CN112559864A - 一种基于知识图谱增强的双线性图网络推荐方法和系统 - Google Patents

一种基于知识图谱增强的双线性图网络推荐方法和系统 Download PDF

Info

Publication number
CN112559864A
CN112559864A CN202011475985.5A CN202011475985A CN112559864A CN 112559864 A CN112559864 A CN 112559864A CN 202011475985 A CN202011475985 A CN 202011475985A CN 112559864 A CN112559864 A CN 112559864A
Authority
CN
China
Prior art keywords
node
aggregation
user
article
information
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
CN202011475985.5A
Other languages
English (en)
Other versions
CN112559864B (zh
Inventor
宋彬
许龙涛
郭洁
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202011475985.5A priority Critical patent/CN112559864B/zh
Publication of CN112559864A publication Critical patent/CN112559864A/zh
Application granted granted Critical
Publication of CN112559864B publication Critical patent/CN112559864B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于知识图谱增强的双线性图网络推荐方法和系统，网络推荐方法为：根据用户与物品的交互数据构建用户反馈二向图，根据物品的属性特征构建物品的知识图谱；将初始化后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到双线性图网络聚合层中，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第一次更新；对用户节点表示向量、物品节点表示向量和实体节点表示向量再进行至少一次更新；将各次更新后的用户节点表示向量、物品节点表示向量分别级联并计算其内积，根据计算出的内积判断是否向用户推荐该物品。本发明所提供的技术方案能够提高网络推荐方法的适用性和准确性。

Description

一种基于知识图谱增强的双线性图网络推荐方法和系统
技术领域
本发明属于网络推荐领域，具体涉及一种基于知识图谱增强的双线性图网络推荐方法和系统。
背景技术
随着时代的发展，通过网络来选择自己需要的商品已成为一种常见的购物方式。在网络购物平台上各种商品、服务极大丰富了人们的生活，但也产生了“信息过载”的问题，消费者如何在最短的时间内选择出适合自己的商品已成为一个难题。
信息推荐技术的出现，很好的解决了上述的技术问题。信息推荐技术作为解决信息过载问题的技术手段之一,在理论和应用层面都具有重大的意义和价值。从理论上讲,信息推荐问题是信息挖掘和信息过滤这一重大科学问题的重要组成部分；从应用上讲,信息推荐技术已经成为众多电子商务网站的核心技术,并创造了巨大的经济价值。信息推荐是一个典型的交叉研究领域。
信息推荐技术可以根据用户的兴趣寻找与之具有相似兴趣的物品集合，然后基于物品之间的相似性推荐用户感兴趣的物品。使用个性化推荐技术向用户推荐适宜其自身的电影、商品等等，使得用户可以迅速得到符合喜欢和选择倾向的物品信息，而这对于推荐系统而言，既可以得到用户的信任，获得更多的青睐和使用，也使得系统推荐节省了用户在大量浏览过程中所消耗的系统资源，从而节省带宽等运营成本，并更好的为用户服务。
推荐算法具有巨大的应用价值，能够创造巨大的经济效益，是几十年来的一个热门研究领域，但这一领域的挑战仍未得到很好的解决。现有技术中常见的推荐方法有协同过滤算法、矩阵分解算法等，这些推荐方法在对用户和物品属性特征进行建模时，通常考虑的是用户与物品的反馈信息，但不能全面地聚合有交互关系的相邻节点的信息，更不能利用高阶的交互信息，并且这些传统算法也很少能够利用物品端丰富的知识图谱信息，导致其在交互信息比较稀疏的情况下推荐的精准度较差，推荐的商品与用户的期望相差较远，或者不能将与用户期望最高的商品推荐给用户。
发明内容
本发明的目的是提供一种基于知识图谱增强的双线性图网络推荐方法和系统，以解决现有技术中网络推荐方法存在的适用性和准确性较差的问题。
为实现上述目的，本发明采用如下技术方案：
一种基于知识图谱增强的双线性图网络推荐方法，包括如下步骤：
步骤一：根据用户与物品的交互数据构建用户反馈二向图，根据物品的属性特征构建物品的知识图谱，并对用户节点表示向量、物品节点表示向量和实体节点表示向量进行初始化；
步骤二：将初始化后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到双线性图网络聚合层中，在用户反馈二向图中对同一目标节点成对的邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征进行聚合处理，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第一次聚合更新；
步骤三：对用户节点表示向量、物品节点表示向量和实体节点表示向量再进行至少一次聚合更新；
在每次聚合更新时，将前一次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到线性图网络聚合层中，在反馈二向图中对目标节点与单个邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征信息进行信息聚合处理，得到聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量；
