CN112507224B - 基于异质网络表示学习的人机物融合系统服务推荐方法 - Google Patents

基于异质网络表示学习的人机物融合系统服务推荐方法 Download PDF

Info

Publication number
CN112507224B
CN112507224B CN202011456096.4A CN202011456096A CN112507224B CN 112507224 B CN112507224 B CN 112507224B CN 202011456096 A CN202011456096 A CN 202011456096A CN 112507224 B CN112507224 B CN 112507224B
Authority
CN
China
Prior art keywords
node
representation
man
information
attribute
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
CN202011456096.4A
Other languages
English (en)
Other versions
CN112507224A (zh
Inventor
姚远
曹春
徐锋
潘国盛
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202011456096.4A priority Critical patent/CN112507224B/zh
Publication of CN112507224A publication Critical patent/CN112507224A/zh
Application granted granted Critical
Publication of CN112507224B publication Critical patent/CN112507224B/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
    • G06F16/9535—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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于异质网络表示学习的人机物融合系统服务推荐方法，本方法包括节点属性提取以及网络拓扑结构构造、异质网络表示学习，以及人机物融合系统服务推荐。首先通过提取人机物融合系统中节点交互历史以及节点的属性信息构造人机物融合系统异质网络，再通过为该网络设计的异质网络表示学习算法训练网络节点表示向量，最后利用网络节点表示向量进行人机物融合系统服务推荐。本发明相比于现有方法，综合考虑了人机物融合系统网络拓扑结构的异质性以及网络拓扑结构信息与节点属性信息间的结合，达到了提升人机物融合系统服务推荐效果的目的。该方法将有效合理地向系统参与用户推荐需要的服务，有较大应用价值。

