CN111881350A - 一种基于混合图结构化建模的推荐方法与系统 - Google Patents
一种基于混合图结构化建模的推荐方法与系统 Download PDFInfo
- Publication number
- CN111881350A CN111881350A CN202010717050.7A CN202010717050A CN111881350A CN 111881350 A CN111881350 A CN 111881350A CN 202010717050 A CN202010717050 A CN 202010717050A CN 111881350 A CN111881350 A CN 111881350A
- Authority
- CN
- China
- Prior art keywords
- user
- article
- graph
- modeling
- hypergraph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000005065 mining Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 40
- 230000003993 interaction Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 238000007670 refining Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06F16/9535—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于混合图结构化建模的推荐方法,其特征在于:包括:步骤1、对用户的历史数据进行预处理;步骤2、采用超图建模用户与物品间的关联;步骤3、采用图建模用户与用户之间的社交网络关联;步骤4、通过超图神经网络显式建模用户和物品之间的高阶协同信号,进一步挖掘高阶关联并细化用户和物品表示;步骤5、通过图神经网络进行用户的社交关联聚合;步骤6、生成最后的用户节点表示和物品超边表示,计算用户和物品的链路预测得分并给出最终的推荐预测结果等;本发明提出的方法及系统能够有效地挖掘用户与物品之间的高阶关联,高效地利用用户的社交网络结构信息辅助推荐。
Description
技术领域
本发明属于信息检索和推荐系统领域,特别是涉及一种基于混合图结构化建模的推荐方法与系统。
背景技术
随着信息技术和互联网技术的飞速发展,各种各样的互联网应用,从综合平台到垂直平台,每天都在产生数以亿计的信息。用户无时无刻不在面临着信息过载的严重问题。淹没在信息洪流中,用户难以在短时间内精确而迅速地定位用户可能感兴趣的内容,从而导致了用户(信息消费者)和平台(信息生产者)的双重损失。对于用户来说,获取有效信息所要付出的时间和精力成本急剧增加,极大地降低了用户体验;对于平台来说,用户体验降低可能加速用户流失,同时,自身的信息得不到有效推送,网站转化率降低,从而进一步影响平台经济效益。
在这种情况下,个性化推荐系统应运而生。个性化推荐系统是当下解决信息过载最有效的工具之一,从用户的角度来说,精准的推荐算法能够帮助用户快速找到感兴趣的内容;从平台的角度来说,推荐系统能够促进信息流的转化率,提升平台效益,降低用户流失风险。一个好的推荐系统能够利用用户的历史操作数据,针对每个用户给出精准的个性化推荐,有效的链接用户与物品(内容、咨询、音乐、新闻等)。
然而推荐系统的发展仍然受到了一些关键问题的制约,例如冷启动问题。冷启动问题指的是在面对一个新的用户(新的物品)时,缺少新用户的历史行为数据(新物品没有跟任何用户产生实质性交互),如何给新用户推荐物品(将新物品推荐给用户)。
基于社交网络的推荐系统能在一定程度上解决推荐系统中冷启动的问题。随着社交网络在国内外的蓬勃发展,例如脸书(Facebook),领英(LinkedIn)、推特(Twitter)、微博、微信等,用户在互联网上不再是一个孤立的个体,而是与其他用户产生了各种各样的联系。在社交网络上具有关联的用户对比其他无关联的用户对有更大概率具有相同的兴趣。基于社交网络的推荐系统能够增加推荐的可信度。
然而,现有的方法大多使用普通图来直接建模用户与物品项之间的历史行为交互,而缺少对于用户与用户,物品与物品之间的高阶协同信号的捕捉,而高阶关联对于用户潜在兴趣的建模捕捉是非常关键的。同时,如何内在且高效地连接用户与物品和用户与用户两个图,并聚合节点信息也非常重要,有利于更精准的挖掘用户兴趣以及解决推荐系统的冷启动问题。综上,亟需建立能够挖掘高阶协同信号,且能够内在连接社交网络与用户与物品图的个性化推荐方法与系统。
发明内容