步骤四：将初始化后以及经过各次聚合更新后的用户节点表示向量、物品节点表示向量分别按照更新的顺序依次进行级联，得到级联后的用户节点表示向量和级联后的物品节点表示向量；
步骤五：计算级联后的用户节点表示向量与级联后的物品节点表示向量的内积，将内积作为用户对物品的预测得分，根据预测得分判断是否向用户推荐该物品。
进一步的，所述步骤二中，在用户反馈二向图中对同一用户节点成对的邻居节点进行信息聚合处理时所采用的计算公式为：
Figure BDA0002835322060000021
Figure BDA0002835322060000022
为用户反馈二向图中第v个用户节点在第一次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure BDA0002835322060000023
和
Figure BDA0002835322060000024
分别为第i个和第j个初始用户节点，Wb为用户节点进行第一次信息聚合处理时的可训练权重矩阵；
设物品的知识图谱中共有R种属性特征，其第一次信息聚合结果为
Figure BDA0002835322060000025
Figure BDA0002835322060000026
为知识图谱中第n个物品节点R种属性特征进行第一次信息聚合后的聚合信息，Ar1为本步骤中的可训练的权重参数，
Figure BDA0002835322060000027
表示知识图谱中第n个物品节点的属性特征r第一次信息聚合后的聚合信息，其计算方式为：
Figure BDA0002835322060000031
Mr(n)表示第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure BDA0002835322060000032
表示第m个初始物品节点，
Figure BDA0002835322060000033
为本步骤中属性特征r信息聚合时与属性特征r相关的可训练的权重矩阵；
对用户节点表示向量进行第一次聚合更新的方式为：
Figure BDA0002835322060000034
其中
Figure BDA0002835322060000035
表示第一次聚合更新后的第v个用户节点，σ(*)为非线性激活函数；
实体节点表示向量进行第一次聚合更新的方式为：
Figure BDA0002835322060000036
Figure BDA0002835322060000037
为第一次更新后的第n个实体节点；
对物品节点第一次聚合更新的方式为：
Figure BDA0002835322060000038
其中
Figure BDA0002835322060000039
为第n个物品节点第一信息聚合后的聚合信息，
Figure BDA00028353220600000310
为第一次更新后的第n个物品节点。
进一步的，在步骤三中，设X为大于1的正整数，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第X次聚合更新的方法为：
采用线性的方式对用户反馈二向图的第X-1次聚合更新结果进行信息聚合，方式为
Figure BDA00028353220600000311
其中
Figure BDA00028353220600000312
为用户反馈二向图中第v个用户节点第X次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure BDA00028353220600000313
为第X-1次聚合更新后的第p个用户节点，
Figure BDA00028353220600000314
为用户节点进行第X次信息聚合处理的训练权重矩阵；
设物品的知识图谱中共有R种属性特征，其第X次信息聚合结果为
Figure BDA00028353220600000315
Figure BDA00028353220600000316
为知识图谱中第n个物品节点R种属性特征进行第X次信息聚合后的聚合信息，ArX为本步骤中的可训练的权重参数，
Figure BDA00028353220600000317
为知识图谱中第n个物品节点的属性特征r第X信息聚合后的聚合信息，其计算方式为
Figure BDA0002835322060000041
Mr(n)表示知识图谱中第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure BDA0002835322060000042
为第X-1次聚合更新后的第p个物品节点，
Figure BDA0002835322060000043
为本步骤中属性特征r信息聚合时与属性特征r相关的可训练的权重矩阵；
对用户节点表示向量进行第X次聚合更新的方式为：
Figure BDA0002835322060000044
其中
Figure BDA0002835322060000045
表示第X次聚合更新后的第v个用户节点，σ(*)为非线性激活函数；
实体节点第X次聚合更新的方式为：
Figure BDA0002835322060000046
Figure BDA0002835322060000047
为第X次聚合更新后的第n个实体节点；
物品节点第X次聚合更新的方式为：
Figure BDA0002835322060000048
其中
Figure BDA0002835322060000049
为第n个物品节点第X次信息聚合后的聚合信息，
Figure BDA00028353220600000410
为第X次聚合更新后的第n个物品节点。
进一步的，通过Adam优化器对在对用户节点表示向量、物品节点表示向量和实体节点表示向量更新过程中所涉及到的数学模型的参数进行优化，并通过损失函数判断优化是否完成。
进一步的，所述损失函数为BPR损失函数。
一种基于知识图谱增强的双线性图网络推荐系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现基于知识图谱增强的双线性图网络推荐方法，该方法包括如下步骤：
步骤一：根据用户与物品的交互数据构建用户反馈二向图，根据物品的属性特征构建物品的知识图谱，并对用户节点表示向量、物品节点表示向量和实体节点表示向量进行初始化；
