CN112182424A - 一种基于异构信息和同构信息网络融合的社交推荐方法 - Google Patents

一种基于异构信息和同构信息网络融合的社交推荐方法 Download PDF

Info

Publication number
CN112182424A
CN112182424A CN202011255573.0A CN202011255573A CN112182424A CN 112182424 A CN112182424 A CN 112182424A CN 202011255573 A CN202011255573 A CN 202011255573A CN 112182424 A CN112182424 A CN 112182424A
Authority
CN
China
Prior art keywords
node
heterogeneous
information
isomorphic
network
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
Application number
CN202011255573.0A
Other languages
English (en)
Other versions
CN112182424B (zh
Inventor
刘成
邵亚斌
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 CN202011255573.0A priority Critical patent/CN112182424B/zh
Publication of CN112182424A publication Critical patent/CN112182424A/zh
Application granted granted Critical
Publication of CN112182424B publication Critical patent/CN112182424B/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
    • 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)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及自然语言处理技术领域，特别涉及一种基于异构信息和同构信息网络融合的社交推荐方法，包括通过原始数据构建同构信息网络，在该网络进行随机游走，获取同构节点序列，并对同构节点序列进行嵌入，得到节点表示；通过原始数据构建异构信息网络，在该网络中进行基于元路径的随机游走，获取异构节点序列，对异构节点序列去噪得到同构节点序列，并对同构节点序列进行嵌入，得到节点表示；将基于同构信息网络得到的节点表示和基于异构信息的节点表示进行融合，得到节点唯一标识；将获取的唯一标识输入到基于矩阵分解的预测器中，分解得到推荐列表；本发明充分利用利用信息网络中存在的潜在关系信息，提高推荐性能。