Description

基于异质网络表示学习的人机物融合系统服务推荐方法
技术领域
本发明涉及一种人机物融合系统服务推荐方法，具体是一种基于异质网络表示学习的人机物融合系统服务推荐方法，属于网络表示学习技术领域以及推送技术领域。
背景技术
当前的计算系统正在从原来的信息空间，逐渐向人类社会和物理世界拓展，组成了由人类社会、信息空间、物理空间融合的人机物三元融合计算系统。人机物融合系统将会为社会治理、智能制造、智慧城市等方面提供有力的支持。构建新型人机物融合系统过程中，首要解决的问题就是系统中人、机、物异质要素的有效协调与治理问题。
推荐系统被广泛运用于各种社交、电商、信息分发平台中为平台用户推荐其可能感兴趣的联系人信息、商品信息以及内容等等。一个好的推荐系统往往可以给一个平台带来强大的用户粘性及收益。常见的推荐算法有基于协同过滤的算法、基于隐语义的算法以及基于图模型的算法等等。
随着人机物融合系统应用的逐步发展与深入，一个庞大的人机物融合系统往往会提供数量众多且种类繁杂的服务条目，产生信息过载问题。如不进行合理的推荐，当用户尝试获取自己需要的服务时要花费大量时间进行搜索查找，这违背了人机物三元融合以人为本的核心理念。
发明内容
发明目的：现有的人机物融合系统服务推荐方法集中于单个节点内的属性信息，忽略了对于人机物融合系统中交互的网络拓扑结构关系，同时还有节点的不同类别以及节点间不同的连接关系的考虑。本发明针对现有人机物融合系统服务推荐方法以及属性网络表示学习算法中的中的不足，提出了一种基于异质网络表示学习的人机物融合系统服务推荐方法，通过对于不同网络连接关系的特殊处理以及网络拓扑结果和属性的交叉融合，大幅度提升人机物融合系统服务推荐的效果。
技术方案：一种基于异质网络表示学习的人机物融合系统服务推荐方法，构造人机物融合系统的异质网络，通过异质网络表示学习，建模人机物融合系统异质网络中节点的异质性以及网络拓扑结构与属性信息之间的融合问题，最终根据获得网络节点表示向量进行服务推荐，包括以下内容：
(1)节点属性提取以及网络拓扑结构构造
(1.1)节点属性信息提取：将人机物融合系统中的人、机、物等实体作为节点，根据网络节点基本信息，提取组成对应节点的原始特征数据；
(1.2)网络拓扑结构构造：根据网络中节点的交互历史，构造人机物融合系统异质网络拓扑关系；
(2)网络表示学习
对于人机物融合系统构成的带有节点属性的网络结构，进行网络表示学习，为网络结构中的人、机、物节点，学得连续向量表示，用于进行服务推荐，对于网络表示学习算法，主要分为五个部分：
①节点邻居划分，由于网络中的每个节点都需要与不同种类的其他节点进行连接，所以需要对每个节点不同种类的邻居进行划分；
②属性汇聚操作，每个节点，根据划分出的不同邻居簇进行属性汇聚，汇聚得到的簇向量利用一层注意力机制计算每个簇向量的权重并进行二次加权汇聚；
③特征交换操作，由于网络中的节点即包含结构信息，又包含相应的节点属性信息，在使用图神经网络进行前向传播的过程中，为避免属性表示和结构表示的分布差异过大，需要对网络结构拓扑结构信息和节点属性信息进行信息交换，以便更好的融合。
④视图加权操作，网络属性汇聚操作和信息交换操作之后合并分别代表节点信息和属性信息的两个视图，每个节点都可能根据其实际情况得到不同的属性结构权重。
⑤多任务重构，在最终的节点表示中需要保留有效的节点属性信息和节点拓扑结构信息，故使用多任务学习的方法引导表示学习的过程，使最终的网络节点向量表示能够更好地保留多种信息，具有更好的泛化能力。
(3)人机物融合系统服务推荐
使用前面操作生成的网络节点向量表示，进行人机物融合系统的服务推荐。在前置学习过程完成后，会得到一组节点表示向量。将这些向量作为输入，训练一组合理设置的分类器，最终得到节点的打分结果，用于对人机物融合系统中的服务进行推荐。
有益效果：与现有技术相比，本发明优势如下：
(1)考虑网络中节点的异质性，对不同类型的节点分别处理，提升了在人机物融合系统此类复杂网络中的多种类型节点的表示能力；
(2)本发明采用了多任务学习的方法，在无监督训练的过程中同时用结构重构任务和属性重构任务同时引导，最终网络节点向量可在多种下游任务中保持良好的鲁棒性，有效防止过拟合；
(3)综合考虑网络中节点的属性信息和拓扑结构信息，在最终网络表示中同时编码网络节点当前的状态以及节点的连接情况，提升推荐的准确性；
(4)本发明采用属性汇聚操作、特征交换操作与视图加权的方式，既通过图卷积技术在编码过程中获取了距离范围更广的结构信息，同时避免了传统图卷积神经网络中出现的过度平滑问题，防止网络结构数据噪声过大或结构不完整时破坏预测结果的准确性。
