CN111859166B - 一种基于改进的图卷积神经网络的物品评分预测方法 - Google Patents
一种基于改进的图卷积神经网络的物品评分预测方法 Download PDFInfo
- Publication number
- CN111859166B CN111859166B CN202010738044.XA CN202010738044A CN111859166B CN 111859166 B CN111859166 B CN 111859166B CN 202010738044 A CN202010738044 A CN 202010738044A CN 111859166 B CN111859166 B CN 111859166B
- Authority
- CN
- China
- Prior art keywords
- user
- item
- graph
- neural network
- matrix
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000013604 expression vector Substances 0.000 claims description 2
- 238000010030 laminating Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于改进的图卷积神经网络的物品评分预测方法,属于信息推荐技术领域。该方法包括:S1:获取用户对物品的历史评分、用户的个人信息,以及物品的属性信息;S2:构造用户‑物品,用户‑用户,物品‑物品关系图;S3:利用改进的图卷积神经网络提取多种关系图中节点的结构和内容特征;S4:选择神经网络模型融合节点的多种特征信息;S5:根据用户和物品的特征表示,预测用户对物品感兴趣的概率;S6:利用训练集和验证集训练模型;S7:利用训练好的模型预测用户对物品的评分。本发明通过改进的图卷积神经网络来有效提取用户与物品关系图的特征,实现预测用户对物品的评分,而且提升了预测的准确率。
Description
技术领域
本发明属于信息推荐技术领域,涉及一种基于改进的图卷积神经网络的物品评分预测方法。
背景技术
随着电商以及社交媒体平台的兴起,推荐系统成为现代人工智能中不可缺少的一部分。在信息过载的时代,为用户提供个性化和高准确度的推荐服务是提升商业收益的重要基石。通过分析用户与互联网在交互过程中留下的数据,捕获用户的兴趣偏好从而为用户推荐商品是推荐的主要目标,如何在多样化的数据中有效提取用户的偏好特征是一个关键环节。
深度学习由于其强大的表征能力在推荐系统中扮演着重要的角色,其中,处理图形结构数据的新型深度学习模型有了显著的进步,并在推荐系统中得到应用。最得到关注的是图卷积网络,它的核心思想是利用神经网络迭代地将图中节点的邻节点信息聚合,通过卷积操作模拟信息传播过程,来聚合节点特征。许多工作利用图卷积网络提取图中节点的结构和内容特征,并融入辅助信息来缓解数据稀疏从而提升推荐性能。
但是目前许多方法只考虑用户和物品单一的关系,简单的利用数据之间的结构信息来模拟消息传播,导致得到的推荐信息不更准确,对于用户可用性不大。
发明内容
有鉴于此,本发明的目的在于提供一种基于改进的图卷积神经网络的物品评分预测方法,将辅助信息应用于模型中,通过信息融合来挖掘多种关系之间的潜在联系,有助于模型提取到用户和物品的偏好特征。
为达到上述目的,本发明提供如下技术方案:
一种基于改进的图卷积神经网络的物品评分预测方法,首先构造用户-用户、物品-物品、用户-物品关系图,然后利用改进的图卷积网络提取多个关系图中节点的特征,最后利用BP神经网络融合特征信息得到用户和物品的特征表示,从而预测用户对物品的评分。
该方法具体包括以下步骤:
S1:获取用户对物品的历史评分、用户的个人信息,以及物品的属性信息等数据;
S2:构造用户-物品,用户-用户,物品-物品关系图;
S3:利用改进的图卷积神经网络提取多种关系图中节点(用户和物品)的结构和内容特征;
S4:选择神经网络模型融合节点的多种特征信息;
S5:根据用户和物品的特征表示,预测用户对物品感兴趣的概率;
S6:利用训练集和验证集训练模型;
S7:利用训练好的模型预测用户对物品的评分。
进一步,所述步骤S1具体包括以下步骤:
S11:获取用户对物品的评分数据,用户的年龄、性别、职业、邮编,物品的属性、类别等数据,并根据用户ID和物品ID组成评分矩阵、用户特征矩阵和物品特征矩阵;
S12:划分数据集:随机选取80%作为训练集,20%作为测试集,再选取训练集的10%作为验证集。
进一步,所述步骤S2具体包括以下步骤:
S21:根据用户的年龄、性别、职业和邮编等特征计算用户之间兴趣的相似关系图G1={(ui,tij,uj)|u∈U,0≤tij≤1},其中,u表示用户,t表示用户之间兴趣的相似程度;根据物品的属性和类别等计算物品之间的相似关系图G2={(vi,tij,vj)|v∈V,0≤tij≤1},其中,v表示物品,t表示物品之间的相似度,表达式为:
其中,f表示用户个人信息/物品属性的初始特征向量,sum表示向量的各个元素相加;
S22:根据用户对物品的评分数据构建用户-物品交互二分图G3={(u,yuv,v)|u∈U,v∈V,yuv∈(1,2,…,r)},其中,y表示用户对物品的评分值,U、V分别为用户和物品的集合,r为用户对物品的评分值。