Description

一种基于异构信息和同构信息网络融合的社交推荐方法
技术领域
本发明涉及自然语言处理技术领域，特别涉及一种基于异构信息和同构信息网络融合的社交推荐方法。
背景技术
近年来，基于社交网络的社会化推荐系统得到广泛地研究，并且将社交网络引入到推荐系统中很好的解决了推荐系统存在的两大问题：数据稀疏和冷启动。但目前对于社交网络的研究主要都是从异构性或者同构性进行研究，两个方向虽然现有的方法在一定程度上实现了性能的提升，但仍面临以下问题：如何同时从同构性和异构性两个方面广泛地挖掘而全面的探索社交网络中的深层关系以提高推荐的性能。
异构信息网络包括不同类型的节点和链接，而同构信息网络只有一种类型的对象和链接。而且，异构信息网络可以通过网络投影或忽略对象异构性来转化为同构信息网络，但会造成很大的信息损失。由于异构信息网络在建模数据异构性方面的灵活性，因此它常常被用于推荐系统来描述丰富的辅助数据。
虽然这些基于异构信息网络的方法在一定程度上实现了性能的提升，但也存在两个不足之处：(1)对于同构信息网络，这些方法都是平等的对待每一种关系，这种方法不能很好地展现出同构信息网络中关系的差异化(2)这些方法很少同时挖掘和探索同构和异构信息。在异构信息网络中，除了有基于元路径的交互信息外，还存在着用户与用户，项目与项目之间的直接关联信息。
发明内容
为了解决现有推荐方法中存在的冷启动问题并提升推荐算法的准确性，本发明提出一种基于异构信息和同构信息网络融合的社交推荐方法，包括：
通过原始数据构建同构信息网络，在该网络进行随机游走，获取同构节点序列，并对同构节点序列进行嵌入，得到节点表示；
通过原始数据构建异构信息网络，在该网络中进行基于元路径的随机游走，获取异构节点序列，对异构节点序列去噪得到同构节点序列，并对同构节点序列进行嵌入，得到节点表示；
将基于同构信息网络得到的节点表示和基于异构信息的节点表示进行融合，得到节点唯一标识；
将获取的唯一标识输入到基于矩阵分解的预测器中，分解得到推荐列表。
进一步的，对同构节点序列进行嵌入时，通过随机梯度下降法来优化目标函数，得到映射函数f(·)，通过将每个节点映射到d维特征空间，得到节点表示，目标函数表示为：
Figure BDA0002773020410000021
其中，
Figure BDA0002773020410000022
表示一个将每个节点映射到d维特征空间的函数，
Figure BDA0002773020410000023
表示节点u的邻域。
进一步的，在异构信息网络中进行基于元路径的随机游走，获取异构节点序列包括：
给定一个异构信息网
Figure BDA0002773020410000024
和一条元路径
Figure BDA0002773020410000025
行走路径的生成过程表示为：
Figure BDA0002773020410000026
其中，nt表示随机行走的第t个节点，υ表示At的一种类型节点，
Figure BDA0002773020410000027
表示节点υ的一阶临界节点集，P(nt+1＝x|nt＝v,ρ)为行走路径的分布函数
进一步的，所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，将学习到的用户和项目表示融合到评价预测器中，获得社交推荐预测模型，该模型得到的预测值表示为：
Figure BDA0002773020410000031
其中，
Figure BDA0002773020410000032
表示预测评分；
Figure BDA0002773020410000033
和
Figure BDA0002773020410000034
分别表示与
Figure BDA0002773020410000035
和
Figure BDA0002773020410000036
相匹配的特定于用户和特定于项目的潜在因素；α和β是调优参数；Xu和Yi分别表示为评分矩阵基于矩阵分解得到的用户向量和项目向量。
本发明有以下有益效果：
1、对于异构信息网络采用基于元路径的异构网络嵌入方法，以揭示异构网络的语义信息和结构信息。以此来更好地挖掘出异构信息网络中的深层关系信息，全面结合同构信息里面存在的潜在关系信息，以充分利用信息网络中存在的潜在关系信息，更好进行关系预测。
2、提出了一种新的基于同构信息和异构信息网络融合嵌入的推荐模型，简称H2Rec。H2Rec可以有效地将各种嵌入信息集成到信息网络中，提高推荐性能。
3、基于社交网络信息可以有效地解决冷启动问题。
附图说明
图1为本发明一种基于异构信息和同构信息网络融合的社交推荐方法流程图；
图2为本发明中提出的推荐模型的综合体框架示意图；
图3为本发明基于原路基的随机游走过程示意图。
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。
本发明提供一种基于异构信息和同构信息网络融合的社交推荐方法，如图1，包括以下步骤：
通过原始数据构建同构信息网络，在该网络进行随机游走，获取同构节点序列，并对同构节点序列进行嵌入，得到节点表示；
通过原始数据构建异构信息网络，在该网络中进行基于元路径的随机游走，获取异构节点序列，对异构节点序列去噪得到同构节点序列，并对同构节点序列进行嵌入，得到节点表示；
将基于同构信息网络得到的节点表示和基于异构信息的节点表示进行融合，得到节点唯一标识；
将获取的唯一标识输入到基于矩阵分解的预测器中，分解得到推荐列表。
实施例
本实施例包括异构网络的节点嵌入表示、同构网络的节点嵌入表示以及融合预测三个部分，具体包括：
(一)异构网络的节点嵌入表示
