CN112148998B - 一种基于多核图卷积网络的在线社交平台用户好友推荐方法 - Google Patents

一种基于多核图卷积网络的在线社交平台用户好友推荐方法 Download PDF

Info

Publication number
CN112148998B
CN112148998B CN202010934119.1A CN202010934119A CN112148998B CN 112148998 B CN112148998 B CN 112148998B CN 202010934119 A CN202010934119 A CN 202010934119A CN 112148998 B CN112148998 B CN 112148998B
Authority
CN
China
Prior art keywords
network
node
dimensional
layer
user
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
CN202010934119.1A
Other languages
English (en)
Other versions
CN112148998A (zh
Inventor
杨旭华
马钢峰
肖杰
许营坤
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010934119.1A priority Critical patent/CN112148998B/zh
Publication of CN112148998A publication Critical patent/CN112148998A/zh
Application granted granted Critical
Publication of CN112148998B publication Critical patent/CN112148998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Abstract

一种基于多核图卷积网络的在线社交平台用户好友推荐方法，根据在线社交网络平台用户关系数据构建一个社交关系网络，构建多核图卷积网络模型，该模型包含两层结构，第一层是一个三维图卷积核，第二层包含多个三维图卷积核，得到节点嵌入矩阵，对嵌入矩阵做内积操作，加入激活函数，得到节点相似性矩阵，将所有无连边节点对按降序排列，取排列较前的节点对，对应的用户即为相互推荐的好友，本发明考虑了高阶邻域特征，使用了多核卷积对网络进行了优化，提高了准确性和预测精度。