进一步,所述步骤S3具体包括以下步骤:
S31:构造改进的图卷积神经网络;
将图上的节点作为模型的输入向量x∈RN,并将其视为一种图上的信号;表示正则化的图拉普拉斯矩阵,其中,I表示单位矩阵,A∈RN×N表示邻接矩阵,Dii=∑jAij表示图中节点的度矩阵;由于L是对称半正定矩阵,它可以分解为L=UΛUT,U=[u0,…,un-1]∈RN×N表示正交特征向量,Λ=diag([λ0,…,λn-1])∈RN×N表示非负特征值向量;根据频域上的卷积定理,一个信号与滤波器gθ=diag(θ)在图上的卷积为:
gθ*x=UgθUTx (2)
利用K阶多项式来近似计算gθ来简化计算,
其中,Θ∈RK是多项式的系数,将其代入方程(2),根据(UΛUT)k=UΛkUT,得到:
其中,Θk表示多项式第k项的系数;
其中,Θ′表示模型中可学习的参数;
S32:将关系图G1,G2,G3输入到图卷积网络,模拟消息传播的过程来提取图中节点的结构特征和内容特征;
对相同类型的节点进行处理,即用户-用户关系图G1和物品-物品关系图G2,分别得到用户和物品关于辅助信息的节点表示fu,fv;
其中,σ表示非线性激活函数Relu(·)=max(0,·),Θu表示模型中的参数矩阵,Tu表示用户节点之间的相似度系数,D是关于Tu的度矩阵,xu为节点的初始特征向量;类似地,fv采用同样的方式计算;
对不同类型的节点进行处理,即对用户-物品关系图G3进行处理,并为不同的评分设置不同的处理通道,得到用户和物品的特征表示Zu,Zv;
其中,Ri表示评分为i的评分矩阵,D是关于Ri的度矩阵;对不同处理通道的输出进行聚合,得到
其中,W表示可学习的参数,accum表示向量之间的连接操作;类似地,Zv采用同样的方式计算。
进一步,所述步骤S4具体包括:通过将不同图中提取到的节点特征输入到BP神经网络中进行信息融合,通过信息互助来更准确地学习节点特征的表示,得到用户和物品的最终的特征表示Hu,Hv;
Hu=σ(W1Zu+W2fu+b) (9)
其中,W1,W2是可训练的参数矩阵,b表示偏置;类似地,Hv采用同样的方式计算。
进一步,所述步骤S5具体包括以下步骤:
S51:根据网络输出的用户和物品的嵌入向量Hu,Hv,运用softmax函数预测用户对物品的评分值为r的概率:
其中,Qr、Qs为可训练的参数,用来防止发生过拟合;s表示取不同的评分值时的下标;
S52:预测用户对物品的评分值为:
进一步,所述步骤S6具体包括:采用随机梯度下降的方法最小化损失函数来训练模型,最小化损失函数为:
其中,I(k=l)=1,否则为0。
进一步,所述步骤S7具体包括:将评分测试集输入已经训练好的改进的图卷积神经网络,输出评分测试集的评分预测。
本发明的有益效果在于:本发明通过改进的图卷积神经网络来有效提取用户与物品关系图的特征,实现预测用户对物品的评分,而且提升了预测的准确率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明方法流程图;
图2为本发明改进的图卷积神经网络示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图2,图1为本发明所提出的基于图卷积神经网络的物品评分预测的模型流程图,主要分为以下几步:
1)构造关系图:本发明首先用独热编码初始化用户和物品的节点表示,再利用用户的个人信息如年龄、性别、职业、邮编等计算用户之前兴趣程度的相似性,同时利用物品的属性信息如属性、类别等计算物品之间的相似性,以及用户对物品的历史评分信息构造用户-用户、物品-物品、用户-物品关系图来描述用户、物品之间的复杂关系。其中,相似性的计算方式如下:
其中,f表示用户个人信息/物品属性的初始特征向量,sum表示向量的各个元素相加。
2)构建改进的图卷积神经网络;
该过程是处理图形结构数据的关键环节,用来提取图中节点的特征。将关系图输入图卷积神经网络中,学习用户和物品的特征表示向量Hu,Hv。它包含有图卷积层和全连接神经网络层。
3)评分预测:根据图卷积神经网络输出的用户和物品的嵌入向量Hu,Hv,运用softmax函数预测用户对物品的评分值为r的概率,
式中,Qr为可训练的参数,用来防止发生过拟合。然后预测用户对物品的评分值为:
然后根据如下损失函数采用随机梯度下降方法训练模型:
式中,I(k=l)=1,否则为0。
4)运用测试集的数据预测用户喜爱的物品。
图2为本发明所提出的改进的图卷积神经网络模型图,主要分为以下几部分:
1)图卷积层:我们将图上的节点作为模型的输入向量x∈RN,并将其视为一种图上的信号。表示正则化的图拉普拉斯矩阵,其中,I表示单位矩阵,A∈RN×N表示邻接矩阵,Dii=∑jAij表示图中节点的度矩阵。由于L是是对称半正定矩阵,它可以分解为L=UΛUT,U=[u0,…,un-1]∈RN×N表示正交特征向量,Λ=diag([λ0,…,λn-1])∈RN×N表示非负特征值。根据频域上的卷积定理,一个信号与滤波器gθ=diag(θ)在图上的卷积为:
gθ*x=UgθUTx
利用K阶多项式来近似计算gθ来简化计算,得到:
2)全连接神经网络层:对特征进行非线性融合,
H=σ(WZ+b)
式中,W表示参数矩阵,b表示偏置。