步骤二：将初始化后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到双线性图网络聚合层中，在用户反馈二向图中对同一目标节点成对的邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征进行聚合处理，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第一次聚合更新；
步骤三：对用户节点表示向量、物品节点表示向量和实体节点表示向量再进行至少一次聚合更新；
在每次聚合更新时，将前一次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到线性图网络聚合层中，在反馈二向图中对目标节点与单个邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征信息进行信息聚合处理，得到聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量；
步骤四：将初始化后以及经过各次聚合更新后的用户节点表示向量、物品节点表示向量分别按照更新的顺序依次进行级联，得到级联后的用户节点表示向量和级联后的物品节点表示向量；
步骤五：计算级联后的用户节点表示向量与级联后的物品节点表示向量的内积，将内积作为用户对物品的预测得分，根据预测得分判断是否向用户推荐该物品。
进一步的，所述步骤二中，在用户反馈二向图中对同一用户节点成对的邻居节点进行信息聚合处理时所采用的计算公式为：
Figure BDA0002835322060000051
Figure BDA0002835322060000052
为用户反馈二向图中第v个用户节点在第一次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure BDA0002835322060000053
和
Figure BDA0002835322060000054
分别为第i个和第j个初始用户节点，Wb为用户节点进行第一次信息聚合处理时的可训练权重矩阵；
设物品的知识图谱中共有R种属性特征，其第一次信息聚合结果为
Figure BDA0002835322060000055
Figure BDA0002835322060000056
为知识图谱中第n个物品节点R种属性特征进行第一次信息聚合后的聚合信息，Ar1为本步骤中的可训练的权重参数，
Figure BDA0002835322060000057
表示知识图谱中第n个物品节点的属性特征r第一次信息聚合后的聚合信息，其计算方式为：
Figure BDA0002835322060000058
Mr(n)表示第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure BDA0002835322060000059
表示第m个初始物品节点，
Figure BDA00028353220600000510
为本步骤中属性特征r信息聚合时与属性特征r相关的可训练的权重矩阵；
对用户节点表示向量进行第一次聚合更新的方式为：
Figure BDA0002835322060000061
其中
Figure BDA0002835322060000062
表示第一次聚合更新后的第v个用户节点，σ(*)为非线性激活函数；
实体节点表示向量进行第一次聚合更新的方式为：
Figure BDA0002835322060000063
Figure BDA0002835322060000064
为第一次更新后的第n个实体节点；
对物品节点第一次聚合更新的方式为：
Figure BDA0002835322060000065
其中
Figure BDA0002835322060000066
为第n个物品节点第一信息聚合后的聚合信息，
Figure BDA0002835322060000067
为第一次更新后的第n个物品节点。
进一步的，在步骤三中，设X为大于1的正整数，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第X次聚合更新的方法为：
采用线性的方式对用户反馈二向图的第X-1次聚合更新结果进行信息聚合，方式为
Figure BDA0002835322060000068
其中
Figure BDA0002835322060000069
为用户反馈二向图中第v个用户节点第X次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure BDA00028353220600000610
为第X-1次聚合更新后的第p个用户节点，
Figure BDA00028353220600000611
为用户节点进行第X次信息聚合处理的训练权重矩阵；
设物品的知识图谱中共有R种属性特征，其第X次信息聚合结果为
Figure BDA00028353220600000612
Figure BDA00028353220600000613
为知识图谱中第n个物品节点R种属性特征进行第X次信息聚合后的聚合信息，ArX为本步骤中的可训练的权重参数，
Figure BDA00028353220600000614
为知识图谱中第n个物品节点的属性特征r第X信息聚合后的聚合信息，其计算方式为
Figure BDA00028353220600000615
Mr(n)表示知识图谱中第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure BDA00028353220600000616
为第X-1次聚合更新后的第p个物品节点，
Figure BDA00028353220600000617
为本步骤中属性特征r信息聚合时与属性特征r相关的可训练的权重矩阵；
对用户节点表示向量进行第X次聚合更新的方式为：
Figure BDA0002835322060000071
其中
Figure BDA0002835322060000072
表示第X次聚合更新后的第v个用户节点，σ(*)为非线性激活函数；
实体节点第X次聚合更新的方式为：
Figure BDA0002835322060000073
Figure BDA0002835322060000074
为第X次聚合更新后的第n个实体节点；
物品节点第X次聚合更新的方式为：