Description

一种基于多核图卷积网络的在线社交平台用户好友推荐方法
技术领域
本发明涉及社交网络用户推荐领域，特别是指一种基于多核图卷积网络的在线社交平台用户好友推荐方法。
背景技术
人类离不开社交，随着网络技术的不断革新，Facebook、Twitter等社交软件的发展，人们的社交需求得到了进一步的满足。社交网络旨在对网络中用户间的相互关系进行存储，通过社交网络，可以更好对用户的网络形象进行分析，了解用户的人际关系网，以及可能认识的人群。通过对社交网络的研究分析，能够实现精准营销，内容推荐，知识传播，能够深刻地影响人们的信息获取、思考方式以及生活，是一个市场前景远大，仍有许多机会的蓝海。
在线社交平台用户好友推荐，是一种链路预测方法，旨在通过已知的节点和边信息去预测未知的节点连边概率。在社交网络中应用的十分广泛，具有非常可观的价值。通常情况下，链路预测会使用如AUC，AP等评价指标来对性能进行评价。在线社交平台数据量庞大，关系复杂，这大大提高了用户好友推荐的难度，这也导致了用户关系特别是高阶关系信息很难用一般性模型简单表征，因此，如何使用合适的模型来提高好友推荐准确度就显得十分必要。
发明内容
为了克服现有方法难以有效全面捕捉用户多阶关系，推荐好友精确度不高等问题，本发明提出了一种表示能力强，推荐效果佳的一种基于多核图卷积网络的在线社交平台用户好友推荐方法。
本发明解决其技术问题所采用的技术具体步骤是：
一种基于多核图卷积网络的在线社交平台用户好友推荐方法，包括如下步骤：
步骤一：根据在线社交网络平台用户关系数据构建一个社交关系网络模型G(V,E)，V为节点，E为连边，其邻接矩阵用A表示，其中，一个节点表示一个用户，节点集V＝{v1,v2,...,vN}表示用户集合，如果两个用户是好友，则相应的两个节点之间有连边；N表示用户数，每个用户初始特征向量都用one-hot向量表示，单位矩阵X为所有用户初始特征向量的组合；
步骤二：构建多核图卷积网络模型，该模型包含两层结构，第一层是一个三维卷积核，共有k1条通道，其中第i条通道上使用i阶卷积核SGCi，1≤i≤k1；第二层包含k2个三维卷积核，其中第j个三维卷积核的所有k1个通道都使用j阶卷积核SGCj，1≤j≤k2；
步骤三：计算i阶卷积核
Figure BDA0002671313140000021
其中GCN表示不含激活函数的图卷积神经网络，1≤i≤max(k1,k2)，f为relu激活函数；
步骤四：计算第一层网络输出
H1＝concat(SGCi(X,A)),i∈{1,2,...,k1}，
其中concat为拼接操作，将所有二维SGC拼接成三维输出；
步骤五：计算第二层的第j个三维卷积核输出
Figure BDA0002671313140000022
其中SUM表示通道之间相加，将三维张量转化为二维矩阵；
步骤六：计算第二层网络输出
Figure BDA0002671313140000023
其中Avg为求平均操作；
步骤七：计算社交关系网络模型的节点相似性矩阵
Figure BDA0002671313140000024
其中
Figure BDA0002671313140000031
为内积操作，g为sigmoid激活函数；
步骤八：计算损失值
Figure BDA0002671313140000032
步骤九：重复步骤三至步骤八对多核图卷积网络模型训练，直到损失值L稳定，不再减少，第二层网络的输出H2即为社交关系网络模型节点的嵌入向量；计算所有无连边节点对的嵌入向量的内积，按降序排列，取前M个节点对为推荐的好友，其中M≤Y，Y为社交关系网络中无连边节点对的数量。
本发明的技术构思为：本发明通过多核图卷积神经网络提取了社交网络用户之间的高阶关系，提高好友推荐算法的准确性和可靠性。
本发明的有益效果为：考虑了高阶邻域特征，使用了多核卷积对网络进行了优化，提高了准确性和预测精度。
附图说明
图1为神经网络模型获得到嵌入向量的示意图，为方便理解，设k1＝k2＝3，则第一层网络分别取1,2,3的三通道单卷积核，第二层分别取1,2,3的多核卷积。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1，一种基于多核图卷积网络的在线社交平台用户好友推荐方法，包括如下步骤：
步骤一：根据在线社交网络平台用户关系数据构建一个社交关系网络模型G(V,E)，V为节点，E为连边，其邻接矩阵用A表示，其中，一个节点表示一个用户，节点集V＝{v1,v2,...,vN}表示用户集合，如果两个用户是好友，则相应的两个节点之间有连边；N表示用户数，每个用户初始特征向量都用one-hot向量表示，单位矩阵X为所有用户初始特征向量的组合；
步骤二：构建多核图卷积网络模型，该模型包含两层结构，第一层是一个三维卷积核，共有k1条通道，其中第i条通道上使用i阶卷积核SGCi，1≤i≤k1；第二层包含k2个三维卷积核，其中第j个三维卷积核的所有k1个通道都使用j阶卷积核SGCj，1≤j≤k2；
步骤三：计算i阶卷积核
Figure BDA0002671313140000041
其中GCN表示不含激活函数的图卷积神经网络，1≤i≤max(k1,k2)，f为relu激活函数；
步骤四：计算第一层网络输出
H1＝concat(SGCi(X,A)),i∈{1,2,...,k1}，
其中concat为拼接操作，将所有二维SGC拼接成三维输出；
步骤五：计算第二层的第j个三维卷积核输出
Figure BDA0002671313140000042
其中SUM表示通道之间相加，将三维张量转化为二维矩阵；
步骤六：计算第二层网络输出
Figure BDA0002671313140000043
其中Avg为求平均操作；
步骤七：计算社交关系网络模型的节点相似性矩阵
Figure BDA0002671313140000044
其中
Figure BDA0002671313140000045
为内积操作，g为sigmoid激活函数，即图1所示网络；
步骤八：计算损失值
Figure BDA0002671313140000046
步骤九：重复步骤三至步骤八对多核图卷积网络模型训练，直到损失值L稳定，不再减少，第二层网络的输出H2即为社交关系网络模型节点的嵌入向量；计算所有无连边节点对的嵌入向量的内积，按降序排列，取前M个节点对为推荐的好友，其中M≤Y，Y为社交关系网络中无连边节点对的数量。
如上所述，本专利实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (1)

1.一种基于多核图卷积网络的在线社交平台用户好友推荐方法，其特征在于：包括如下步骤：
步骤一：根据在线社交网络平台用户关系数据构建一个社交关系网络模型G(V,E)，V为节点，E为连边，其邻接矩阵用A表示，其中，一个节点表示一个用户，节点集V＝{v1,v2,...,vN}表示用户集合，如果两个用户是好友，则相应的两个节点之间有连边；N表示用户数，每个用户初始特征向量都用one-hot向量表示，单位矩阵X为所有用户初始特征向量的组合；
步骤二：构建多核图卷积网络模型，该模型包含两层结构，第一层是一个三维卷积核，共有k1条通道，其中第i条通道上使用i阶卷积核SGCi，1≤i≤k1；第二层包含k2个三维卷积核，其中第j个三维卷积核的所有k1个通道都使用j阶卷积核SGCj，1≤j≤k2；
步骤三：计算i阶卷积核
Figure FDA0002671313130000011
其中GCN表示不含激活函数的图卷积神经网络，1≤i≤max(k1,k2)，f为relu激活函数；
步骤四：计算第一层网络输出
H1＝concat(SGCi(X,A)),i∈{1,2,...,k1}，
其中concat为拼接操作，将所有二维SGC拼接成三维输出；
步骤五：计算第二层的第j个三维卷积核输出
Figure FDA0002671313130000012
其中SUM表示通道之间相加，将三维张量转化为二维矩阵；
步骤六：计算第二层网络输出
Figure FDA0002671313130000013
其中Avg为求平均操作；
步骤七：计算社交关系网络模型的节点相似性矩阵
Figure FDA0002671313130000014
其中
Figure FDA0002671313130000015
为内积操作，g为sigmoid激活函数；
步骤八：计算损失值
Figure FDA0002671313130000016
步骤九：重复步骤三至步骤八对多核图卷积网络模型训练，直到损失值L稳定，不再减少，第二层网络的输出H2即为社交关系网络模型节点的嵌入向量；计算所有无连边节点对的嵌入向量的内积，按降序排列，取前M个节点对为推荐的好友，其中M≤Y，Y为社交关系网络中无连边节点对的数量。
CN202010934119.1A 2020-09-08 2020-09-08 一种基于多核图卷积网络的在线社交平台用户好友推荐方法 Active CN112148998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010934119.1A CN112148998B (zh) 2020-09-08 2020-09-08 一种基于多核图卷积网络的在线社交平台用户好友推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010934119.1A CN112148998B (zh) 2020-09-08 2020-09-08 一种基于多核图卷积网络的在线社交平台用户好友推荐方法