本发明的目的在于通过对收集到的用户历史行为数据进行处理和分析进而给出精准的个性化推荐,首先利用超图建模用户与物品历史行为交互数据,相对于常用的基于普通图的方法能够显式地建模和挖掘用户之间和物品之间的高阶关联,更好地挖掘用户的潜在兴趣。之后基于图来建模用户与用户之间的社交网络关联,通过用户节点内在地连接两个图,通过超图神经网络和图神经网络来交替聚合用户与物品的特征信息,交替细化用户表示和物品表示。该方法能够有效地利用社交网络结构信息和用户之间的高阶关联信息帮助推荐,有助于精准挖掘用户的潜在兴趣,解决推荐系统的冷启动问题,提升推荐系统的可信度和精确度。
本发明还提供了一种基于混合图结构化建模的推荐方法,包括:
步骤1、对用户与物品历史行为交互数据进行数据清洗和预处理;
步骤2、利用超图对用户与物品历史行为交互数据进行建模;
超图表示为Gh=(Vh,Eh),其中,Vh表示超图的节点集合,Eh表示超图的超边集合;将用户建模为超图中的节点,物品建模为超图中的超边;一个超边连接多个节点表示多个用户均点击过该物品;
步骤3、利用超图对用户与物品历史行为交互建模之后,进一步使用普通图对其中的用户与用户之间的社交网络关联进行建模;
普通图表示为G=(V,E),其中,V表示图的节点集合,E表示图的边集合,;其中,用户为图中的节点,节点与节点之间存在链路,当且仅当用户在社交网络上存在联系;
步骤4、获得建模好的用户与物品历史行为超图和用户与用户社交关联图之后,利用超图神经网络来对用户与物品历史交互进行进一步的表示学习;
步骤5、使用图神经网络对用户与用户构成的社交网络进行表示学习;
步骤6、使用贝叶斯个性化排序损失函数计算网络损失,并进行梯度反向传播;
步骤7、重复步骤4、步骤5和步骤6,直到所计算的网络损失收敛;
步骤8、使用最终学习到的用户表示和物品表示计算评分,之后计算出其中得分最高的N个物品,并将这N个结果作为推荐结果。
进一步地,步骤1中具体包括以下步骤:
步骤1.1、遍历用户所有历史行为,将所有历史行为统一建模成隐式反馈;
步骤1.2、将所有脱敏后的用户ID和物品ID映射到自增序列,并完成数据清理;
步骤1.3、将用户对物品的历史操作保存为邻接list的形式。
进一步地,步骤4中:
将每一个用户和每一个物品初始化d维的特征,获得一个节点的特征矩阵X(l),将X(l)作为超图神经网络的输入进行表示学习;
表示学习时,首先进行节点卷积,将节点的特征聚集到所属的超边上,之后进行超边卷积,将超边上的特征聚集到相应的节点上。
进一步地,步骤5中:图神经网络迭代地聚合节点的特征信息,进行图上的消息传播,模拟现实中用户通过身边的人、关注用户获取和传递信息的过程,进而细化用户表示。
本发明还提供了一种基于混合图结构化建模的推荐系统,包括:数据预处理模块、用户历史行为建模模块、用户社交网络建模模块、用户与物品关联挖掘模块、用户与用户关系挖掘模块、网络损失计算模块、结果预测模块,其中:
数据预处理模块用于对用户的历史行为数据进行预先处理,增强数据质量,清洗掉错误数据和不合要求的数据;
用户历史行为建模模块用于使用超图来建模用户与物品历史行为交互数据,显式捕捉高阶关联;
用户社交网络建模模块基于普通图建模用户的社交网络结构;
用户与物品关联挖掘模块基于超图神经网络对构建的用户与物品历史行为超图进行学习,挖掘用户与物品之间的高阶关联并细化用户物品表示;
用户与用户关系挖掘模块用于在超图神经网络细化的用户表示的基础上,进一步使用图神经网络来挖掘用户与用户之间的关联;
网络损失计算模块用户在学习用户和物品表示之后计算网络的损失,并进行梯度回传,直到网络收敛;
结果预测模块计算所有的用户与物品对的预测分数,并找出其中分数最高的N个物品,作为最终推送给用户的N个推荐结果。
本发明的有益效果在于:
(1)本发明提出的方法能够显式地建模和挖掘用户、物品之间的高阶关联和协同信号,有效探索用户的潜在兴趣。
(2)该方法通过纳入用户的社交网络信息,增强了推荐系统的可信度,能够在一定程度上解决冷启动的问题。
(3)该方法以用户节点为媒介,内在地连接用户与物品历史行为超图和用户与用户社交网络,能够同时结合用户与物品的交互数据和用户的社交网络信息来加强用户表示。
附图说明
图1为本发明方法的流程图;
具体实施方式
以下将结合附图1对本发明的技术方案进行详细说明。
如图1所示,该实施例还提供了一种基于混合图结构化建模的推荐方法,具体包括:
步骤1、对用户的历史行为操作数据进行数据清洗和预处理;
步骤1中具体包括一下步骤:
步骤1.1、遍历所有的用户的历史行为,将所有的行为统一建模成隐式反馈。
例如,用户可能会对某条新闻进行点击、浏览、点赞、转发,评论等操作,也可能会对某个商品进行点击、浏览、收藏、加入购物车等操作,该类操作统一建模成用户对于该项物品的隐式反馈。