附图说明
图1为本发明整体方法流程示意图；
图2为本发明异质网络表示学习模块流程示意图；
图3为本发明异质网络表示学习模块详细神经网络结构图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本实施实例中，对于人机物融合系统服务推荐的网络结构模型构造和节点属性信息提取，需要在系统控制平台中执行本发明方法以获得需要的数据信息。
如图1所示，基于异质网络表示学习的人机物融合系统服务推荐方法，包括以下内容和步骤：
一，节点属性提取以及网络拓扑结构构造
节点属性信息提取：在系统控制平台中，根据用户基本信息，机器的设备硬件信息、系统信息、位置信息以及物品的服务性质分类、价值信息等，提取组成对应节点的原始特征数据。
网络拓扑结构构造：在系统控制平台中，根据人与机登录关系、机与物服务请求历史关系以及人与物之间的服务提供历史关系，构造人机物融合系统异质网络拓扑关系。
二，异质网络表示学习
根据由人机物融合系统组成的网络拓扑结构以及提取出的网络节点原始属性，获得网络表示的步骤包括：
①节点邻居划分，对于每个节点，将节点的所有邻居节点根据设定规则分为多簇，得到邻居簇；
②属性汇聚操作，共分为二次汇聚操作，第一次汇聚按照划分的邻居簇进行属性汇聚，生成代表邻居簇中每个簇属性的聚合表示；第二次汇聚利用一次注意力机制得出不同簇属性的聚合表示的相对权重，最终加权聚合成为单一表示，通过聚合操作，获取网络拓扑结构信息；
③特征交换操作，对于汇聚而成的带有网络拓扑结构信息的结构视图以及为了防止过度平滑问题而单独前向传播的代表节点原始属性的属性表示，采用自注意力机制，在前向传播的过程中进行属性视图和结构视图两个视图间的特征信息交换；
④视图加权操作，在完成所有属性汇聚与特征交换操作之后，最终对每个节点的属性视图以及结构视图，使用注意力机制进行加权合并；
⑤多任务重构，使用视图加权操作得到的编码后的统一向量表示，分别进行节点属性信息重构和网络拓扑信息重构的解码操作。以重构的损失值进行反向传播，得到学习过程中的所有参数，完成学习过程。
在本实施实例中，如图2所示，其中属性汇聚操作和特征交换操作可多次叠加以获取距离范围更大的网络拓扑结构信息。所以图2中我们将属性汇聚操作、原始属性的前向传播以及特征交换操作整合为交叉混合层，以表示其叠加能力。执行的步骤详细过程如下：
步骤1，节点邻居划分，对于每个节点，将其的所有邻居节点根据设定规则分为多个簇。对于同质网络，需要采取基于自我网络的划分方式，即一种将每个节点所关联的属于不同社群的邻居进行划分的技术。而对于异质网络，对于每个节点，则可直接按照邻居节点类型进行划分，例如对于设备节点，将使用其的用户节点与通过其获取的服务节点进行划分。
步骤2，属性汇聚操作，基于节点邻居划分的结果，采用了二次汇聚操作为每个节点从它的直接邻居汇聚信息获得拓扑信息的表示；第一次汇聚在按照邻居划分的簇，在每个簇内进行平均汇聚：
Figure GDA0002919469280000041
其中
Figure GDA0002919469280000042
表示当前的节点的结构视图表示，
Figure GDA0002919469280000043
表示节点u的第j个邻居簇，
Figure GDA0002919469280000044
表示节点u第j个邻居簇汇聚后的表示，接下来通过一次注意力机制获取每个节点簇的权重，进行第二次属性汇聚操作：
Figure GDA0002919469280000045
其中
Figure GDA0002919469280000046
表示完成两次汇聚后结构视图的中间表示，γj表示第j个邻居簇的权重，计算公式如下：
Figure GDA0002919469280000047
其中
Figure GDA0002919469280000051
表示行向量，是用于计算权重系数的参数，||代表拼接操作。属性汇聚操作的具体操作神经网络示意图如图3左侧所示。
步骤3，特征交换操作，现有的图卷积神经网络为了获得距离范围更广的拓扑结构信息，卷积层数达到一定数量后，就会出现过度平滑问题，即一些具有特征的属性信息在多次汇聚后变得不清晰。为解决这个问题，本发明将节点的原始属性单独作为一个属性视图进行前向传播，以此防止属性汇聚过程中特征的丢失。而为了保持结构视图和属性视图之间分布的分歧不会过大，引入了特征交换操作。
首先，对前向传播后的属性视图以及属性汇聚后代表结构的结构视图做一个变换操作：
Figure GDA0002919469280000052
其中n表示当前是第n层的交叉混合层，