3)激活函数采用ReLU函数。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于改进的图卷积神经网络的物品评分预测方法,其特征在于,该方法具体包括以下步骤:
S1:获取用户对物品的历史评分、用户的个人信息,以及物品的属性信息;
S2:构造用户-物品,用户-用户,物品-物品关系图;
S3:利用改进的图卷积神经网络提取多种关系图中节点的结构和内容特征;具体是将关系图输入图卷积神经网络中,学习用户和物品的特征表示向量Hu,Hv;改进的图卷积神经网络,包含有图卷积层和全连接神经网络层,具体包括:
1)图卷积层:将图上的节点作为模型的输入向量x∈RN,并将其视为一种图上的信号;表示正则化的图拉普拉斯矩阵,其中,I表示单位矩阵,A∈RN×N表示邻接矩阵,Dii=∑jAij表示图中节点的度矩阵;将L分解为L=UΛUT,U=[u0,…,uN-1]∈RN×N表示正交特征向量,Λ=diag([λ0,…,λN-1])∈RN×N表示非负特征值;根据频域上的卷积定理,一个信号与滤波器gθ=diag(θ)在图上的卷积为:
gθ*x=UgθUTx (2)
利用K阶多项式来近似计算gθ来简化计算,得到:
其中,Θ∈RK是多项式的系数,将其代入方程(2),根据(UΛUT)k=UΛkUT,得到:
其中,Θk表示多项式第k项的系数;
其中,Θ′表示模型中可学习的参数;
2)全连接神经网络层:对特征进行非线性融合,
H=σ(WZ+b)
其中,W表示参数矩阵,b表示偏置,σ表示非线性激活函数,采用ReLU函数;
S4:选择神经网络模型融合节点的多种特征信息;
S5:根据用户和物品的特征表示,预测用户对物品感兴趣的概率;
S6:利用训练集和验证集训练模型;
S7:利用训练好的模型预测用户对物品的评分。
2.根据权利要求1所述的物品评分预测方法,其特征在于,所述步骤S1具体包括以下步骤:
S11:获取用户对物品的评分数据,用户的年龄、性别、职业、邮编,物品的属性、类别,并根据用户ID和物品ID组成评分矩阵、用户特征矩阵和物品特征矩阵;
S12:划分数据集:随机选取80%作为训练集,20%作为测试集,再选取训练集的10%作为验证集。
3.根据权利要求2所述的物品评分预测方法,其特征在于,所述步骤S2具体包括以下步骤:
S21:根据用户的年龄、性别、职业和邮编计算用户之间兴趣的相似关系图G1={(ui,tij,uj)|u∈U,0≤tij≤1},其中,u表示用户,t表示用户之间兴趣的相似程度;根据物品的属性和类别计算物品之间的相似关系图G2={(vi,tij,vj)|v∈V,0≤tij≤1},其中,v表示物品,t表示物品之间的相似度,表达式为:
其中,f表示用户个人信息/物品属性的初始特征向量,sum表示向量的各个元素相加;
S22:根据用户对物品的评分数据构建用户-物品交互二分图G3={(u,yuv,v)|u∈U,v∈V,yuv∈(1,2,…,r)},其中,y表示用户对物品的评分值,U、V分别为用户和物品的集合,r为用户对物品的评分值。
4.根据权利要求3所述的物品评分预测方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:构造改进的图卷积神经网络;
S32:将关系图G1,G2,G3输入到图卷积网络,模拟消息传播的过程来提取图中节点的结构特征和内容特征;
对相同类型的节点进行处理,即用户-用户关系图G1和物品-物品关系图G2,分别得到用户和物品关于辅助信息的节点表示fu,fv;
其中,σ表示非线性激活函数Relu(·)=max(0,·),Θu表示模型中的参数矩阵,Tu表示用户节点之间的相似度系数,D是关于Tu的度矩阵,xu为节点的初始特征向量;类似地,fv采用同样的方式计算;
对不同类型的节点进行处理,即对用户-物品关系图G3进行处理,并为不同的评分设置不同的处理通道,得到用户和物品的特征表示Zu,Zv;
其中,Wu表示可学习的参数,accum表示向量之间的连接操作;类似地,Zv采用同样的方式计算。
5.根据权利要求4所述的物品评分预测方法,其特征在于,所述步骤S4具体包括:通过将不同图中提取到的节点特征输入到BP神经网络中进行信息融合,通过信息互助来更准确地学习节点特征的表示,得到用户和物品的最终的特征表示Hu,Hv;
Hu=σ(W1Zu+W2fu+b) (9)
其中,W1,W2是可训练的参数矩阵,b表示偏置;类似地,Hv采用同样的方式计算。
8.根据权利要求7所述的物品评分预测方法,其特征在于,所述步骤S7具体包括:将评分测试集输入已经训练好的改进的图卷积神经网络,输出评分测试集的评分预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738044.XA CN111859166B (zh) | 2020-07-28 | 2020-07-28 | 一种基于改进的图卷积神经网络的物品评分预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738044.XA CN111859166B (zh) | 2020-07-28 | 2020-07-28 | 一种基于改进的图卷积神经网络的物品评分预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859166A CN111859166A (zh) | 2020-10-30 |