步骤1.2、将所有脱敏后的用户ID和物品ID映射到自增序列,并完成数据清理;在此过程中,需要检查是否存在数据缺失、数据不全、格式错误、等情况,进行数据清理。检查所有的物品ID,确保该物品ID在整个用户历史行为操作数据集中至少出现五次,以确保数据质量,并确保能够捕捉到协同信号。步骤1.3将用户对物品的历史操作保存为邻接list的形式。
步骤2、利用超图对用户与物品历史行为交互数据进行建模。
该步骤中,在得到预处理过的用户与物品邻接list之后,使用超图对用户与物品历史行为进行建模,并以显式编码高阶关联。
超图表示为Gh=(Vh,Eh),其中,其中,Vh表示超图的节点集合,Eh表示超图的超边集合;
该实施例中,将用户建模为超图中的节点,物品建模为超图中的超边。一个超边连接多个节点表示多个用户均点击过该物品,例如浏览、点击、评论、点赞和购买等行为统一建模成产生交互。
步骤3、使用普通图对用户与用户社交网络进行建模
该步骤中,在利用超图对用户与物品历史行为交互建模之后,进一步地使用普通图对其中的用户与用户之间的社交网络关联进行建模。
普通图表示为G=(V,E),其中,V表示图的节点集合,E表示图的边集合,其中,用户为图中的节点,节点与节点之间存在链路(连边)当且仅当用户在社交网络上存在联系,例如关注、互为好友等。
步骤4、使用超图神经网络对用户与物品历史交互进行表示学习。
该步骤中,获得建模好的用户与物品历史行为超图和用户与用户社交关联图之后,利用超图神经网络来对用户与物品历史交互进行进一步的表示学习。具体包括:
将每一个用户和每一个物品初始化d维的特征,获得一个节点的特征矩阵X(l),将X(l)作为超图神经网络的输入进行表示学习。
表示学习首先进行节点卷积,将节点的特征聚集到所属的超边上,之后进行超边卷积,将超边上的特征聚集到相应的节点上。这个过程统一称为一次超图卷积的过程,由下列公式表示:
其中,是可学习参数,C(l)/C(l+1)是网络第l层的输入/输出节点特征。σ(·)表示一个任意的激活函数,例如ReLU(·);Dv和De是节点集合的度数和超边集合的度数对角矩阵;H表示超图的关联矩阵,HT表示H的矩阵转置;X(l)表示网络第l层的节点特征矩阵,作为输入;X(l+1)表示网络第l层的输出,可以进一步用于更深层的嵌入抽取或者最终的节点表示。通过这种方式达到捕获用户与用户之间与物品相关的高阶关联信号的效果。
步骤5、使用图神经网络对用户与用户构成的社交网络进行表示学习。
该步骤中,图神经网络迭代地聚合节点(用户)的特征信息,进行图上的消息传播,模拟现实中用户通过身边的人、关注用户获取和传递信息的过程,进一步细化用户表示。该实施例中,将聚合从用户的邻居用户传递的消息,以增强用户的表示。具体来说,定义聚合函数为:
其中,表示用户u在l层的表示,LeakyReLU是激活函数,mu←u表示user的自连接,能够保留自身的特征,表示用户u的邻居集合,u′表示用户u的邻居集合中的某个用户,mu←u′表示从用户的邻居传递过来的信息。
步骤6、使用贝叶斯个性化排序损失函数计算网络损失,并进行梯度反向传播。
经过一轮的交替使用超图神经网络对用户与物品历史交互进行表示学习和使用图神经网络对用户与用户构成的社交网络进行表示学习之后,该施例中,需要定义网络的损失函数并进行梯度的方向传播以优化网络参数。该实例中,使用成对优化方法,该方法满足假设:“相比于未点击的物品(用户可能看到也可能没看到),用户更偏向于点击过的物品(展现出更高的兴趣)”,因此,点击过的物品在用户的推荐列表中的排名应该高于未点击的物品。同时该实施例进一步地使用贝叶斯个性化排序方法来定义网络损失函数并计算损失,损失函数定义如下:
其中,表示成对的三元组训练数据,其中相对于物品i-,用户u更偏向于i+;σ(·)表示logistic sigmoid激活函数,ln(·)表示对数函数,表示用户u和用户点击过的物品i+之间的相关性,表示用户u和用户没点击过的物品i-之间的相关性,Θ表示所有的模型参数,λ是防止模型过拟合的正则项的参数,||·||2表示矩阵的二范数。
步骤7、重复步骤4、步骤5和步骤6,直到网络损失收敛。
在步骤4使用超图神经网络对用户与物品历史交互进行表示学习、步骤5使用图神经网络对用户与用户构成的社交网络进行表示学习、步骤6使用贝叶斯个性化排序损失函数计算网络损失之后,需要存储当前的损失,并判断网络的损失是否收敛。如果收敛,则继续进行步骤8,否则,继续重复步骤4、步骤5和步骤6,直到模型收敛。
步骤8、使用最终学习到的用户表示和物品表示计算评分,即链路预测的置信度,之后计算出其中得分最高的N个物品,并将这N个物品作为推荐结果。
模型收敛后,从模型中抽取出最后一层的节点表示(用户表示)和超边表示(物品表示),之后对用户表示和物品表示作向量内积来计算用户与物品之间的相关性,也即所预测的偏好程度。对所有的用户与物品对都计算相关性,之后对每一个用户,选取与之相关性最高的N个物品作为最终的推荐结果。