Figure BDA0002835322060000075
其中
Figure BDA0002835322060000076
为第n个物品节点第X次信息聚合后的聚合信息，
Figure BDA0002835322060000077
为第X次聚合更新后的第n个物品节点。
进一步的，通过Adam优化器对在对用户节点表示向量、物品节点表示向量和实体节点表示向量更新过程中所涉及到的数学模型的参数进行优化，并通过损失函数判断优化是否完成。
进一步的，所述损失函数为BPR损失函数。
本发明的有益效果：
本发明所提供的技术方案，能够全面地聚合有交互关系的相邻节点的信息以及图结构信息，并通过多层图网络利用高阶的交互信息；并且本发明的技术方案还能够利用物品端丰富的知识图谱信息对物品节点表示向量进行信息增强，充分完善物品节点表示向量。由于本发明所提供的技术方案能够根据用户与物品的交互数据、物品的属性特征向用户准确推荐物品，因此能够解决现有技术中网络推荐方法存在的适用性和准确性较差的问题。
附图说明
图1是本发明方法实施例中基于知识图谱增强的双线性图网络推荐方法的流程图；
图2是本发明方法实施例中用户反馈二向图和知识图谱的结构示意图。
具体实施方式
本发明的目的是提供一种基于知识图谱增强的双线性图网络推荐方法和系统，以解决现有技术中网络推荐方法存在的适用性和准确性较差的问题。
方法实施例：
一种基于知识图谱增强的双线性图网络推荐方法，其流程如图1所示，包括如下步骤：
步骤一：根据用户与物品的交互数据构建用户反馈二向图，根据物品的属性特征构建物品的知识图谱，并对用户节点表示向量、物品节点表示向量和实体节点表示向量进行初始化。
步骤二：将初始化后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到双线性图网络聚合层中，在用户反馈二向图中对同一目标节点成对的邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征进行聚合处理，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第一次聚合更新。
步骤三：对用户节点表示向量、物品节点表示向量和实体节点表示向量再进行至少一次聚合更新。
在每次聚合更新时，将前一次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到线性图网络聚合层中，在反馈二向图中对目标节点与单个邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征信息进行信息聚合处理，得到聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量。
步骤四：将初始化后以及经过各次聚合更新后的用户节点表示向量、物品节点表示向量分别按照更新的顺序依次进行级联，得到级联后的用户节点表示向量和级联后的物品节点表示向量。
步骤五：计算级联后的用户节点表示向量与级联后的物品节点表示向量的内积，将内积作为用户对物品的预测得分，根据预测得分判断是否向用户推荐该物品。
在步骤一中，用户与物品的交互数据是指用户对物品的反馈信息，所建立用户反馈二向图是一幅无向图，该图中包括用户节点与物品节点，当用户与物品有交互反馈时，则认为该用户节点与该物品节点有一条边相连。如图2所示，其中u1、u2、u3为用户节点，i1、i2、i3、i4为物品节点，如果用户节点与物品节点之间有反馈则将两者连接，且连接标记I。
在本实施例中用一个二维矩阵来存储用户反馈二向图，该二维矩阵的长宽均为用户节点数与物品节点数之和，矩阵中的值为用户对物品的反馈值，如评分；如果行与列之间没有反馈值，则将其设置为0。假设该二维矩阵中第c行第d列的元素为Hcd，如果该元素是表示用户与用户的节点，或者物品与物品的节点，或者用户与物品的节点但是该用户对该物品没有反馈值，则Hcd＝0；如果该元素是用户与物品节点且该用户对该物品有反馈值，则Hcd为该反馈值。
根据物品的属性特征构建物品的知识图谱，物品的知识图谱是指物品本身的各种属性特征信息；物品具有多种属性特征，如电影具有导演、演员等属性特征，在本实施例中设物品共有R种属性特征，而每一种属性特征都对应着各种实体。如图2所示，其中i1、i2、i3、i4为物品节点，e1、e2、e3为实体节点，如果物品与实体节点之间连接，且连接有标记r1、r2或r3，则该物品的r1、r2或r3属性特征为相应的实体节点。
在本实施例中，对每一种属性特征都设有一个二维零一矩阵来储存此属性特征下的物品节点与实体节点的关系，该矩阵的长宽均为物品节点数与总实体节点数之和，若此属性特征下物品有此实体关系则该矩阵中相应的元素置1，否则为0。
然后根据用户节点、物品节点和实体节点分别获取用户节点表示向量、物品节点表示向量和实体节点表示向量并进行随机初始化，本实施例中，所有表示向量长度均设为64。
在步骤二中，对初始用户节点表示向量、物品节点表示向量和实体节点表示向量进行第一次聚合更新处理的方法为：
步骤1.1：对用户反馈二向图采用如下双线性的方式进行第一次信息聚合。
对用户节点和物品节点进行第一次信息聚合处理的方式相同，以用户节点为例，其第一次双线性信息聚合的计算公式为：
Figure BDA0002835322060000091
上式中，
Figure BDA0002835322060000092
为用户反馈二向图中第v个用户节点第一次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure BDA0002835322060000093
和
Figure BDA0002835322060000094
分别为第i个和第j个初始用户节点，Wb为用户节点进行第一次信息聚合处理时的可训练权重矩阵，在本实施例中，矩阵Wb的大小设为64×64。
本实施例中使用该双线性图网络聚合方式，可以全面地聚合有交互关系的相邻节点的信息以及图结构信息，提高用户节点表示向量、物品节点表示向量的信息含量。值得一提的是，当物品节点的知识图谱信息可以获得时，可以通过物品节点的知识图谱信息来增强物品节点表示向量的信息表示，本专利充分考虑到这点，将在下述步骤中对物品节点表示向量进行信息增强。
步骤1.2：对用户节点进行第一次聚合更新，更新时所采用的计算公式为：
