CN112541131A - 一种基于邻居用户的多个兴趣影响的推荐方法 - Google Patents

一种基于邻居用户的多个兴趣影响的推荐方法 Download PDF

Info

Publication number
CN112541131A
CN112541131A CN202011416979.2A CN202011416979A CN112541131A CN 112541131 A CN112541131 A CN 112541131A CN 202011416979 A CN202011416979 A CN 202011416979A CN 112541131 A CN112541131 A CN 112541131A
Authority
CN
China
Prior art keywords
user
vector
interest
vectors
embedding
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
CN202011416979.2A
Other languages
English (en)
Other versions
CN112541131B (zh
Inventor
于瑞云
汪志鸿
张碧耘
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202011416979.2A priority Critical patent/CN112541131B/zh
Publication of CN112541131A publication Critical patent/CN112541131A/zh
Application granted granted Critical
Publication of CN112541131B publication Critical patent/CN112541131B/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
    • 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
    • G06N3/048—Activation functions
    • 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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于邻居用户的多个兴趣影响的推荐方法，属于基于用户兴趣的推荐方法技术领域。根据社交关系图对每个用户的邻居进行随机采样得到K个兴趣感知图；在每个兴趣感知图上分别进行图卷积操作，聚合单个兴趣在用户之间的相互影响；在用户项目交互图上通过图卷积操作，聚合用户交互过的项目信息以及项目被交互过的用户信息；将上面两个聚合步骤得到的结果进行元素拼接，得到第一个卷积层的结果；迭代多次前述图卷积操作；将多个卷积层的结果进行注意力融合，得到用户和项目的最终嵌入向量，并通过向量內积得到用户可能与项目产生交互的概率，进而得到推荐列表。该方法可使推荐系统能够充分利用社交网络带来的影响，提升推荐效果。