Figure GDA0002919469280000053
为上述表示的经过属性汇聚操作后结构视图的中间表示，
Figure GDA0002919469280000054
表示当前前向传播获得属性视图，WF为特征投影矩阵。
接着，按照标准的自注意力(self-attention)操作，计算每个节点相应的查询(query)向量以及键(key)向量：
Figure GDA0002919469280000055
Figure GDA0002919469280000056
其中WQ、WK分别表示查询投影矩阵和键投影矩阵。之后通过查询向量和键向量计算特征交换之后的表示：
Figure GDA0002919469280000057
Figure GDA0002919469280000058
Figure GDA0002919469280000059
其中αi,j表示两个视图在进行信息交换之后在重组后的新表示中所占的权重，f1和f2是经过特征投影之后的向量，μ表示激活函数，在本发明中，使用带泄漏的线性整流函数(LeakyReLU)作为默认的激活函数，该函数是机器学习领域广泛使用并具有较好效果的激活函数。特征交换操作具体神经网络结构如图3中部所示。
步骤4，视图加权操作，将特征交换中分别操作的通过汇聚操作形成的结构视图以及原始属性之间前向传播的属性视图进行合并。相较于大部分方法处理此类信息所采用的直接拼接操作，采用了更加灵活的加权求和的方式，为每个节点学得不同的权重用于混合两个视图，公式如下：
Figure GDA0002919469280000061
其中N表示总交叉混合层数，
Figure GDA0002919469280000062
和
Figure GDA0002919469280000063
分别表示最后一层交叉混合层中特征交换后的输出，λ1与λ2是两个视图间的加权权重。用下面的公式求得：
Figure GDA0002919469280000064
其中
Figure GDA0002919469280000065
表示计算权重所需要的参数向量。视图加权操作具体神经网络结构示意图如图3右侧所示。
步骤5，多任务重构，分别进行结构信息的解码重构任务以及节点属性信息的解码重构任务，以求通过编码获得的节点表示向量能够保留更多有用信息，在用于人机物系统服务推荐时能拥有更好的泛化能力。
对于网络结构信息的重构，通过最小化同一上下文中的节点对的负对数概率：
Figure GDA0002919469280000066
yi是模型通过交叉混合以及视图合并以后的得到的节点i的表示向量，σ是sigmoid函数。通过skip-gram方法截断的随机游走和负采样的方式获得节点的上下文C。
对于节点属性重构，直接从编码后的节点表示向量重构原始属性，使用三个前向传播层来进行重构，损失函数如下：
Figure GDA0002919469280000067
xi表示节点i的原始属性，
Figure GDA0002919469280000068
表示节点i重构后的属性，通过结合结构重构和属性重构的损失函数，得到了最终多任务的目标函数
L＝Lskip-gram+βLrecons
其中β是平衡参数。
三，人机物融合系统服务推荐
在异质网络表示学习完成之后，通过训练得到的编码器就能够为人机物融合系统中每个节点获得一个包含其所在的网络拓扑结构信息以及其原生属性信息的网络节点表示向量。可以利用这些表示向量以及服务请求历史数据作为训练输入数据，训练二分类分类器。将得到的二分类分类器最终输出结果排序作为结果进行报告。
在模型训练上，在提取出的异质网络上掩去一部分边作为测试数据，在异质网络上随机选取一个边集作为正样本P，标签为1。在异质网络的补图上选取一个边集作为负样本N，标签为0。正样本集合P与负样本集合N构成了训练集，在训练集上采用交叉熵函数来对整个训练过程进行优化：
Figure GDA0002919469280000071
其中ei表示训练集中的第i条边的向量表示，由边的两个端点的向量表示拼接而成。labeli表示ei的标签，f表示训练使用的二分类器模型，输出值域为[0,1]的结果，表示节点的推荐打分。由于实际人机物融合系统中用户请求过的服务数与为请求过的服务总数相差较大，引入类别平衡系数α，用于解决类别不平衡问题。
综上所述，使用本发明提供的方法，能够有效对人机物融合系统中的服务进行推荐，帮助解决人机物融合系统中的服务推荐问题。本发明针对异质网络进行建模，区分考虑了不同节点并同时将网络结构与网络属性信息纳入考虑，相比现有方法能够极大提升人机物融合系统服务推荐的准确率和鲁棒性。有较高的应用价值。