此外,该实施例还提供了一种基于混合图结构化建模的推荐系统,包括:数据预处理模块、用户历史行为建模模块、用户社交网络建模模块、用户与物品关联挖掘模块、用户与用户关系挖掘模块、网络损失计算模块、结果预测模块,其中:
数据预处理模块用于先对用户的历史行为数据进行预先处理,增强数据质量,清洗掉错误数据和不合要求的数据;
用户历史行为建模模块用于使用超图来建模用户与物品历史行为交互数据,显式捕捉高阶关联;
用户社交网络建模模块基于普通图建模用户的社交网络结构。
用户与物品关联挖掘模块基于超图神经网络对构建的用户与物品历史行为交互超图进行学习,挖掘用户之间的、物品之间的高阶关联并细化用户物品表示
用户与用户关系挖掘模块用于在超图神经网络细化的用户表示的基础上,进一步使用图神经网络来挖掘用户与用户之间的关联。
网络损失计算模块用户在学习用户和物品表示之后计算网络的损失,并进行梯度回传,直到网络收敛。
结果预测模块计算所有的用户与物品对的预测分数,并找出其中分数最高的N个物品,作为最终推送给用户的推荐结果。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (5)
1.一种基于混合图结构化建模的推荐方法,其特征在于具体包括:
步骤1、对用户与物品历史行为交互数据进行数据清洗和预处理;
步骤2、利用超图对用户与物品历史行为交互数据进行建模;
超图表示为Gh=(Vh,Eh),其中,Vh表示超图的节点集合,Eh表示超图的超边集合;将用户建模为超图中的节点,物品建模为超图中的超边;一个超边连接多个节点表示多个用户均点击过该物品;
步骤3、利用超图对用户与物品历史行为交互建模之后,进一步使用普通图对其中的用户与用户之间的社交网络关联进行建模;
普通图表示为G=(V,E),其中,V表示图的节点集合,E表示图的边集合,;其中,用户为图中的节点,节点与节点之间存在链路,当且仅当用户在社交网络上存在联系;
步骤4、获得建模好的用户与物品历史行为超图和用户与用户社交关联图之后,利用超图神经网络来对用户与物品历史交互进行进一步的表示学习;
步骤5、使用图神经网络对用户与用户构成的社交网络进行表示学习;
步骤6、使用贝叶斯个性化排序损失函数计算网络损失,并进行梯度反向传播;
步骤7、重复步骤4、步骤5和步骤6,直到所计算的网络损失收敛;
步骤8、使用最终学习到的用户表示和物品表示计算评分,之后计算出其中得分最高的N个物品,并将这N个结果作为推荐结果。
2.根据权利要求1所述的基于混合图结构化建模的推荐方法,其特征在于:步骤1中具体包括以下步骤:
步骤1.1、遍历用户所有历史行为,将所有历史行为统一建模成隐式反馈;
步骤1.2、将所有脱敏后的用户ID和物品ID映射到自增序列,并完成数据清理;
步骤1.3、将用户对物品的历史操作保存为邻接list的形式。
3.根据权利要求1所述的基于混合图结构化建模的推荐方法,其特征在于:步骤4中:
将每一个用户和每一个物品初始化d维的特征,获得一个节点的特征矩阵X(l),将X(l)作为超图神经网络的输入进行表示学习;
表示学习时,首先进行节点卷积,将节点的特征聚集到所属的超边上,之后进行超边卷积,将超边上的特征聚集到相应的节点上。
4.根据权利要求1所述的基于混合图结构化建模的推荐方法,其特征在于:步骤5中:图神经网络迭代地聚合节点的特征信息,进行图上的消息传播,模拟现实中用户通过身边的人、关注用户获取和传递信息的过程,进而细化用户表示。
5.一种基于混合图结构化建模的推荐系统,包括:数据预处理模块、用户历史行为建模模块、用户社交网络建模模块、用户与物品关联挖掘模块、用户与用户关系挖掘模块、网络损失计算模块、结果预测模块,其中:
数据预处理模块用于对用户的历史行为数据进行预先处理,增强数据质量,清洗掉错误数据和不合要求的数据;
用户历史行为建模模块用于使用超图来建模用户与物品历史行为交互数据,显式捕捉高阶关联;
用户社交网络建模模块基于普通图建模用户的社交网络结构;
用户与物品关联挖掘模块基于超图神经网络对构建的用户与物品历史行为超图进行学习,挖掘用户与物品之间的高阶关联并细化用户物品表示;
用户与用户关系挖掘模块用于在超图神经网络细化的用户表示的基础上,进一步使用图神经网络来挖掘用户与用户之间的关联;
网络损失计算模块用户在学习用户和物品表示之后计算网络的损失,并进行梯度回传,直到网络收敛;