Description

一种基于邻居用户的多个兴趣影响的推荐方法
技术领域
本发明涉及一种基于用户兴趣的推荐方法，更具体地说涉及一种基于邻居用户的多个兴趣影响的推荐方法。
背景技术
近年来，在线社交网络在我们的生活中逐渐普及开来，而且越来越多的人喜欢在社交平台上表达自己的兴趣偏好，这可以为用户的后续需求分析，以及为用户推荐物品提供可靠的依据。因此我们可以借助用户之间的社交关系来缓解推荐系统中的数据稀疏问题。在现有的推荐系统中，为了能准确地为用户推荐其可能喜欢的物品，推荐系统需要针对用户之间存在的兴趣特征，充分挖掘用户之间多个兴趣产生的相互影响，最终提高推荐系统的准确性。
用户兴趣的多样性是既定的事实，但传统的推荐算法往往考虑的是用户的单一兴趣，因此考虑用户之间的影响也是单一性的。例如，用户A、用户B和用户C是邻居用户，用户A喜欢观看喜剧类以及科技类的电影，不喜欢看动漫类和历史类的电影，用户B喜欢看科技类和动漫类电影，用户C则喜欢看科技类电影和历史类电影，现有推荐算法则简单地将用户A、用户B和用户C各自的不同类别的多个电影兴趣综合为一个整体，考虑用户B和用户C分别对用户A的影响程度，不会将他们各自的不同类别电影兴趣的影响分开考虑，例如，细致挖掘用户B的科技类电影兴趣和用户C的科技类电影兴趣分别对用户A的科技类电影兴趣的影响程度，因此这种现有的推荐算法将导致社交网络不能被充分的利用。
此外，在目前的推荐系统中越来越多的研究采用卷积神经网络来聚合邻居用户的兴趣影响以及交互过的项目信息。但是现有的研究仅仅将多层卷积操作后的向量直接作为最终的用户嵌入向量的方法，未能全面考虑不同跳的邻居对用户目标行为带来的不同程度的影响。
发明内容
鉴于上述现有技术的不足，本申请的目的在于提供一种基于邻居用户的多个兴趣影响的推荐方法，旨在解决现有推荐系统不能细粒度考虑社交网络中邻居用户之间的兴趣影响的问题。
为解决上述技术问题，本发明的基于邻居用户的多个兴趣影响的推荐方法，包括以下步骤：
步骤1：获取原始数据集；
所述原始数据集，包括用户信息集合、项目信息集合，用户项目交互图GR以及社交关系图GS；
步骤2：使用one-hot编码将用户信息集合中所有用户的ID和项目信息集合中所有项目的ID均转换为one-hot向量；
步骤3：将所有one-hot向量转换成嵌入向量，得到用户的初始嵌入向量和项目的初始嵌入向量；
步骤4：根据得到的用户初始嵌入向量，将用户初始嵌入向量等分成k个子嵌入向量，分别用来表示用户的k个兴趣，即k个兴趣嵌入向量，公式如下：
Figure BDA0002820420220000021
其中，
Figure BDA0002820420220000022
和
Figure BDA0002820420220000023
都表示用户的初始嵌入向量，
Figure BDA0002820420220000024
表示用户u的第1个兴趣的嵌入向量，
Figure BDA0002820420220000025
表示用户u的第2个兴趣的嵌入向量，……，
Figure BDA0002820420220000026
表示用户u的第k个兴趣的嵌入向量；
步骤5：将用户的k个兴趣嵌入向量分别输入到不同的兴趣感知图中，对于不同的兴趣感知图分别输入一个不同的兴趣嵌入向量；
步骤6：通过t次图卷积操作聚合用户的t跳邻居用户的影响，得到用户的t个最终嵌入向量和项目的t个最终嵌入向量；
步骤7：将用户的最终嵌入向量和项目的最终嵌入向量做内积，并经过sigmoid激活函数，得到目标用户可能对项目产生交互的预测分数值；
步骤8：根据最终得到的目标用户可能对项目产生交互的预测分数值，为目标用户进行个性化推荐。
可选地，根据上述的基于邻居用户的多个兴趣影响的推荐方法，在所述步骤3中，使用Embedding嵌入技术将所有one-hot向量转换成嵌入向量，得到用户的初始嵌入向量和项目的初始嵌入向量，公式如下：
Figure BDA0002820420220000027
Figure BDA0002820420220000028
其中，P为用户的特征嵌入矩阵，Q为项目的特征嵌入矩阵，T表示转置运算，vu和vi分别为用户和项目的one-hot向量，