CN111859166B true CN111859166B (zh) | 2022-11-25 |
Family
ID=72948486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010738044.XA Active CN111859166B (zh) | 2020-07-28 | 2020-07-28 | 一种基于改进的图卷积神经网络的物品评分预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859166B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395514B (zh) * | 2020-12-08 | 2022-07-29 | 杭州电子科技大学 | 基于记忆网络的物品协同过滤推荐的方法 |
CN112529750A (zh) * | 2020-12-23 | 2021-03-19 | 上海松鼠课堂人工智能科技有限公司 | 基于图神经网络模型的学习事件推荐方法及系统 |
CN112766683A (zh) * | 2021-01-11 | 2021-05-07 | 上海信联信息发展股份有限公司 | 食品企业信用评定方法、装置及电子设备 |
CN113781150A (zh) * | 2021-01-28 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN112765373B (zh) * | 2021-01-29 | 2023-03-21 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备和存储介质 |
CN112836125B (zh) * | 2021-02-08 | 2022-02-11 | 东北师范大学 | 一种基于知识图谱和图卷积网络的推荐方法及其系统 |
CN112925983A (zh) * | 2021-03-23 | 2021-06-08 | 深圳供电局有限公司 | 一种电网资讯信息的推荐方法及系统 |
CN113407861B (zh) * | 2021-05-19 | 2022-07-15 | 中国科学技术大学 | 基于去中心化图神经网络的社交推荐方法 |
CN113297490B (zh) * | 2021-06-04 | 2022-08-02 | 西南大学 | 基于图卷积神经网络的双向推荐方法 |
CN115270005B (zh) * | 2022-09-30 | 2022-12-23 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备以及存储介质 |
CN116227939A (zh) * | 2023-05-04 | 2023-06-06 | 深圳市迪博企业风险管理技术有限公司 | 基于图卷积神经网络和em算法的企业信用评级方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
CN103744966A (zh) * | 2014-01-07 | 2014-04-23 | Tcl集团股份有限公司 | 一种物品推荐方法、装置 |
US10049375B1 (en) * | 2015-03-23 | 2018-08-14 | Amazon Technologies, Inc. | Automated graph-based identification of early adopter users |
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 |
CN109508419A (zh) * | 2018-11-23 | 2019-03-22 | 成都品果科技有限公司 | 一种基于知识学习的推荐方法和系统 |
CN111368203A (zh) * | 2020-03-09 | 2020-07-03 | 电子科技大学 | 一种基于图神经网络的新闻推荐方法及其系统 |
-
2020
- 2020-07-28 CN CN202010738044.XA patent/CN111859166B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
CN103744966A (zh) * | 2014-01-07 | 2014-04-23 | Tcl集团股份有限公司 | 一种物品推荐方法、装置 |
US10049375B1 (en) * | 2015-03-23 | 2018-08-14 | Amazon Technologies, Inc. | Automated graph-based identification of early adopter users |
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 |
CN109508419A (zh) * | 2018-11-23 | 2019-03-22 | 成都品果科技有限公司 | 一种基于知识学习的推荐方法和系统 |
