基于属性感知注意图卷积神经网络的个性化推荐方法
CN111428147B (zh) 结合社交和兴趣信息的异源图卷积网络的社交推荐方法
US20200250734A1 (en) Item recommendations using convolutions on weighted graphs
Khan et al. CNN with depthwise separable convolutions and combined kernels for rating prediction
CN109785062B (zh) 一种基于协同过滤模型的混合神经网络推荐系统
CN113065974B (zh) 一种基于动态网络表示学习的链路预测方法
CN103399858A (zh) 基于信任的社会化协同过滤推荐方法
CN113609398A (zh) 一种基于异构图神经网络的社交推荐方法
CN112416986B (zh) 基于分层个性化联邦学习的用户画像实现方法及系统
CN108446291A (zh) 用户信用的实时评分方法及评分系统
Jin et al. Neighborhood-aware web service quality prediction using deep learning
CN116757763A (zh) 基于知识图谱深度学习的电子商务推荐方法及系统
CN112364242A (zh) 针对上下文感知型的图卷积推荐系统
CN115187343A (zh) 基于注意图卷积神经网络的多行为推荐方法
CN115186197A (zh) 一种基于端到端双曲空间的用户推荐方法
Wang et al. Who are the best adopters? User selection model for free trial item promotion
CN110348906A (zh) 一种基于多类型隐式反馈的改进商品推荐方法
CN114139066A (zh) 一种基于图神经网络的协同过滤推荐系统
CN112016000B (zh) 一种基于卷积协同过滤的电影组推荐方法及系统
CN114861072B (zh) 一种基于层间组合机制的图卷积网络推荐方法及装置
CN115935079A (zh) 一种基于簇的图协同过滤推荐方法
CN113158088A (zh) 一种基于图神经网络的位置推荐方法
Hui et al. Node-polysemy aware recommendation by matrix completion with side information
CN114519600A (zh) 一种融合相邻节点方差的图神经网络ctr预估算法
Smahi et al. An encoder-decoder architecture for the prediction of web service qos

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