异构信息网络是一种特殊的信息网络，它包含多种类型的对象或多种类型的链接。本实施例将异构信息网络定义为
Figure BDA0002773020410000041
由一个对象集ν和一个边缘集ε组成。一个异构信息网络还与一个对象类型映射函数相关联
Figure BDA0002773020410000042
Figure BDA0002773020410000043
还有一个链接类型映射函数ψ：
Figure BDA0002773020410000044
Figure BDA0002773020410000045
和
Figure BDA0002773020410000046
表示预定义对象和链接类型的集合，其中
Figure BDA0002773020410000047
本实施例将网络模式记为
Figure BDA0002773020410000048
它是一个信息网络
Figure BDA0002773020410000049
的元模板，其对象类型映射
Figure BDA00027730204100000410
Figure BDA00027730204100000411
链接类型映射为ψ：
Figure BDA00027730204100000412
它是定义在对象类型
Figure BDA00027730204100000413
边关系
Figure BDA00027730204100000414
上的有向图。
元路径ρ是定义在网络模式
Figure BDA00027730204100000415
上，表示为
Figure BDA00027730204100000416
的路径。其中
Figure BDA00027730204100000417
描述了一种A1到Al+1的复合关系
Figure BDA00027730204100000419
其中
Figure BDA00027730204100000418
表示关系上的组合运算符。
要生成有意义的节点序列，关键是设计一种有效的行走策略，能够捕获HINs中反映的复杂语义。因此，本实施例采用了基于元路径的随机游走方法来生成节点序列。
给定一个异构信息网络
Figure BDA0002773020410000051
和一个元路径ρ：
Figure BDA0002773020410000052
行走路径的生成过程表示为：
Figure BDA0002773020410000053
其中，nt表示随机行走的第t个节点，υ表示At的一种类型节点，
Figure BDA0002773020410000054
表示节点υ的一阶临界节点集，P(nt+1＝x|nt＝v,ρ)为行走路径的生成过程分布函数。
一旦序列根据上述公式构造完成，将进一步删除与起始节点类型不同的节点，删除与起始节点不同类型的节点后所得序列即为去噪后的同构序列。
在给定元路径的情况下，可以在一个定长窗口内构件节点u的领域节点集合
Figure BDA0002773020410000055
通过node2vec，可以同过优化以下目标函数来学习节点的表示：
Figure BDA0002773020410000056
其中，
Figure BDA0002773020410000057
表示一个将每个节点映射到d维特征空间的函数，
Figure BDA0002773020410000058
表示节点u的邻域，v表示节点集合。我们可以通过随机梯度下降法来优化这一目标，从而学习到映射函数f(·)。
表1异构信息网络中的多个元路径说明
元路径 语义说明
UU 目标用户的社交用户
UMU 和目标用户观看同一电影的用户
UMTMU 和目标用户观看相同类型的用户
UMDMU 和目标用户观看同一导演导演的电影的用户
如图3所示，为了学习用户和项目的有效表示，只考虑起始类型为用户类型或项目类型的元路径。这样，可以推导出一些元路径，如UMU、UMDMU和MUM；以UMU的元路径为例，可以生成一个采样序列u1→m1→u2→m2→u3→m2→u4，删除与起始节点类型不同的节点。这样我们最终获得了一个同构节点序列u1→u2→u3→u4。
(二)同构网络的节点嵌入表示
同构信息网络表示为
Figure BDA0002773020410000061
表示用户之间的社交关系。
Figure BDA0002773020410000062
表示用户集合，εuu表示边缘集，对于任意两个用户
Figure BDA0002773020410000063
和用户
Figure BDA0002773020410000064
如果用户
Figure BDA0002773020410000065
与用户
Figure BDA0002773020410000066
有社交关系(如信任关系、朋友关系)，则从
Figure BDA0002773020410000067
上到
Figure BDA0002773020410000068
会有一个边缘
Figure BDA0002773020410000069
否则没有。
采用基于随机游走的方式来生成有意义的节点序列，设
Figure BDA00027730204100000610
表示从给定社交网络中提取的用户u的邻域。由于node2vec的输出可以被解释为网络节点的高级表示，所以我们预先训练node2vec挖掘给定社交网络
Figure BDA00027730204100000611
的深层社会结构。
同构信息网络的节点嵌入与异构信息网络的获取过程相同，此处不再赘述。
(三)融合预测
在本实施例的异构信息网络中，对给定的一个节点，可以得到该节点的节点嵌入表示集合
Figure BDA00027730204100000612
其中P表示元路径集合，