Figure BDA0002820420220000029
和
Figure BDA00028204202200000210
分别为用户和项目的初始嵌入向量，u代表用户信息集合中的任一用户，i代表项目信息集合中的任一项目。
可选地，根据上述的基于邻居用户的多个兴趣影响的推荐方法，所述步骤7中所述的预测分数值在0到1的区间内。
可选地，根据上述的基于邻居用户的多个兴趣影响的推荐方法，所述步骤7中所述的用户的最终嵌入向量和项目的最终嵌入向量分别为步骤6中最后一次图卷积操作得到的用户嵌入向量和项目嵌入向量。
可选地，根据上述的基于邻居用户的多个兴趣影响的推荐方法，所述的步骤6包括如下步骤：
步骤6.1：在每个兴趣感知图中使用图卷积操作将该用户的邻居用户的兴趣影响聚合到该用户的兴趣嵌入向量中，然后将经过聚合操作后的k个兴趣嵌入向量进行拼接；该步骤从邻居用户中分别聚合了k个不同兴趣之间的影响，公式如下：
Figure BDA0002820420220000031
Figure BDA0002820420220000032
其中Aggre表示图卷积操作，
Figure BDA0002820420220000033
表示第t-1个图卷积层后得到的邻居用户的第k个兴趣嵌入向量，
Figure BDA0002820420220000034
表示非线性转换矩阵，LeakyReLU表示激活函数，
Figure BDA0002820420220000035
表示用户u在第t个图卷积层得到的第k个兴趣嵌入向量，Concat表示向量的拼接操作，
Figure BDA0002820420220000036
表示由k个兴趣嵌入向量通过拼接操作得到的第t个图卷积层后的用户嵌入向量，U表示对于用户u的第k个兴趣感知图中的邻居集合，v是表示集合N中的任意一个，N代表集合；
步骤6.2：对用户项目交互图GR上的每个用户同样使用图卷积操作，将用户交互过的项目信息聚合到用户的向量中，并与从兴趣感知图上得到的兴趣向量进行元素相加操作，公式如下：
Figure BDA0002820420220000037
Figure BDA0002820420220000038
其中
Figure BDA0002820420220000039
表示用户u交互过项目的第t-1个图卷积层的嵌入向量，
Figure BDA00028204202200000310
表示从用户交互过项目进行卷积操作后得到的用户嵌入项目，
Figure BDA00028204202200000311
是第t个图卷积层后最终的用户嵌入向量，I是用户交互过的项目集合，
Figure BDA00028204202200000312
是对从交互过项目上聚合后进行非线性转化的参数矩阵，
Figure BDA00028204202200000313
是向量的元素相加操作；
步骤6.3：对用户项目交互图GR上的每个项目也使用卷积操作，将被交互过的用户信息聚合到项目的向量中，并与上一层的项目向量进行元素相加操作，公式如下：
Figure BDA00028204202200000314
其中
Figure BDA00028204202200000315
是从被交互过用户中聚合后得到的第t个卷积层后最终嵌入向量；
步骤6.4：通过对步骤6.1至步骤6.3迭代t次图卷积过程，得到用户的t个最终嵌入向量和项目的t个最终嵌入向量。
可选地，根据上述的基于邻居用户的多个兴趣影响的推荐方法，在上述的步骤6和步骤7之间还包括如下的步骤F：
步骤F：使用注意力机制分别将上述t个不同卷积层得到的用户嵌入向量和项目嵌入向量进行融合，具体的说，将用户的t个向量表示进行拼接，并通过一个非线性转化得到多个向量的注意力权重，公式如下：
Figure BDA0002820420220000041
其中
Figure BDA0002820420220000042
是不同卷积层得到的用户嵌入向量，
Figure BDA0002820420220000043
表示用户的不同卷积层嵌入向量的注意力权重；
根据得到的注意力权重，我们可以将不同层得到的用户向量进行融合得到最终的用户向量：