Publications (2)

Publication Number Publication Date
CN112148998A CN112148998A (zh) 2020-12-29
CN112148998B true CN112148998B (zh) 2021-10-26

Family

ID=73889991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010934119.1A Active CN112148998B (zh) 2020-09-08 2020-09-08 一种基于多核图卷积网络的在线社交平台用户好友推荐方法

Country Status (1)

Country Link
CN (1) CN112148998B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139654B (zh) * 2021-03-18 2023-06-09 北京三快在线科技有限公司 图神经网络模型的训练方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110083778A (zh) * 2019-04-08 2019-08-02 清华大学 学习分离表征的图卷积神经网络构建方法及装置
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
WO2020048445A1 (en) * 2018-09-04 2020-03-12 Beijing Jingdong Shangke Information Technology Co., Ltd. End-to-end structure-aware convolutional networks for knowledge base completion
CN111382309A (zh) * 2020-03-10 2020-07-07 深圳大学 一种基于图模型的短视频推荐方法、和智能终端和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020048445A1 (en) * 2018-09-04 2020-03-12 Beijing Jingdong Shangke Information Technology Co., Ltd. End-to-end structure-aware convolutional networks for knowledge base completion
CN110083778A (zh) * 2019-04-08 2019-08-02 清华大学 学习分离表征的图卷积神经网络构建方法及装置
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
CN111382309A (zh) * 2020-03-10 2020-07-07 深圳大学 一种基于图模型的短视频推荐方法、和智能终端和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向推荐系统的图卷积网络;葛尧等;《软件学报》;20200110;全文 *

Also Published As

Publication number Publication date
CN112148998A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN110677284B (zh) 一种基于元路径的异构网络链路预测的方法
CN110837602B (zh) 基于表示学习和多模态卷积神经网络的用户推荐方法
CN112508085B (zh) 基于感知神经网络的社交网络链路预测方法
CN111881350B (zh) 一种基于混合图结构化建模的推荐方法与系统
CN110795641B (zh) 基于表示学习的网络谣言传播控制方法
CN110413704B (zh) 基于加权邻居信息编码的实体对齐方法
CN113486190B (zh) 一种融合实体图像信息和实体类别信息的多模态知识表示方法
CN113919441A (zh) 一种基于超图变换网络的分类方法
Sun et al. Compositional metric learning for multi-label classification
CN112100514B (zh) 一种基于全局注意力机制表征学习的好友推荐方法
CN113822776B (zh) 课程推荐方法、装置、设备及存储介质
CN109447110A (zh) 综合邻居标签相关性特征和样本特征的多标签分类的方法
CN113628201A (zh) 基于深度学习的病理切片分析方法、电子设备及可读存储介质
CN112381179A (zh) 一种基于双层注意力机制的异质图分类方法
CN114942998B (zh) 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法
CN112148998B (zh) 一种基于多核图卷积网络的在线社交平台用户好友推荐方法
CN110442802A (zh) 一种社交用户的多行为偏好预测方法
CN110874392A (zh) 基于深度双向注意力机制的文本网络信息融合嵌入方法
CN114463548A (zh) 一种基于视觉特征与胶囊网络的图像分类方法
Xu et al. Client selection based weighted federated few-shot learning
CN112507224B (zh) 基于异质网络表示学习的人机物融合系统服务推荐方法
CN114970684A (zh) 一种结合vae的提取网络核心结构的社区检测方法
CN114911778A (zh) 数据处理方法、装置、计算机设备及存储介质
CN111444338A (zh) 文本处理、装置、存储介质及设备
Chen et al. A context-aware collaborative filtering recommender system based on GCNs

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