Figure BDA00027730204100000613
表示第l条路径中节点v的嵌入表示，在本实施例中，采用以下方式将节点嵌入进行融合：
Figure BDA00027730204100000614
其中，
Figure BDA00027730204100000615
分别表示用户u和项目v的嵌入表示，即第l条元路径；
Figure BDA00027730204100000616
Figure BDA00027730204100000617
分别表示在异构信息网络中学习到的最终的用户表示和项目表示，本实施例将该两个表示称为异构信息网络嵌入，上式中的个性化的非线性融合函数g(.)表示为：
Figure BDA00027730204100000618
Figure BDA00027730204100000619
其中，δ(.)为非线性函数，本实施例中即sigmoid函数；M(l)为转换矩阵；b(l)表示偏向量；
Figure BDA00027730204100000620
为用户u对第l条元路径的偏好权重；
Figure BDA00027730204100000621
表示元路径的集合，
Figure BDA0002773020410000071
表示集合中元路径的数量；
Figure BDA0002773020410000072
为用户u的节点表示
Figure BDA0002773020410000073
时获得用户u的嵌入融合表示，
Figure BDA0002773020410000074
为项目i的节点表示
Figure BDA0002773020410000075
时获得项目i的嵌入融合表示。
同理，同构信息网络中，对给定的一个节点，可以得到该节点的节点嵌入表示集合
Figure BDA0002773020410000076
其中k表示第k个节点嵌入；在本实施例中，采用以下方式将节点嵌入进行融合：
Figure BDA0002773020410000077
其中，
Figure BDA0002773020410000078
分别表示用户u和项目v的嵌入表示；
Figure BDA0002773020410000079
分别表示在同构信息网络中学习到的最终的用户表示和项目表示，本实施例将该两个表示称为同构信息网络嵌入，上式使用的非线性融合函数g(.)表示为：
Figure BDA00027730204100000710
Figure BDA00027730204100000711
其中，M(k)表示转换矩阵，b(k)表示偏向量；m表示节点数量；
Figure BDA00027730204100000712
为用户u′对第k个节点的偏好权重，
Figure BDA00027730204100000713
为项目i′对第k个节点的偏好权重；
Figure BDA00027730204100000714
为根据用户u′的节点表示
Figure BDA00027730204100000715
时获得用户u′的嵌入融合表示，
Figure BDA00027730204100000716
为根据项目i′的节点表示时获得项目i′的嵌入融合表示。
将异构信息网络嵌入和同构信息网络嵌入进行融合，本实施例采用线性融合的方式，表示为：
Figure BDA00027730204100000717
Figure BDA00027730204100000718
其中，
Figure BDA00027730204100000719
和
Figure BDA00027730204100000720
分别为用户u和项目i的最终表示；
Figure BDA00027730204100000721
和
Figure BDA00027730204100000722
为在异构信息网络中得到的用户u和项目i的表示；
Figure BDA00027730204100000723
和
Figure BDA00027730204100000724
为在同构信息网络中得到的用户u和项目i的表示；wu为用户u对第l条元路径的偏好权重，wi为项目i对第l条元路径的偏好权重；w′u为用户u′对第k个节点的偏好权重，w′i为项目i′对第k个节点的偏好权重；M为在同构信息网络中的转换矩阵，M′表示在异构信息网络中的转换矩阵；b和b′表示偏向量；δ表示sigmoid函数。
在本实施例中，采用矩阵分解获取用户对项目的评分，并将用户评分高的推荐给用户，结合嵌入表示学习到的用户u和项目i的表示，此时评分预测函数：
Figure BDA0002773020410000081
其中，
Figure BDA0002773020410000082
和
Figure BDA0002773020410000083
分别表示与
Figure BDA0002773020410000084
和
Figure BDA0002773020410000085
相匹配的特定于用户和特定于项目的潜在因素；α和β是用于集成这三个公式的调优参数。
Figure BDA0002773020410000086
和
Figure BDA0002773020410000087
可以通过优化一下函数来学习得到。
Figure BDA0002773020410000088
其中，
Figure BDA0002773020410000089
表示预测评分，λ是正则化参数，Θ(U)和Θ(I)分别表示函数g(·)中用户和项目的参数，采用随机梯度下降法SGD来优化最终目标
Figure BDA00027730204100000810
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 (8)