Figure BDA0002820420220000044
同理，项目的t个向量的融合过程与上述用户的t个向量的融合过程相同，于是最终的项目向量为：
Figure BDA0002820420220000045
上述hu和hi是通过注意力方式进行融合后得到的最终的用户嵌入向量和最终的项目嵌入向量，τ表示总共进行的图卷积次数,
Figure BDA0002820420220000046
表示项目的第t个卷积层嵌入向量的注意力权重。
可选地，根据上述的基于邻居用户的多个兴趣影响的推荐方法，所述步骤7中所述用户的最终嵌入向量和项目的最终嵌入向量分别为步骤F中通过注意力方式进行融合后得到的最终的用户嵌入向量和最终的项目嵌入向量。
可选地，根据前述任一所述的基于邻居用户的多个兴趣影响的推荐方法，在所述步骤8中，将预测分数值填充到用户-项目评分矩阵中，为目标用户生成个性化推荐列表并进行个性化推荐。
本发明的有益效果：与常见的社交推荐方法相比，本发明的基于邻居用户的多个兴趣影响的推荐方法，考虑用户多个方面的兴趣表达，能够较好地探究用户之间存在的多个兴趣影响相互影响的情况，针对实际场景中推荐系统不能细粒度考虑社交网络中用户之间的兴趣影响的问题，使推荐系统能够充分利用社交网络带来的影响，进而提升了推荐效果，特别对于推荐场的冷启动问题，有着重要的应用价值。与此同时，图卷积操作的引入，考虑了用户之间的兴趣影响是一种动态传递的过程，利用社交网络来辅助推荐过程，提升了推荐的准确性。
附图说明
图1为本发明实施方式基于邻居用户的多个兴趣影响的推荐方法的流程示意图；
图2为本发明实施方式基于邻居用户的多个兴趣影响的推荐方法的流程图；
图3为本发明基于邻居用户的多个兴趣影响的推荐方法中步骤6的流程图；
图4为本发明实施方式基于邻居用户的多个兴趣影响的推荐方法的流程示意图；
图5为本发明实施方式基于邻居用户的多个兴趣影响的推荐方法的流程图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。
为解决现有推荐系统不能细粒度考虑社交网络中邻居用户之间的兴趣影响的问题，本申请提供的解决方案是：一种基于邻居用户的多个兴趣的推荐方法，首先根据社交关系图对每个用户的邻居进行随机采样得到K个兴趣感知图，每个兴趣感知图表示用户之间的一种兴趣影响关系；然后在每个兴趣感知图上分别进行图卷积操作，聚合单个兴趣在用户之间的相互影响；在用户—项目交互图上通过图卷积操作，聚合用户交互过的项目信息以及项目被交互过的用户信息；然后将上面两个步骤聚合得到的结果进行元素拼接，得到第一个卷积层的结果；然后迭代多次图卷积操作，最终将多个卷积层的结果进行注意力融合，得到用户和项目的最终嵌入向量；根据用户和项目最终的嵌入向量，通过向量內积的方式得到用户可能与项目产生交互的概率，进而得到推荐列表。下面将结合附图和具体实施方式，对本发明的具体实施方式作进一步详细描述。
本实施方式的基于邻居用户的多个兴趣影响的推荐方法，如图1和图2所示，包括以下步骤：
步骤1：获取原始数据集；
所述原始数据集，包括用户信息集合、项目信息集合，用户项目交互图GR以及社交关系图GS。
步骤2：使用one-hot编码，将用户信息集合中所有用户的ID和项目信息集合中所有项目的ID(Identity Document，身份标识号)均转换为one-hot向量。
步骤3：由于上步中经过one-hot编码得到的向量比较稀疏，本步使用Embedding嵌入技术将所有one-hot向量转换成稠密的嵌入向量，公式如下：
Figure BDA0002820420220000051
Figure BDA0002820420220000052
其中，P为用户的特征嵌入矩阵，Q为项目的特征嵌入矩阵，T表示转置运算，vu和vi分别为用户和项目的one-hot向量，
Figure BDA0002820420220000053
和
Figure BDA0002820420220000054
分别为用户和项目的初始嵌入向量，u代表用户信息集合中的任一用户，i代表项目信息集合中的任一项目。
步骤4：根据得到的用户嵌入向量，将用户嵌入向量等分成k个子嵌入向量，分别用来表示用户的k个兴趣，这方便对用户的多个兴趣进行建模，公式如下：