结果预测模块计算所有的用户与物品对的预测分数,并找出其中分数最高的N个物品,作为最终推送给用户的N个推荐结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010717050.7A CN111881350B (zh) | 2020-07-23 | 2020-07-23 | 一种基于混合图结构化建模的推荐方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010717050.7A CN111881350B (zh) | 2020-07-23 | 2020-07-23 | 一种基于混合图结构化建模的推荐方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881350A true CN111881350A (zh) | 2020-11-03 |
CN111881350B CN111881350B (zh) | 2022-09-02 |
Family
ID=73155411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010717050.7A Active CN111881350B (zh) | 2020-07-23 | 2020-07-23 | 一种基于混合图结构化建模的推荐方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881350B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559864A (zh) * | 2020-12-14 | 2021-03-26 | 西安电子科技大学 | 一种基于知识图谱增强的双线性图网络推荐方法和系统 |
CN112613602A (zh) * | 2020-12-25 | 2021-04-06 | 神行太保智能科技(苏州)有限公司 | 基于知识感知超图神经网络的推荐方法及系统 |
CN112735570A (zh) * | 2021-01-09 | 2021-04-30 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
CN112733018A (zh) * | 2020-12-31 | 2021-04-30 | 哈尔滨工程大学 | 一种基于图神经网络gnn和多任务学习的会话推荐方法 |
CN112862070A (zh) * | 2021-01-22 | 2021-05-28 | 重庆理工大学 | 一种利用图神经网络和胶囊网络的链路预测系统 |
CN113177159A (zh) * | 2021-05-11 | 2021-07-27 | 清华大学 | 基于多通道超图神经网络的捆绑推荐方法 |
CN113378051A (zh) * | 2021-06-16 | 2021-09-10 | 南京大学 | 基于图神经网络的用户-任务关联的众包任务推荐方法 |
CN113486248A (zh) * | 2021-07-27 | 2021-10-08 | 中国银行股份有限公司 | 一种应用程序中功能模块的推荐方法及装置 |
CN113505305A (zh) * | 2021-05-11 | 2021-10-15 | 清华大学 | 基于解耦式双通道超图神经网络的协同过滤推荐方法和系统 |
CN113705897A (zh) * | 2021-08-30 | 2021-11-26 | 江西鑫铂瑞科技有限公司 | 一种面向工业铜箔生产的产品质量预测方法及系统 |
CN113822757A (zh) * | 2021-07-28 | 2021-12-21 | 同盾科技有限公司 | 基于超图的非正常交易预测方法、装置、设备和存储介质 |
CN114036400A (zh) * | 2021-12-07 | 2022-02-11 | 中国计量大学 | 一种基于超图的协同会话推荐方法 |
CN115422442A (zh) * | 2022-08-15 | 2022-12-02 | 暨南大学 | 一种面向冷启动推荐的对抗自编码迁移学习方法 |
WO2023024017A1 (en) * | 2021-08-26 | 2023-03-02 | Ebay Inc. | Multi-modal hypergraph-based click prediction |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090936A (zh) * | 2014-06-27 | 2014-10-08 | 华南理工大学 | 一种基于超图排序的新闻推荐方法 |
CN104298702A (zh) * | 2014-07-18 | 2015-01-21 | 合肥工业大学 | 基于社交网络信息进行电子阅读读物推荐的方法及系统 |
CN107145541A (zh) * | 2017-04-24 | 2017-09-08 | 安徽师范大学 | 基于超图结构的社交网络推荐模型构建方法 |