Figure BDA0002835322060000095
其中
Figure BDA0002835322060000096
表示第一次聚合更新后的第v个用户节点，σ(*)为非线性激活函数，在本实施例中，本实施例中采用泄露修正线性单元函数LeakyReLU作为非线性激活函数。
步骤1.3：在物品的知识图谱中，对属性特征r进行第一次信息聚合的方式为：
Figure BDA0002835322060000097
Mr(n)表示第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure BDA0002835322060000098
表示知识图谱中第n个物品节点第一次信息聚合后的聚合信息，
Figure BDA0002835322060000101
表示第m个初始物品节点，
Figure BDA0002835322060000102
为对属性特征r进行信息聚合时与属性特征r相关的可训练的权重矩阵，在本实施例中该权重矩阵大小均为64×64。
共有R种属性特征，采用加权求和的方式对各属性特征的第一次聚合信息进行处理，即：
Figure BDA0002835322060000103
Figure BDA0002835322060000104
为知识图谱中第n个物品节点R种属性特征进行第一次信息聚合后的聚合信息，Ar1为本步骤中的可训练的权重参数。通过权重参数可区分不同属性特征对
Figure BDA0002835322060000105
贡献的大小。
步骤1.4：对实体节点进行第一次聚合更新，聚合更新的方式为：
Figure BDA0002835322060000106
Figure BDA0002835322060000107
为第一次聚合更新后的第n个实体节点。
步骤1.5：对物品节点第一次聚合更新，聚合更新的方式为：
Figure BDA0002835322060000108
其中
Figure BDA0002835322060000109
为知识图谱中第n个物品节点第一信息聚合后的聚合信息，
Figure BDA00028353220600001010
为第一次聚合更新后的第n个物品节点。
对用户节点、物品节点和实体节点进行第一次聚合更新后再获取用户节点表示向量、物品节点表示向量和实体节点表示向量，即为第一次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量。
使用此步骤二中的方式更新物品节点的表示向量，能够在用户反馈二向图中利用双线性的方式更新物品节点表示向量后，又利用知识图谱实体节点对物品节点进行信息增强，使物品节点表示向量的信息更加完整充分，提高本发明最终的表现效果。
步骤三中对第一次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量进行第二次和第三次聚合更新，其中第二次聚合更新的方法为：
步骤2.1：采用线性的方式对第一次更新后的用户节点和物品节点进再次行聚合，即对用户反馈二向图进行第二次信息聚合。
对用户节点和物品节点进行第二次信息聚合处理的方式相同，以用户节点为例，其第二次信息聚合的计算公式为：
Figure BDA00028353220600001011
其中
Figure BDA0002835322060000111
为用户反馈二向图中第v个用户节点第二次信息聚合后的聚合信息，
Figure BDA0002835322060000112
为第一次更新后的第p个用户节点，
Figure BDA0002835322060000113
为用户节点进行第二次信息聚合处理可训练的权重矩阵，在本实施例中此矩阵大小为64×32。
步骤2.2：采用下述方式对用户节点进行第二次聚合更新：
Figure BDA0002835322060000114
其中
Figure BDA0002835322060000115
表示第二次聚合更新后的第v个用户节点。
步骤2.3：在物品的知识图谱中，物品节点的属性特征r利用如下方式进行信息聚合处理：
Figure BDA0002835322060000116
其中
Figure BDA0002835322060000117
表示知识图谱中第n个物品节点第二次信息聚合后的聚合信息，
Figure BDA0002835322060000118
为第一次聚合更新后的第p个物品节点，
Figure BDA0002835322060000119
为本步骤中与r属性特征相关的可训练的权重矩阵，在本实施例中，其大小为64×32。
商品共有R种属性特征，采用加权求和的方式对各属性特征的第二次聚合信息进行处理，即：
Figure BDA00028353220600001110
Figure BDA00028353220600001111
为知识图谱中第n个物品节点R种属性特征进行第二次信息聚合后的聚合信息，Ar2为本步骤中的可训练的权重参数。通过权重参数可区分不同关系属性特征对
Figure BDA00028353220600001112
贡献的大小。
步骤2.4：采用下述方式对实体节点进行第二次聚合更新：
Figure BDA00028353220600001113
Figure BDA00028353220600001114
为第二次聚合更新后的第n个实体节点。
步骤2.5：采用下述方式对物品节点进行第二次聚合更新：
Figure BDA00028353220600001115
其中
Figure BDA00028353220600001116
为第n个物品节点第二次信息聚合后的聚合信息，
Figure BDA00028353220600001117
为第二次聚合更新后的第n个物品节点。
本步骤主要用于聚合更高阶的多跳邻居节点信息，提高节点表示能力。
对用户节点、物品节点和实体节点进行第二次聚合更新后再获取用户节点表示向量、物品节点表示向量和实体节点表示向量，即为第二次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量。
对第二次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量进行第三次聚合更新的方法为：
步骤3.1：：采用线性的方式对第二次聚合更新后的用户节点和物品节点再次进行信息聚合，即对用户反馈二向图进行第三次信息聚合。