Claims (6)

1.一种基于异质网络表示学习的人机物融合系统服务推荐方法，其特征在于，构造人机物融合系统的异质网络，通过异质网络表示学习，建模人机物融合系统异质网络中节点的异质性以及网络拓扑结构与属性信息之间的融合问题，最终根据获得网络节点表示向量进行服务推荐，方法包括以下步骤：
步骤1，节点属性提取以及网络拓扑结构构造；
步骤1.1，节点属性信息提取：将人机物融合系统中的人、机、物实体作为节点，根据节点的基本信息提取节点原始特征数据；
步骤1.2，网络拓扑结构构造：根据人机物融合系统中的人、机、物实体的过往交互历史，构造人机物融合系统异质网络拓扑关系；
步骤2，异质网络表示学习；
为步骤1构造的人机物融合系统异质网络中的每个节点学得包含其结拓扑构信息以及原始属性信息的表示向量；包括节点邻居划分、属性汇聚操作、特征交换操作、视图加权操作以及多任务重构五个步骤；
步骤3，人机物融合系统服务推荐
利用异质网络表示学习获得的表示向量以及当前人机物融合系统的过往服务调用历史数据作为训练输入数据，训练二分类分类器；将得到的二分类分类器最终输出的排序结果作为结果报告；
节点邻居划分是指对于每个节点，将节点的所有邻居节点根据设定规则分为多簇，得到邻居簇；
属性汇聚操作，共分为二次汇聚操作，第一次汇聚按照划分的邻居簇进行属性汇聚，生成代表邻居簇中每个簇属性的聚合表示；第二次汇聚利用一次注意机制得出不同簇属性的聚合表示的相对权重，最终加权聚合成为单一表示，通过聚合操作，获取网络拓扑结构信息；
特征交换操作中，采用自注意力机制，在前向传播的过程中进行属性视图和结构视图两个视图间的特征信息交换；
视图加权操作，将特征交换中分别操作的通过汇聚操作形成的结构视图以及原始属性之间前向传播的属性视图进行合并；为每个节点学得不同的权重用于混合两个视图；
多任务重构中，使用视图加权操作得到的编码后的统一向量表示，分别进行节点属性信息重构和网络拓扑信息重构的解码操作；以重构的损失值进行反向传播，训练编码过程。
2.根据权利要求1所述的基于异质网络表示学习的人机物融合系统服务推荐方法，其特征在于，采用节点邻居划分和属性汇聚操作的方式建模不同类型的网络拓扑关系；
节点邻居划分过程中，对于异质网络的节点邻居划分，按照邻居节点类型进行划分；
属性汇聚操作，基于节点邻居划分的结果，采用了二次汇聚操作为每个节点从它的直接邻居汇聚信息获得拓扑信息的表示；第一次汇聚在按照邻居划分的簇，在每个簇内进行平均汇聚：
Figure FDA0003135609010000021
其中
Figure FDA0003135609010000022
表示当前的节点的结构视图表示，
Figure FDA0003135609010000023
表示节点u的第j个邻居簇，
Figure FDA0003135609010000024
表示节点u第j个邻居簇汇聚后的表示，接下来通过一次attention机制获取每个节点簇的权重，进行第二次属性汇聚操作：
Figure FDA0003135609010000025
其中
Figure FDA0003135609010000026
表示完成两次汇聚后结构视图的中间表示，γj表示第j个邻居簇的权重，计算公式如下：
Figure FDA0003135609010000027
其中
Figure FDA0003135609010000028
表示行向量，是用于计算权重系数的参数，||代表拼接操作。
3.根据权利要求1所述的基于异质网络表示学习的人机物融合系统服务推荐方法，其特征在于，采用特征交换操作与视图加权操作解决传统图卷积神经网络中过度平滑问题以及节点属性信息和拓扑结构信息在编码时信息交换与融合问题；
特征交换操作，将节点的原始属性单独作为一个属性视图进行前向传播，首先，对前向传播后的属性视图以及属性汇聚后代表结构的结构视图做一个变换操作：
Figure FDA0003135609010000029
其中n表示当前是第n层的交叉混合层，
Figure FDA00031356090100000210
为上述表示的经过属性汇聚操作后结构视图的中间表示，
Figure FDA00031356090100000211
表示当前前向传播获得属性视图，WF为特征投影矩阵；
接着，按照标准的self-attention操作，计算每个节点相应的查询向量以及键向量：
Figure FDA00031356090100000212
Figure FDA00031356090100000213
其中WQ、WK分别表示查询投影矩阵和键投影矩阵；之后通过查询向量和键向量计算特征交换之后的表示：
Figure FDA0003135609010000031
Figure FDA0003135609010000032
Figure FDA0003135609010000033
其中αi,j表示两个视图在进行信息交换之后在重组后的新表示中所占的权重，f1和f2是经过特征投影之后的向量，μ表示激活函数；
视图加权操作，将特征交换中分别操作的通过汇聚操作形成的结构视图以及原始属性之间前向传播的属性视图进行合并；为每个节点学得不同的权重用于混合两个视图，公式如下：
Figure FDA0003135609010000034
其中N表示总交叉混合层数，
Figure FDA0003135609010000035
和
Figure FDA0003135609010000036
分别表示最后一层交叉混合层中特征交换后的输出，λ1与λ2是两个视图间的加权权重； 用下面的公式求得：
Figure FDA0003135609010000037
其中
Figure FDA0003135609010000038
表示计算权重所需要的参数向量。
4.根据权利要求1所述的基于异质网络表示学习的人机物融合系统服务推荐方法，其特征在于，采用异质网络表示学习生成的节点表示向量通过带有类别平衡的二分类器进行人机物融合系统服务推荐的方法；
在异质网络表示学习完成之后，通过训练得到的编码器就能够为人机物融合系统中每个节点获得一个包含其所在的网络拓扑结构信息以及其原生属性信息的网络节点表示向量，利用这些表示向量以及服务请求历史数据作为训练输入数据，训练二分类分类器；将得到的二分类分类器最终输出结果排序作为结果进行报告；
在模型训练上，在提取出的异质网络上掩去一部分边作为测试数据，在异质网络剩下的边中随机选取一个边集作为正样本P，标签为1；在异质网络的补图上选取一个边集作为负样本N，标签为0；正样本集合P与负样本集合N构成了训练集；在训练集上采用交叉熵函数来对整个训练过程进行优化：
Figure FDA0003135609010000039
其中ei表示训练集中的第i条边的向量表示，由边的两个端点的向量表示拼接而成；labeli表示ei的标签，f表示训练使用的二分类器模型，输出值域为[0,1]的结果，表示节点的推荐打分；由于实际人机物融合系统中用户请求过的服务数与为请求过的服务总数相差较大，引入类别平衡系数α，用于解决类别不平衡问题。
5.根据权利要求1所述的基于异质网络表示学习的人机物融合系统服务推荐方法，其特征在于，节点属性信息提取指，在系统控制平台中，根据用户基本信息，机器的设备硬件信息、系统信息、位置信息以及物品的服务性质分类和价值信息，提取组成对应节点的原始特征数据。
6.根据权利要求1所述的基于异质网络表示学习的人机物融合系统服务推荐方法，其特征在于，网络拓扑结构构造指在系统控制平台中，根据人与机登录关系、机与物服务请求历史关系以及人与物之间的服务提供历史关系，构造人机物融合系统异质网络拓扑关系。
CN202011456096.4A 2020-12-11 2020-12-11 基于异质网络表示学习的人机物融合系统服务推荐方法 Active CN112507224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011456096.4A CN112507224B (zh) 2020-12-11 2020-12-11 基于异质网络表示学习的人机物融合系统服务推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011456096.4A CN112507224B (zh) 2020-12-11 2020-12-11 基于异质网络表示学习的人机物融合系统服务推荐方法