CN111368203A (zh) * | 2020-03-09 | 2020-07-03 | 电子科技大学 | 一种基于图神经网络的新闻推荐方法及其系统 |
Non-Patent Citations (4)
Title |
---|
Dynamic Clustering Recommendation Algorithm For Two-Layer Graph Attention Network;Z. Wang 等;《2019 IEEE International Conferences on Ubiquitous Computing & Communications (IUCC) and Data Science and Computational Intelligence (DSCI) and Smart Computing, Networking and Services (SmartCNS)》;20200206;433-438 * |
Metapath-guided heterogeneous graph neural network for intent recommendation;Fan S 等;《Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining》;20190725;2478-2486 * |
TWD-GNN:基于三支决策的图神经网络推荐方法;李娴 等;《计算机工程与应用》;20200630;第56卷(第12期);156-162 * |
基于图嵌入技术的个人推荐与群组推荐算法研究;杨佳莉;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20200415(第(2020)04期);I138-536 * |
Also Published As
Publication number | Publication date |
---|---|
CN111859166A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859166B (zh) | 一种基于改进的图卷积神经网络的物品评分预测方法 | |
CN109299396B (zh) | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 | |
CN111310063B (zh) | 基于神经网络的记忆感知门控因子分解机物品推荐方法 | |
CN110362738B (zh) | 一种基于深度学习的结合信任和影响力的个性化推荐方法 | |
CN111881342A (zh) | 一种基于图孪生网络的推荐方法 | |
CN111428147A (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 | |
CN112115377B (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN109034960B (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
CN113590900A (zh) | 一种融合动态知识图谱的序列推荐方法 | |
CN109460508B (zh) | 一种高效的垃圾评论用户群组检测方法 | |
CN111259140B (zh) | 一种基于lstm多实体特征融合的虚假评论检测方法 | |
CN112364976A (zh) | 基于会话推荐系统的用户偏好预测方法 | |
CN114493755B (zh) | 一种融合时序信息的自注意力序列推荐方法 | |
CN109033294B (zh) | 一种融入内容信息的混合推荐方法 | |
CN111127146A (zh) | 基于卷积神经网络与降噪自编码器的信息推荐方法及系统 | |
CN112950324A (zh) | 一种知识图谱辅助的成对排序个性化电商推荐方法及系统 | |
CN110781401A (zh) | 一种基于协同自回归流实现的Top-n项目推荐方法 | |
CN112258262A (zh) | 一种基于卷积自注意力网络的会话推荐方法 | |
CN112905894B (zh) | 一种基于增强图学习的协同过滤推荐方法 | |
CN113139850A (zh) | 一种缓解数据稀疏性和商品冷启动的商品推荐模型 | |
CN112231583A (zh) | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 | |
CN112215629B (zh) | 基于构造对抗样本的多目标广告生成系统及其方法 | |
CN114036298B (zh) | 一种基于图卷积神经网络与词向量的节点分类方法 | |
CN113641811B (zh) | 促进购买行为的会话推荐方法、系统、设备及存储介质 | |
CN116911949A (zh) | 基于边界排名损失和邻域感知图神经网络的物品推荐方法 |
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 |