1.一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，包括以下步骤：
通过原始数据构建同构信息网络，在该网络进行随机游走，获取同构节点序列，并对同构节点序列进行嵌入，得到节点表示；
通过原始数据构建异构信息网络，在该网络中进行基于元路径的随机游走，获取异构节点序列，对异构节点序列去噪得到同构节点序列，并对同构节点序列进行嵌入，得到节点表示；
将基于同构信息网络得到的节点表示和基于异构信息的节点表示进行融合，得到节点唯一标识；
将获取的唯一标识输入到基于矩阵分解的预测器中，分解得到推荐列表。
2.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，对同构节点序列进行嵌入时，通过随机梯度下降法来优化目标函数，得到映射函数f(·)，通过将每个节点映射到d维特征空间，得到节点表示，目标函数表示为：
Figure FDA0002773020400000011
其中，
Figure FDA0002773020400000012
表示一个将每个节点映射到d维特征空间的函数，
Figure FDA0002773020400000013
表示节点u的邻域。
3.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，在异构信息网络中进行基于元路径的随机游走，获取异构节点序列包括：给定一个异构信息网
Figure FDA0002773020400000014
和一条元路径ρ：
Figure FDA0002773020400000015
Figure FDA0002773020400000016
行走路径的生成过程表示为：
Figure FDA0002773020400000017
其中，nt表示随机行走的第t个节点，υ表示At的一种类型节点，
Figure FDA0002773020400000018
表示节点υ的一阶临界节点集，P(nt+1＝x|nt＝v,ρ)为行走路径的分布函数。
4.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，对异构节点序列进行嵌入，得到节点表示包括：
将基于异构信息网络所表示的用户和项目嵌入分别进行融合，表示为：
Figure FDA0002773020400000021
Figure FDA0002773020400000022
Figure FDA0002773020400000023
其中，
Figure FDA0002773020400000024
和
Figure FDA0002773020400000025
分别表示在异构信息网络中学习到的最终的用户表示和项目表示；g(·)表示个性化的非线性融合函数；δ(·)是非线性函数；M(l)表示异构信息网络嵌入融合时的转换矩阵，b(l)表示异构信息网络嵌入融合时的偏向量；
Figure FDA0002773020400000026
为用户u对第l条元路径的偏好权重，
Figure FDA0002773020400000027
为项目i对第l条元路径的偏好权重；
Figure FDA0002773020400000028
表示元路径的集合。
5.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，对同构节点序列进行嵌入，得到节点表示包括：
将基于同构信息网络所表示的用户和项目嵌入分别进行融合，表示为：
Figure FDA0002773020400000029
Figure FDA00027730204000000210
Figure FDA00027730204000000211
其中，
Figure FDA00027730204000000212
和
Figure FDA00027730204000000213
分别表示在同构信息网络中学习到的最终的用户表示和项目表示；g(·)表示个性化的非线性融合函数；δ(·)是非线性函数；M(k)表示同构信息嵌入表示融合时的转换矩阵，b(k)表示同构信息嵌入表示融合时的偏向量；m表示节点数量；
Figure FDA00027730204000000214
为用户u′对第k个节点的偏好权重，
Figure FDA00027730204000000215
为用户i′对第k个节点的偏好权重。
6.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，将基于同构信息网络得到的节点表示和基于异构信息的节点表示进行融合，表示为：
Figure FDA0002773020400000031
Figure FDA0002773020400000032
其中，
Figure FDA0002773020400000033
和
Figure FDA0002773020400000034
分别为用户u和项目i的最终表示；
Figure FDA0002773020400000035
和
Figure FDA0002773020400000036
为在同构和异构信息网络中得到的用户u和项目i的表示，i为同构信息网络中的项目，i′为异构信息网络中的项目，I为同构信息网络中的项目集合，i′为异构信息网络中的项目，I′为异构信息网络中的项目集合；u为同构信息网络中的用户，U为同构信息网络中的用户集合，u′为异构信息网络中的用户，U′为异构信息网络中的用户集合；M(m)表示同构和异构信息网络中嵌入融合时的转换矩阵；b(m)表示同构和异构信息网络中嵌入融合时的偏向量；δ表示sigmoid函数。
7.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，将学习到的用户和项目表示融合到评价预测器中，获得社交推荐预测模型，该模型得到的预测值表示为：
Figure FDA0002773020400000037
其中，
Figure FDA0002773020400000038
表示预测评分；
Figure FDA0002773020400000039
和分别表示与
Figure FDA00027730204000000311
和
Figure FDA00027730204000000312
相匹配的特定于用户和特定于项目的潜在因素；α和β是调优参数；Xu和Yi分别表示为评分矩阵基于矩阵分解得到的用户向量和项目向量。
8.根据权利要求7所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，
Figure FDA00027730204000000313
和
Figure FDA00027730204000000314
通过优化函数进行学习得到，对函数采用随机梯度下降法SGD进行优化，该函数表示为：
Figure FDA00027730204000000315
其中，
Figure FDA00027730204000000316
表示预测评分，λ是正则化参数，Θ(U)和Θ(I)分别表示用户u和项目i对于函数g(·)的参数。
CN202011255573.0A 2020-11-11 2020-11-11 一种基于异构信息和同构信息网络融合的社交推荐方法 Active CN112182424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011255573.0A CN112182424B (zh) 2020-11-11 2020-11-11 一种基于异构信息和同构信息网络融合的社交推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011255573.0A CN112182424B (zh) 2020-11-11 2020-11-11 一种基于异构信息和同构信息网络融合的社交推荐方法