US20190325343A1 (en) * | 2018-04-19 | 2019-10-24 | National University Of Singapore | Machine learning using partial order hypergraphs |
-
2020
- 2020-07-23 CN CN202010717050.7A patent/CN111881350B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090936A (zh) * | 2014-06-27 | 2014-10-08 | 华南理工大学 | 一种基于超图排序的新闻推荐方法 |
CN104298702A (zh) * | 2014-07-18 | 2015-01-21 | 合肥工业大学 | 基于社交网络信息进行电子阅读读物推荐的方法及系统 |
CN107145541A (zh) * | 2017-04-24 | 2017-09-08 | 安徽师范大学 | 基于超图结构的社交网络推荐模型构建方法 |
US20190325343A1 (en) * | 2018-04-19 | 2019-10-24 | National University Of Singapore | Machine learning using partial order hypergraphs |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559864A (zh) * | 2020-12-14 | 2021-03-26 | 西安电子科技大学 | 一种基于知识图谱增强的双线性图网络推荐方法和系统 |
CN112613602A (zh) * | 2020-12-25 | 2021-04-06 | 神行太保智能科技(苏州)有限公司 | 基于知识感知超图神经网络的推荐方法及系统 |
CN112733018A (zh) * | 2020-12-31 | 2021-04-30 | 哈尔滨工程大学 | 一种基于图神经网络gnn和多任务学习的会话推荐方法 |
CN112733018B (zh) * | 2020-12-31 | 2022-12-06 | 哈尔滨工程大学 | 一种基于图神经网络gnn和多任务学习的会话推荐方法 |
CN112735570A (zh) * | 2021-01-09 | 2021-04-30 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
WO2022147871A1 (zh) * | 2021-01-09 | 2022-07-14 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
CN112735570B (zh) * | 2021-01-09 | 2022-02-22 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
CN112862070A (zh) * | 2021-01-22 | 2021-05-28 | 重庆理工大学 | 一种利用图神经网络和胶囊网络的链路预测系统 |
CN113177159A (zh) * | 2021-05-11 | 2021-07-27 | 清华大学 | 基于多通道超图神经网络的捆绑推荐方法 |
CN113505305A (zh) * | 2021-05-11 | 2021-10-15 | 清华大学 | 基于解耦式双通道超图神经网络的协同过滤推荐方法和系统 |
CN113378051A (zh) * | 2021-06-16 | 2021-09-10 | 南京大学 | 基于图神经网络的用户-任务关联的众包任务推荐方法 |
CN113378051B (zh) * | 2021-06-16 | 2024-03-22 | 南京大学 | 基于图神经网络的用户-任务关联的众包任务推荐方法 |
CN113486248A (zh) * | 2021-07-27 | 2021-10-08 | 中国银行股份有限公司 | 一种应用程序中功能模块的推荐方法及装置 |
CN113822757A (zh) * | 2021-07-28 | 2021-12-21 | 同盾科技有限公司 | 基于超图的非正常交易预测方法、装置、设备和存储介质 |
WO2023024017A1 (en) * | 2021-08-26 | 2023-03-02 | Ebay Inc. | Multi-modal hypergraph-based click prediction |
CN113705897B (zh) * | 2021-08-30 | 2023-09-26 | 江西鑫铂瑞科技有限公司 | 一种面向工业铜箔生产的产品质量预测方法及系统 |