Figure BDA0002820420220000061
其中，
Figure BDA0002820420220000062
和
Figure BDA0002820420220000063
都表示用户的初始嵌入向量，
Figure BDA0002820420220000064
表示用户u的第1个兴趣的嵌入向量，
Figure BDA0002820420220000065
表示用户u的第2个兴趣的嵌入向量，……，
Figure BDA0002820420220000066
表示用户u的第k个兴趣的嵌入向量。
步骤5：将用户的k个兴趣的嵌入向量分别输入到不同的兴趣感知图中，对于不同的兴趣感知图分别输入一个不同的兴趣嵌入向量。
根据社交关系图GS，我们对每个用户的邻居用户进行无放回的随机采样，每次采样s个。连续采样k次，得到k个用户兴趣感知图，每个兴趣感知图表示用户某个兴趣所受到的s个邻居用户的影响。
步骤6：通过t次图卷积操作聚合用户的t跳邻居用户的影响，在每一次图卷积过程中，用户分别从k个兴趣感知图以及用户项目交互图GR上聚合用户k个兴趣的影响，以及从交互过的项目中聚合项目的信息到嵌入向量中，得到用户的t个最终嵌入向量和项目的t个最终嵌入向量；如图3所示，本实施方式中步骤6包括如下步骤：
步骤6.1：在每个兴趣感知图中使用图卷积操作将该用户的邻居用户的兴趣影响聚合到该用户的兴趣嵌入向量中，然后将经过聚合操作后的k个兴趣嵌入向量进行拼接。该步骤从邻居用户中分别聚合了k个不同兴趣之间的影响，公式如下：
Figure BDA0002820420220000067
Figure BDA0002820420220000068
其中Aggre表示图卷积操作，
Figure BDA0002820420220000069
表示第t-1个图卷积层后得到的邻居用户的第k个兴趣嵌入向量，
Figure BDA00028204202200000610
表示非线性转换矩阵，LeakyReLU表示激活函数，
Figure BDA00028204202200000611
表示用户u在第t个图卷积层得到的第k个兴趣嵌入向量，Concat表示向量的拼接操作，
Figure BDA00028204202200000612
表示由k个兴趣嵌入向量通过拼接操作得到的第t个图卷积层后的用户嵌入向量，U表示对于用户u的第k个兴趣感知图中的邻居集合，v是表示集合N中的任意一个，N代表集合。
步骤6.2：对用户项目交互图GR上的每个用户同样使用图卷积操作，将用户交互过的项目信息聚合到用户的向量中，并与从兴趣感知图上得到的兴趣向量进行元素相加操作，公式如下：
Figure BDA00028204202200000613
Figure BDA00028204202200000614
其中，
Figure BDA00028204202200000615
表示用户u交互过项目的第t-1个图卷积层的嵌入向量，
Figure BDA00028204202200000616
表示从用户交互过项目进行卷积操作后得到的用户嵌入项目，
Figure BDA00028204202200000617
是第t个图卷积层后最终的用户嵌入向量，I是用户交互过的项目集合，
Figure BDA0002820420220000071
是对从交互过项目上聚合后进行非线性转化的参数矩阵，
Figure BDA0002820420220000072
是向量的元素相加操作；
步骤6.3：对用户项目交互图GR上的每个项目也使用卷积操作，将被交互过的用户信息聚合到项目的向量中，并与上一层的项目向量进行元素相加操作，公式如下：
Figure BDA0002820420220000073
其中
Figure BDA0002820420220000074
是从被交互过用户中聚合后得到的第t个卷积层后最终嵌入向量。
步骤6.4：通过对步骤6.1至步骤6.3迭代t次图卷积过程，得到用户的t个最终嵌入向量和项目的t个最终嵌入向量。