Publications (2)

Publication Number Publication Date
CN112507224A CN112507224A (zh) 2021-03-16
CN112507224B true CN112507224B (zh) 2021-09-28

Family

ID=74973487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011456096.4A Active CN112507224B (zh) 2020-12-11 2020-12-11 基于异质网络表示学习的人机物融合系统服务推荐方法

Country Status (1)

Country Link
CN (1) CN112507224B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869992B (zh) * 2021-12-03 2022-03-18 平安科技（深圳）有限公司 基于人工智能的产品推荐方法、装置、电子设备及介质
CN114254187B (zh) * 2021-12-10 2024-08-16 重庆邮电大学 基于自适应降噪训练的推荐方法、系统、电子设备及介质
CN117788122B (zh) * 2024-02-23 2024-05-10 山东科技大学 一种基于异质图神经网络商品推荐方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11575688B2 (en) * 2018-05-02 2023-02-07 Sri International Method of malware characterization and prediction
CN110852437A (zh) * 2019-10-29 2020-02-28 天津大学 一种针对异质信息网络的表示学习方法
CN111931045B (zh) * 2020-07-30 2022-11-25 北京邮电大学 一种基于元学习的异质信息网络冷启动推荐方法及装置

Also Published As

Publication number Publication date
CN112507224A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
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
CN114817663B (zh) 一种基于类别感知图神经网络的服务建模与推荐方法
CN111339433A (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN106951471A (zh) 一种基于svm的标签发展趋势预测模型的构建方法
CN112487200B (zh) 一种改进的包含多重边信息与多任务学习的深度推荐方法
CN114722269B (zh) 一种基于图神经网络的物品推荐方法、装置及存储介质
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
Shao et al. FairCF: Fairness-aware collaborative filtering
CN111475724A (zh) 一种基于用户相似度的随机游走社交网络事件推荐方法
CN112861006A (zh) 融合元路径语义的推荐方法及系统
CN118013135A (zh) 基于关系图卷积神经网络的图对比学习推荐方法
CN116501956A (zh) 一种基于分层图对比学习的知识感知多域推荐方法及系统
CN114840745B (zh) 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及系统
CN113516379A (zh) 一种智能质检的工单评分方法
CN113554241B (zh) 一种基于用户用电投诉行为的用户分层方法及预测方法
CN112395494A (zh) 一种基于生成对抗网络的双向动态推荐系统
CN115510322A (zh) 一种基于深度学习的多目标优化推荐方法
CN115329210A (zh) 一种基于交互图分层池化的虚假新闻检测方法
CN114417172A (zh) 一种深度兴趣进化推荐方法、装置、设备和存储介质
WO2024061073A1 (zh) 一种多媒体信息的生成方法及装置、计算机可读存储介质
CN116186309B (zh) 基于融合用户意图的交互兴趣图的图卷积网络推荐方法
Soto C et al. MQDM: An iterative fuzzy method for group decision making in structured social networks
CN116910190A (zh) 多任务感知模型获取方法、装置、设备及可读存储介质
Alpaydin Multiple neural networks and weighted voting
Tang Artificial intelligence-based e-commerce platform based on SaaS and neural 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