Figure BDA0002835322060000121
Figure BDA0002835322060000122
为用户反馈二向图中第v个用户节点第二次信息聚合后的聚合信息，
Figure BDA0002835322060000123
为第二次信息聚合后的第p个用户节点，
Figure BDA0002835322060000124
为用户节点进行第三次信息聚合处理可训练的权重矩阵，在本实施例中此矩阵大小为32×16。
步骤3.2：采用下述方式对节点表示向量进行第三次聚合更新：
Figure BDA0002835322060000125
其中
Figure BDA0002835322060000126
表示第三次聚合更新后的用户节点表示向量，
步骤3.3：在物品的知识图谱中，对于属性特征r采用如下方式进行第三次信息聚合：
Figure BDA0002835322060000127
其中
Figure BDA0002835322060000128
表示知识图谱中第n个物品节点第三次信息聚合后的聚合信息，
Figure BDA0002835322060000129
为第二更新后的第p个物品节点，
Figure BDA00028353220600001210
为本步骤中与属性特征r相关的可训练的权重矩阵，在本实施例中该权重矩阵大小均为32×16。
对于R种属性特征，采用加权求和的方式对各属性特征的第三次聚合信息进行处理，即：
Figure BDA00028353220600001211
Figure BDA00028353220600001212
为知识图谱中第n个物品节点R种属性特征进行第三次信息聚合后的聚合信息，Ar3为本步骤中的可训练的权重参数。通过权重参数可区分不同属性特征对
Figure BDA00028353220600001213
贡献的大小。
步骤2.4：采用下述方式对实体节点进行第三次聚合更新：
Figure BDA00028353220600001214
Figure BDA00028353220600001215
为第三次更新后的第n个实体节点。
步骤2.5：采用下述方式对物品节点进行第三次聚合更新：
Figure BDA0002835322060000131
其中
Figure BDA0002835322060000132
为第n个物品节点第三次信息聚合后的聚合信息，
Figure BDA0002835322060000133
为第三次聚合更新后的第n个物品节点。
对用户节点、物品节点和实体节点进行第三次聚合更新后再获取用户节点表示向量、物品节点表示向量和实体节点表示向量，即为第三次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量。
输出聚合更新层强调了不同阶次的连通信息，为了保留这些连接信息，步骤四中将初始表示向量以及各次聚合更行后的用户节点表示向量、物品节点表示向量分别进行级联，即：
Figure BDA0002835322060000134
Figure BDA0002835322060000135
其中||表示级联，
Figure BDA0002835322060000136
和
Figure BDA0002835322060000137
分别为初始用户节点表示向量、第一次聚合更新后的用户节点表示向量、第二次聚合后的用户节点表示向量和第三次聚合后的用户节点表示向量，eu为初始表示向量以及各次聚合更行后的用户节点表示向量的级联。
Figure BDA0002835322060000138
和
Figure BDA0002835322060000139
分别为初始物品节点表示向量、第一次聚合更新后的物品节点表示向量、第二次聚合后的物品节点表示向量和第三次聚合后的物品节点表示向量，eu为初始表示向量以及各次聚合更行后的物品节点表示向量的级联。
用户节点表示向量级联与物品节点表示向量级联的内积得到预测得分，即：
Figure BDA00028353220600001310
在上述对用户节点表示向量、物品节点表示向量和实体节点表示向量进行聚合更新过程中涉及多个数学模型，各数学模型中涉及多项参数，这些参数通过Adam优化器优化各数学模型得到。
采用Adam优化器优化数学模型的方法为：
获取用户与物品的交互数据和物品的属性特征，按照上述基于知识图谱增强的双线性图网络推荐方法得到用户对物品的预测得分；
计算用户对物品的预测得分与真实的份之间的损失函数，判断其是否大于设定损失值；
如果大于，则对各数学模型中的参数进行调整；
如果不大于，则判断为优化完成。
本实施例中损失函数采用的是BPR损失函数，即
Figure BDA0002835322060000141
Figure BDA0002835322060000142
为正样本预测评分，
Figure BDA0002835322060000143
为负样本预测评分，L为构建的损失函数。
本实施例在Amazon-Book、Last-FM和Yelp2018三个真实世界中的推荐数据集上进行实验。这些数据集交互稀疏程度各不相同，物品的属性特征关系数也不相同，可以全面地验证本发明的有效性。同时，选取NFM、KGAT两种算法和本实施例的技术方案进行对比实验。NFM算法是一种先进的因子分解模型，其将因子分解机(FM)纳入到神经网络中。KGAT算法是一种基于图网络的推荐算法模型，其结合知识图谱信息进行物品推荐。
对比结果如表1所示。由对比结果可知，本发明提出的知识图谱增强的双线性图网络推荐方法，在推荐效果上显著优于NFM模型。相比同利用知识图谱信息的KGAT算法，也有一定的效果提升。
表1
Figure BDA0002835322060000144
其中Recall为召回率，NDCG为归一化折损累计增益，NFM(Neural FactorizationMachines)为神经分解机，KGAT为知识图注意力网络。
系统实施例：
本实施例提供一种基于知识图谱增强的双线性图网络推荐系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序，处理器执行该计算机程序时，实现上述方法实施例中提供的基于知识图谱增强的双线性图网络推荐方法。
以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于知识图谱增强的双线性图网络推荐方法，其特征在于，包括如下步骤：