步骤7：将用户的最终嵌入向量和项目的最终嵌入向量做内积，并经过sigmoid激活函数，得到目标用户可能对项目产生交互的预测分数值，预测分数值在0到1的区间内。此时，这里所述的用户的最终嵌入向量和项目的最终嵌入向量分别为步骤6中最后一次图卷积操作得到的用户嵌入向量和项目嵌入向量。
步骤8：根据最终得到的目标用户可能对项目产生交互的预测分数值，为目标用户进行个性化推荐，例如可以将最终得到的目标用户可能对项目产生交互的预测分数值填充到用户-项目评分矩阵中，然后为目标用户生成个性化推荐列表并进行个性化推荐。
由于不同跳邻居带来的影响是不同的，应该综合考虑附近周围邻居的影响和远端的多跳邻居的影响，而不是仅仅只考虑远端的多跳邻居的影响。为解决该问题，如图4和图5所示，本方法在步骤6与步骤7之间包括如下的步骤F，进一步使用注意力机制来融合不同层的结果，能够全面关注不同跳邻居带来的不同程度的影响，以提高推荐的准确性。
步骤F：使用注意力机制分别将上述t个不同卷积层得到的用户嵌入向量和项目嵌入向量进行融合，得到最终的用户向量和最终的项目向量。
具体地说，将用户的t个向量表示进行拼接，并通过一个非线性转化得到多个向量的注意力权重，公式如下：
Figure BDA0002820420220000075
其中
Figure BDA0002820420220000076
是不同卷积层得到的用户嵌入向量，
Figure BDA0002820420220000077
表示用户的不同卷积层嵌入向量的注意力权重。
根据得到的注意力权重，我们可以将不同层得到的用户向量进行融合得到最终的用户向量：
Figure BDA0002820420220000078
同理，项目的t个向量的融合过程与上述用户的t个向量的融合过程相同，于是最终的项目向量为：
Figure BDA0002820420220000081
上述hu和hi是通过注意力方式进行融合后得到的最终的用户嵌入向量和最终的项目嵌入向量，τ表示总共进行的图卷积次数，
Figure BDA0002820420220000082
表示项目的第t个卷积层嵌入向量的注意力权重。
此时，执行步骤7时，所述用户的最终嵌入向量和项目的最终嵌入向量分别为步骤F中通过注意力方式进行融合后得到的最终的用户嵌入向量和最终的项目嵌入向量。执行完步骤7后，仍然继续执行步骤8，将最终得到的目标用户可能对项目产生交互的预测分数值填充到用户-项目评分矩阵中，然后为目标用户生成个性化推荐列表并进行个性化推荐。
例如，表1示出的是电影推荐系统中部分用户与电影交互表，在表1中，每一列用不同的ID表示的不同的电影，每一行用不同的ID表示的不同的用户,表格内括号中的数字即为ID号，并且每一列表示一种不同种类的电影。表1的表格阵列中填充的0表示对应的用户与对应的电影未交互过，1表示对应的用户与对应的电影交互过。
表1电影推荐系统中部分用户与电影交互表
Figure BDA0002820420220000083
表2示出的是采用本实施方式的基于邻居用户的多个兴趣影响的推荐方法对不同的用户可能对不同的电影产生交互的预测结果。预测分数值范围为0～1，值越大表示对应的用户对对应的电影交互的可能性越高。
表2不同的用户可能对不同的电影产生交互的预测结果
Figure BDA0002820420220000084
结合表1和表2可以明显地看出，根据用户的历史行为，利用本实施方式的基于邻居用户的多个兴趣影响的推荐方法可以很好地综合邻居用户的多个兴趣影响获得准确的用户兴趣嵌入向量，准确推荐符合用户口味的电影。例如，从表1中可以看出，用户(19)喜欢喜剧类、爱情类、恐怖类电影，而在表2中的预测结果可以看出，更加倾向于给用户(19)推荐这三个类别的电影。综上所述，本实施方式的基于邻居用户的多个兴趣影响的推荐方法能够较好地探究用户之间存在的多个兴趣影响，进而提升推荐性能。与常见的社交推荐方法相比，本方法能够较好的考虑到用户存在的多个不同兴趣相互影响的情况，可以充分考虑用户多个方面的兴趣表达，进而提供更加个性化的推荐。
应当理解的是，本领域技术人员在本发明技术构思的启发下，在不脱离本发明内容的基础上，还可以对上述基于邻居用户的多个兴趣影响的推荐方法作出各种改进或变换，这仍落在本发明的保护范围之内。