Publications (2)

Publication Number Publication Date
CN112182424A true CN112182424A (zh) 2021-01-05
CN112182424B CN112182424B (zh) 2023-01-31

Family

ID=73918217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011255573.0A Active CN112182424B (zh) 2020-11-11 2020-11-11 一种基于异构信息和同构信息网络融合的社交推荐方法

Country Status (1)

Country Link
CN (1) CN112182424B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113190754A (zh) * 2021-05-11 2021-07-30 四川大学 一种基于异构信息网络表示学习的推荐方法
CN113239264A (zh) * 2021-04-07 2021-08-10 中国人民解放军战略支援部队信息工程大学 基于元路径网络表示学习的个性化推荐方法及系统
CN113807616A (zh) * 2021-10-22 2021-12-17 重庆理工大学 基于时空注意力和异构图卷积网络的信息扩散预测系统
CN113837847A (zh) * 2021-10-29 2021-12-24 重庆大学 基于异质多元关系融合的知识密集型服务推荐方法
CN114461934A (zh) * 2021-12-31 2022-05-10 北京工业大学 基于动态交通网络的多模态出行方式融合推荐方法
CN115641009A (zh) * 2022-11-14 2023-01-24 安徽大学 基于专利异构信息网络挖掘竞争者的方法及装置
CN115687431A (zh) * 2022-09-02 2023-02-03 国家食品安全风险评估中心 一种基于元路径的食品安全政策推荐方法、装置及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101534535A (zh) * 2009-04-23 2009-09-16 北京航空航天大学 基于终端和网络信息融合的无线网络切换方法
US20140317033A1 (en) * 2013-04-23 2014-10-23 International Business Machines Corporation Predictive and descriptive analysis on relations graphs with heterogeneous entities
CN110020910A (zh) * 2019-01-23 2019-07-16 阿里巴巴集团控股有限公司 对象推荐方法和装置
US20190220471A1 (en) * 2018-01-18 2019-07-18 Samsung Electronics Company, Ltd. Methods and Systems for Interacting with Mobile Device
CN110046301A (zh) * 2019-01-24 2019-07-23 阿里巴巴集团控股有限公司 对象推荐方法和装置
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN110737774A (zh) * 2018-07-03 2020-01-31 百度在线网络技术（北京）有限公司 图书知识图谱的构建、图书推荐方法、装置、设备及介质
CN111177781A (zh) * 2019-12-30 2020-05-19 北京航空航天大学 一种基于异构信息网络嵌入的差分隐私推荐方法
CN111291260A (zh) * 2020-01-20 2020-06-16 王程 一种多元信息驱动的近似融合网络推荐传播方法
CN111325258A (zh) * 2020-02-14 2020-06-23 腾讯科技（深圳）有限公司 特征信息获取方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101534535A (zh) * 2009-04-23 2009-09-16 北京航空航天大学 基于终端和网络信息融合的无线网络切换方法
US20140317033A1 (en) * 2013-04-23 2014-10-23 International Business Machines Corporation Predictive and descriptive analysis on relations graphs with heterogeneous entities
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US20190220471A1 (en) * 2018-01-18 2019-07-18 Samsung Electronics Company, Ltd. Methods and Systems for Interacting with Mobile Device
CN110737774A (zh) * 2018-07-03 2020-01-31 百度在线网络技术（北京）有限公司 图书知识图谱的构建、图书推荐方法、装置、设备及介质
CN110020910A (zh) * 2019-01-23 2019-07-16 阿里巴巴集团控股有限公司 对象推荐方法和装置
CN110046301A (zh) * 2019-01-24 2019-07-23 阿里巴巴集团控股有限公司 对象推荐方法和装置
CN111177781A (zh) * 2019-12-30 2020-05-19 北京航空航天大学 一种基于异构信息网络嵌入的差分隐私推荐方法
CN111291260A (zh) * 2020-01-20 2020-06-16 王程 一种多元信息驱动的近似融合网络推荐传播方法
CN111325258A (zh) * 2020-02-14 2020-06-23 腾讯科技（深圳）有限公司 特征信息获取方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANNAN CHEN 等: ""Movie Recommendation in Heterogeneous Information Networks "", 《2016 IEEE INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE》 *
田鹏伟 等: ""异构信息网络融合方法研究综述"", 《图书情报工作》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113239264A (zh) * 2021-04-07 2021-08-10 中国人民解放军战略支援部队信息工程大学 基于元路径网络表示学习的个性化推荐方法及系统
CN113190754B (zh) * 2021-05-11 2022-05-10 四川大学 一种基于异构信息网络表示学习的推荐方法
CN113190754A (zh) * 2021-05-11 2021-07-30 四川大学 一种基于异构信息网络表示学习的推荐方法
CN113807616A (zh) * 2021-10-22 2021-12-17 重庆理工大学 基于时空注意力和异构图卷积网络的信息扩散预测系统
CN113807616B (zh) * 2021-10-22 2022-11-04 重庆理工大学 基于时空注意力和异构图卷积网络的信息扩散预测系统
CN113837847A (zh) * 2021-10-29 2021-12-24 重庆大学 基于异质多元关系融合的知识密集型服务推荐方法
CN113837847B (zh) * 2021-10-29 2023-08-29 重庆大学 基于异质多元关系融合的知识密集型服务推荐方法
CN114461934A (zh) * 2021-12-31 2022-05-10 北京工业大学 基于动态交通网络的多模态出行方式融合推荐方法
CN115687431A (zh) * 2022-09-02 2023-02-03 国家食品安全风险评估中心 一种基于元路径的食品安全政策推荐方法、装置及设备
CN115641009A (zh) * 2022-11-14 2023-01-24 安徽大学 基于专利异构信息网络挖掘竞争者的方法及装置
CN115641009B (zh) * 2022-11-14 2023-05-05 安徽大学 基于专利异构信息网络挖掘竞争者的方法及装置