CN113705897A (zh) * | 2021-08-30 | 2021-11-26 | 江西鑫铂瑞科技有限公司 | 一种面向工业铜箔生产的产品质量预测方法及系统 |
CN114036400B (zh) * | 2021-12-07 | 2022-04-08 | 中国计量大学 | 一种基于超图的协同会话推荐方法 |
CN114036400A (zh) * | 2021-12-07 | 2022-02-11 | 中国计量大学 | 一种基于超图的协同会话推荐方法 |
CN115422442A (zh) * | 2022-08-15 | 2022-12-02 | 暨南大学 | 一种面向冷启动推荐的对抗自编码迁移学习方法 |
CN115422442B (zh) * | 2022-08-15 | 2024-01-19 | 暨南大学 | 一种面向冷启动推荐的对抗自编码迁移学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111881350B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881350B (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
Parvin et al. | TCFACO: Trust-aware collaborative filtering method based on ant colony optimization | |
CN112861967B (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 | |
CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
CN113918833B (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
CN107346333B (zh) | 一种基于链路预测的在线社交网络好友推荐方法与系统 | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN114036405A (zh) | 一种基于图卷积网络的社交推荐方法与系统 | |
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 | |
CN110717116B (zh) | 关系网络的链接预测方法及系统、设备、存储介质 | |
Khelloufi et al. | A multimodal latent-features-based service recommendation system for the social Internet of Things | |
Kumar et al. | Graph Convolutional Neural Networks for Link Prediction in Social Networks | |
CN118071400A (zh) | 基于图计算技术在信息消费领域的应用方法及系统 | |
Wu et al. | Instant Representation Learning for Recommendation over Large Dynamic Graphs | |
CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
Xi et al. | Graph factorization machines for cross-domain recommendation | |
Cheng et al. | User alignment via structural interaction and propagation | |
Le et al. | Enhancing Anchor Link Prediction in Information Networks through Integrated Embedding Techniques | |
CN115545833A (zh) | 一种基于用户社交信息的推荐方法及系统 | |
CN115391555A (zh) | 一种用户感知的知识图谱推荐系统及方法 | |
Stanhope et al. | Group link prediction | |
Khan et al. | CrossDomain Recommendation based on MetaData using Graph Convolution Networks |
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 |