Claims (8)

1.一种基于邻居用户的多个兴趣影响的推荐方法，其特征在于，包括以下步骤：
步骤1：获取原始数据集；
所述原始数据集，包括用户信息集合、项目信息集合，用户项目交互图GR以及社交关系图GS；
步骤2：使用one-hot编码将用户信息集合中所有用户的ID和项目信息集合中所有项目的ID均转换为one-hot向量；
步骤3：将所有one-hot向量转换成嵌入向量，得到用户的初始嵌入向量和项目的初始嵌入向量；
步骤4：根据得到的用户初始嵌入向量，将用户初始嵌入向量等分成k个子嵌入向量，分别用来表示用户的k个兴趣，即k个兴趣嵌入向量，公式如下：
Figure FDA0002820420210000011
其中，
Figure FDA0002820420210000012
和
Figure FDA0002820420210000013
都表示用户的初始嵌入向量，
Figure FDA0002820420210000014
表示用户u的第1个兴趣的嵌入向量，
Figure FDA0002820420210000015
表示用户u的第2个兴趣的嵌入向量，......，
Figure FDA0002820420210000016
表示用户u的第k个兴趣的嵌入向量；
步骤5：将用户的k个兴趣嵌入向量分别输入到不同的兴趣感知图中，对于不同的兴趣感知图分别输入一个不同的兴趣嵌入向量；
步骤6：通过t次图卷积操作聚合用户的t跳邻居用户的影响，得到用户的t个最终嵌入向量和项目的t个最终嵌入向量；
步骤7：将用户的最终嵌入向量和项目的最终嵌入向量做内积，并经过sigmoid激活函数，得到目标用户可能对项目产生交互的预测分数值；
步骤8：根据最终得到的目标用户可能对项目产生交互的预测分数值，为目标用户进行个性化推荐。
2.根据权利要求1所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，在所述步骤3中，使用Embedding嵌入技术将所有one-hot向量转换成嵌入向量，得到用户的初始嵌入向量和项目的初始嵌入向量，公式如下：
Figure FDA0002820420210000017
Figure FDA0002820420210000018
其中，P为用户的特征嵌入矩阵，Q为项目的特征嵌入矩阵，T表示转置运算，vu和vi分别为用户和项目的one-hot向量，
Figure FDA0002820420210000019
和
Figure FDA00028204202100000110
分别为用户和项目的初始嵌入向量，u代表用户信息集合中的任一用户，i代表项目信息集合中的任一项目。
3.根据权利要求1所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，所述步骤7中所述的预测分数值在0到1的区间内。
4.根据权利要求1所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，所述步骤7中所述的用户的最终嵌入向量和项目的最终嵌入向量分别为步骤6中最后一次图卷积操作得到的用户嵌入向量和项目嵌入向量。
5.根据权利要求1所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，所述的步骤6包括如下步骤：
步骤6.1：在每个兴趣感知图中使用图卷积操作将该用户的邻居用户的兴趣影响聚合到该用户的兴趣嵌入向量中，然后将经过聚合操作后的k个兴趣嵌入向量进行拼接得到用户图卷积操作后的用户嵌入向量；该步骤从邻居用户中分别聚合了k个不同兴趣之间的影响，公式如下：
Figure FDA0002820420210000021
Figure FDA0002820420210000022
其中Aggre表示图卷积操作，
Figure FDA0002820420210000023
表示第t-1个图卷积层后得到的邻居用户的第k个兴趣嵌入向量，
Figure FDA0002820420210000024
表示非线性转换矩阵，LeakyReLU表示激活函数，
Figure FDA0002820420210000025
表示用户u在第t个图卷积层得到的第k个兴趣嵌入向量，Concat表示向量的拼接操作，
Figure FDA0002820420210000026
表示由k个兴趣嵌入向量通过拼接操作得到的第t个图卷积层后的用户嵌入向量，U表示对于用户u的第k个兴趣感知图中的邻居集合，v是表示集合N中的任意一个，N代表集合；
步骤6.2：对用户项目交互图GR上的每个用户同样使用图卷积操作，将用户交互过的项目信息聚合到用户的向量中，并与从兴趣感知图上得到的兴趣向量进行元素相加操作，公式如下：
Figure FDA0002820420210000027
Figure FDA0002820420210000028
其中
Figure FDA0002820420210000029
表示用户u交互过项目的第t-1个图卷积层的嵌入向量，
Figure FDA00028204202100000210
表示从用户交互过项目进行卷积操作后得到的用户嵌入项目，
Figure FDA00028204202100000211
是第t个图卷积层后最终的用户嵌入向量，I是用户交互过的项目集合，
Figure FDA00028204202100000212
是对从交互过项目上聚合后进行非线性转化的参数矩阵，
Figure FDA00028204202100000213
表示向量的元素相加操作；
步骤6.3：对用户项目交互图GR上的每个项目也使用卷积操作，将被交互过的用户信息聚合到项目的向量中，并与上一层的项目向量进行元素相加操作，公式如下：
Figure FDA00028204202100000214
其中
Figure FDA00028204202100000215
是从被交互过用户中聚合后得到的第t个卷积层后最终嵌入向量；
步骤6.4：通过对步骤6.1至步骤6.3迭代t次图卷积过程，得到用户的t个最终嵌入向量和项目的t个最终嵌入向量。
6.根据权利要求1所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，在所述步骤6和步骤7之间还包括如下的步骤F：
步骤F：使用注意力机制分别将上述t个不同卷积层得到的用户嵌入向量和项目嵌入向量进行融合，具体的说，将用户的t个向量表示进行拼接，并通过一个非线性转化得到多个向量的注意力权重，公式如下：
Figure FDA0002820420210000031
其中
Figure FDA0002820420210000032
是不同卷积层得到的用户嵌入向量，
Figure FDA0002820420210000033
表示用户的不同卷积层嵌入向量的注意力权重；
根据得到的注意力权重，我们可以将不同层得到的用户向量进行融合得到最终的用户向量：
Figure FDA0002820420210000034
同理，项目的t个向量的融合过程与上述用户的t个向量的融合过程相同，于是最终的项目向量为：
Figure FDA0002820420210000035
上述hu和hi是通过注意力方式进行融合后得到的最终的用户嵌入向量和最终的项目嵌入向量，τ表示总共进行的图卷积次数，
Figure FDA0002820420210000036
表示项目的第t个卷积层嵌入向量的注意力权重。
7.根据权利要求6所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，所述步骤7中所述用户的最终嵌入向量和项目的最终嵌入向量分别为步骤F中通过注意力方式进行融合后得到的最终的用户嵌入向量和最终的项目嵌入向量。
8.根据前述任一项权利要求所述的基于邻居用户的多个兴趣影响的推荐方法，其特征在于，在所述步骤8中，将预测分数值填充到用户-项目评分矩阵中，为目标用户生成个性化推荐列表并进行个性化推荐。
CN202011416979.2A 2020-12-07 2020-12-07 一种基于邻居用户的多个兴趣影响的推荐方法 Active CN112541131B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011416979.2A CN112541131B (zh) 2020-12-07 2020-12-07 一种基于邻居用户的多个兴趣影响的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011416979.2A CN112541131B (zh) 2020-12-07 2020-12-07 一种基于邻居用户的多个兴趣影响的推荐方法