步骤一：根据用户与物品的交互数据构建用户反馈二向图，根据物品的属性特征构建物品的知识图谱，并对用户节点表示向量、物品节点表示向量和实体节点表示向量进行初始化；
步骤二：将初始化后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到双线性图网络聚合层中，在用户反馈二向图中对同一目标节点成对的邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征进行聚合处理，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第一次聚合更新；
步骤三：对用户节点表示向量、物品节点表示向量和实体节点表示向量再进行至少一次聚合更新；
在每次聚合更新时，将前一次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到线性图网络聚合层中，在反馈二向图中对目标节点与单个邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征信息进行信息聚合处理，得到聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量；
步骤四：将初始化后以及经过各次聚合更新后的用户节点表示向量、物品节点表示向量分别按照更新的顺序依次进行级联，得到级联后的用户节点表示向量和级联后的物品节点表示向量；
步骤五：计算级联后的用户节点表示向量与级联后的物品节点表示向量的内积，将内积作为用户对物品的预测得分，根据预测得分判断是否向用户推荐该物品。
2.根据权利要求1所述的基于知识图谱增强的双线性图网络推荐方法，其特征在于，所述步骤二中，在用户反馈二向图中对同一用户节点成对的邻居节点进行信息聚合处理时所采用的计算公式为：
Figure FDA0002835322050000011
Figure FDA0002835322050000012
为用户反馈二向图中第v个用户节点在第一次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure FDA0002835322050000013
和
Figure FDA0002835322050000014
分别为第i个和第j个初始用户节点，Wb为用户节点进行第一次信息聚合处理时的可训练权重矩阵；
设物品的知识图谱中共有R种属性特征，其第一次信息聚合结果为
Figure FDA0002835322050000015
Figure FDA0002835322050000021
为知识图谱中第n个物品节点R种属性特征进行第一次信息聚合后的聚合信息，Ar1为本步骤中的可训练的权重参数，
Figure FDA0002835322050000022
表示知识图谱中第n个物品节点的属性特征r第一次信息聚合后的聚合信息，其计算方式为：
Figure FDA0002835322050000023
Mr(n)表示第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure FDA0002835322050000024
表示第m个初始物品节点，Wr 1为本步骤中属性特征r信息聚合时与属性特征r相关的可训练的权重矩阵；
对用户节点表示向量进行第一次聚合更新的方式为：
Figure FDA0002835322050000025
其中
Figure FDA0002835322050000026
表示第一次聚合更新后的第v个用户节点，σ(*)为非线性激活函数；
实体节点表示向量进行第一次聚合更新的方式为：
Figure FDA0002835322050000027
Figure FDA0002835322050000028
为第一次更新后的第n个实体节点；
对物品节点第一次聚合更新的方式为：
Figure FDA0002835322050000029
其中
Figure FDA00028353220500000210
为第n个物品节点第一信息聚合后的聚合信息，
Figure FDA00028353220500000211
为第一次更新后的第n个物品节点。
3.根据权利要求1所述的基于知识图谱增强的双线性图网络推荐方法，其特征在于，在步骤三中，设X为大于1的正整数，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第X次聚合更新的方法为：
采用线性的方式对用户反馈二向图的第X-1次聚合更新结果进行信息聚合，方式为
Figure FDA00028353220500000212
其中
Figure FDA00028353220500000213
为用户反馈二向图中第v个用户节点第X次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure FDA00028353220500000214
为第X-1次聚合更新后的第p个用户节点，
Figure FDA0002835322050000031
为用户节点进行第X次信息聚合处理的训练权重矩阵；
设物品的知识图谱中共有R种属性特征，其第X次信息聚合结果为
Figure FDA0002835322050000032
Figure FDA0002835322050000033
为知识图谱中第n个物品节点R种属性特征进行第X次信息聚合后的聚合信息，ArX为本步骤中的可训练的权重参数，
Figure FDA0002835322050000034
为知识图谱中第n个物品节点的属性特征r第X信息聚合后的聚合信息，其计算方式为
Figure FDA0002835322050000035
Mr(n)表示知识图谱中第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure FDA0002835322050000036
为第X-1次聚合更新后的第p个物品节点，
Figure FDA0002835322050000037
为本步骤中属性特征r信息聚合时与属性特征r相关的可训练的权重矩阵；
对用户节点表示向量进行第X次聚合更新的方式为：
Figure FDA0002835322050000038
其中
Figure FDA0002835322050000039