Also Published As

Publication number Publication date
CN112182424B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN112182424B (zh) 一种基于异构信息和同构信息网络融合的社交推荐方法
CN107944629B (zh) 一种基于异质信息网络表示的推荐方法及装置
Wilcke et al. The knowledge graph as the default data model for learning on heterogeneous knowledge
CN109190030B (zh) 融合node2vec和深度神经网络的隐式反馈推荐方法
CN112215837B (zh) 多属性图像语义分析方法和装置
CN109447261B (zh) 一种基于多阶邻近相似度的网络表示学习的方法
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
CN113918834B (zh) 融合社交关系的图卷积协同过滤推荐方法
Hirchoua et al. β-random walk: Collaborative sampling and weighting mechanisms based on a single parameter for node embeddings
CN115470994A (zh) 基于显式时间和级联注意力的信息流行度预测方法和系统
CN112927810B (zh) 基于大数据的智慧医疗响应方法及智慧医疗云计算系统
CN115545833A (zh) 一种基于用户社交信息的推荐方法及系统
Chen et al. A recommender system fused with implicit social information through network representation learning
CN115809339A (zh) 跨领域推荐方法、系统、设备及存储介质
CN111125541B (zh) 面向多用户的可持续多云服务组合的获取方法
CN114332472A (zh) 一种基于图神经网络的数据处理方法及装置
Xu et al. Document context-aware social recommendation method
Song et al. Social recommendation based on implicit friends discovering via meta-path
Ji et al. An improved random walk based community detection algorithm
Chen et al. Social recommendation using quantified social tie strength
Xiong et al. DSANE: A Dual Structure-Aware Network Embedding Approach for User Identity Linkage
Li et al. Learning Hierarchy-Aware Federated Graph Embedding for Link Prediction
CN117909600B (zh) 交互对象的推荐的方法和装置、存储介质及电子设备
Chen et al. Learning processes based on data sources with certainty levels in linked open data

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