Publications (2)

Publication Number Publication Date
CN112541131A true CN112541131A (zh) 2021-03-23
CN112541131B CN112541131B (zh) 2021-10-29

Family

ID=75016241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011416979.2A Active CN112541131B (zh) 2020-12-07 2020-12-07 一种基于邻居用户的多个兴趣影响的推荐方法

Country Status (1)

Country Link
CN (1) CN112541131B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905900A (zh) * 2021-04-02 2021-06-04 辽宁工程技术大学 基于图卷积注意力机制的协同过滤推荐算法
CN114491150A (zh) * 2022-03-28 2022-05-13 苏州浪潮智能科技有限公司 一种视频推荐方法、系统、设备及计算机可读存储介质
CN115374369A (zh) * 2022-10-20 2022-11-22 暨南大学 基于图神经网络的新闻多样性推荐方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080201287A1 (en) * 2007-02-21 2008-08-21 Hitachi, Ltd. Dissimilar item recommendation method, device, and program thereof
CN108537624A (zh) * 2018-03-09 2018-09-14 西北大学 一种基于深度学习的旅游服务推荐方法
CN110362753A (zh) * 2019-04-10 2019-10-22 深思考人工智能机器人科技（北京）有限公司 一种基于用户隐式反馈的个性化神经网络推荐方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080201287A1 (en) * 2007-02-21 2008-08-21 Hitachi, Ltd. Dissimilar item recommendation method, device, and program thereof
CN108537624A (zh) * 2018-03-09 2018-09-14 西北大学 一种基于深度学习的旅游服务推荐方法
CN110362753A (zh) * 2019-04-10 2019-10-22 深思考人工智能机器人科技（北京）有限公司 一种基于用户隐式反馈的个性化神经网络推荐方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MATTHEW MAGNUSSON等: "An Analysis of Deep ContextualWord Embeddings and Neural Architectures for Toponym Mention Detection in Scientific Publications", 《PROCEEDINGS OF THE WORKSHOP ON EXTRACTING STRUCTURED KNOWLEDGE FROM SCIENTIFIC PUBLICATIONS》 *
张舜尧等: "基于轨迹挖掘模型的旅游景点推荐", 《模式识别与人工智能》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905900A (zh) * 2021-04-02 2021-06-04 辽宁工程技术大学 基于图卷积注意力机制的协同过滤推荐算法
CN112905900B (zh) * 2021-04-02 2023-11-17 辽宁工程技术大学 基于图卷积注意力机制的协同过滤推荐方法
CN114491150A (zh) * 2022-03-28 2022-05-13 苏州浪潮智能科技有限公司 一种视频推荐方法、系统、设备及计算机可读存储介质
CN114491150B (zh) * 2022-03-28 2022-07-15 苏州浪潮智能科技有限公司 一种视频推荐方法、系统、设备及计算机可读存储介质
CN115374369A (zh) * 2022-10-20 2022-11-22 暨南大学 基于图神经网络的新闻多样性推荐方法及装置
CN115374369B (zh) * 2022-10-20 2023-04-07 暨南大学 基于图神经网络的新闻多样性推荐方法及装置

Also Published As

Publication number Publication date
CN112541131B (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN112541131B (zh) 一种基于邻居用户的多个兴趣影响的推荐方法
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
CN108431833A (zh) 端到端深度协作过滤
CN112115377A (zh) 一种基于社交关系的图神经网络链路预测推荐方法
CN110837598A (zh) 信息推荐方法、装置、设备及存储介质
CN112541130B (zh) 一种基于深度交叉特征融合的推荐方法及装置
CN111967946B (zh) 一种基于面向用户多关系信息网络的商品推荐方法及系统
CN112364236A (zh) 目标对象推荐系统、方法、装置、数据处理方法及装置
Reddy et al. Pragmatic image compression for human-in-the-loop decision-making
CN113849725B (zh) 一种基于图注意力对抗网络的社会化推荐方法及系统
CN111159242A (zh) 一种基于边缘计算的客户端重排序方法及系统
CN114139066A (zh) 一种基于图神经网络的协同过滤推荐系统
WO2024152686A1 (zh) 确定资源信息的推荐指标的方法、装置、设备、存储介质及计算机程序产品
Xu et al. A collaborative filtering framework based on variational autoencoders and generative adversarial networks
CN113095901A (zh) 推荐方法和相关模型的训练方法、电子设备、存储装置
CN116108283B (zh) 一种序列推荐的不确定性感知对比学习方法
CN107277570B (zh) 一种改善电视终端推荐系统推荐效果的方法
Mohammad et al. Movie recommender system using content-based and collaborative filtering
Liu et al. Learning optimal social dependency for recommendation
CN115391555A (zh) 一种用户感知的知识图谱推荐系统及方法
KR20230148523A (ko) 모달리티의 고유 특성을 보존하는 멀티미디어 추천 방법 및 시스템
He et al. VAE based-NCF for recommendation of implicit feedback
CN115309975B (zh) 基于交互特征的产品推荐方法及系统
CN116881575B (zh) 内容推送方法、装置、计算机设备和存储介质
CN116628310B (zh) 内容的推荐方法、装置、设备、介质及计算机程序产品

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