表示第X次聚合更新后的第v个用户节点，σ(*)为非线性激活函数；
实体节点第X次聚合更新的方式为：
Figure FDA00028353220500000310
Figure FDA00028353220500000311
为第X次聚合更新后的第n个实体节点；
物品节点第X次聚合更新的方式为：
Figure FDA00028353220500000312
其中
Figure FDA00028353220500000313
为第n个物品节点第X次信息聚合后的聚合信息，
Figure FDA00028353220500000314
为第X次聚合更新后的第n个物品节点。
4.根据权利要求2或3所述的基于知识图谱增强的双线性图网络推荐方法，其特征在于，通过Adam优化器对在对用户节点表示向量、物品节点表示向量和实体节点表示向量更新过程中所涉及到的数学模型的参数进行优化，并通过损失函数判断优化是否完成。
5.根据权利要求4所述的基于知识图谱增强的双线性图网络推荐方法，其特征在于，所述损失函数为BPR损失函数。
6.一种基于知识图谱增强的双线性图网络推荐系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现基于知识图谱增强的双线性图网络推荐方法，该方法包括如下步骤：
步骤一：根据用户与物品的交互数据构建用户反馈二向图，根据物品的属性特征构建物品的知识图谱，并对用户节点表示向量、物品节点表示向量和实体节点表示向量进行初始化；
步骤二：将初始化后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到双线性图网络聚合层中，在用户反馈二向图中对同一目标节点成对的邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征进行聚合处理，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第一次聚合更新；
步骤三：对用户节点表示向量、物品节点表示向量和实体节点表示向量再进行至少一次聚合更新；
在每次聚合更新时，将前一次聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量输入到线性图网络聚合层中，在反馈二向图中对目标节点与单个邻居节点进行信息聚合处理，在物品的知识图谱中对物品的属性特征信息进行信息聚合处理，得到聚合更新后的用户节点表示向量、物品节点表示向量和实体节点表示向量；
步骤四：将初始化后以及经过各次聚合更新后的用户节点表示向量、物品节点表示向量分别按照更新的顺序依次进行级联，得到级联后的用户节点表示向量和级联后的物品节点表示向量；
步骤五：计算级联后的用户节点表示向量与级联后的物品节点表示向量的内积，将内积作为用户对物品的预测得分，根据预测得分判断是否向用户推荐该物品。
7.根据权利要求6所述的基于知识图谱增强的双线性图网络推荐系统，其特征在于，所述步骤二中，在用户反馈二向图中对同一用户节点成对的邻居节点进行信息聚合处理时所采用的计算公式为：
Figure FDA0002835322050000041
Figure FDA0002835322050000042
为用户反馈二向图中第v个用户节点在第一次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure FDA0002835322050000043
和
Figure FDA0002835322050000044
分别为第i个和第j个初始用户节点，Wb为用户节点进行第一次信息聚合处理时的可训练权重矩阵；
设物品的知识图谱中共有R种属性特征，其第一次信息聚合结果为
Figure FDA0002835322050000045
Figure FDA0002835322050000051
为知识图谱中第n个物品节点R种属性特征进行第一次信息聚合后的聚合信息，Ar1为本步骤中的可训练的权重参数，
Figure FDA0002835322050000052
表示知识图谱中第n个物品节点的属性特征r第一次信息聚合后的聚合信息，其计算方式为：
Figure FDA0002835322050000053
Mr(n)表示第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure FDA0002835322050000054
表示第m个初始物品节点，
Figure FDA0002835322050000055
为本步骤中属性特征r信息聚合时与属性特征r相关的可训练的权重矩阵；
对用户节点表示向量进行第一次聚合更新的方式为：
Figure FDA0002835322050000056
其中
Figure FDA0002835322050000057
表示第一次聚合更新后的第v个用户节点，σ(*)为非线性激活函数；
实体节点表示向量进行第一次聚合更新的方式为：
Figure FDA0002835322050000058
Figure FDA0002835322050000059
为第一次更新后的第n个实体节点；
对物品节点第一次聚合更新的方式为：
Figure FDA00028353220500000510
其中
Figure FDA00028353220500000511
为第n个物品节点第一信息聚合后的聚合信息，
Figure FDA00028353220500000512
为第一次更新后的第n个物品节点。
8.根据权利要求6所述的基于知识图谱增强的双线性图网络推荐系统，其特征在于，在步骤三中，设X为大于1的正整数，对用户节点表示向量、物品节点表示向量和实体节点表示向量进行第X次聚合更新的方法为：
采用线性的方式对用户反馈二向图的第X-1次聚合更新结果进行信息聚合，方式为
Figure FDA00028353220500000513
其中
Figure FDA00028353220500000514
为用户反馈二向图中第v个用户节点第X次信息聚合后的聚合信息，N(v)表示在用户反馈二向图中第v个用户节点邻居节点的集合，
Figure FDA00028353220500000515
为第X-1次聚合更新后的第p个用户节点，
Figure FDA0002835322050000061
为用户节点进行第X次信息聚合处理的训练权重矩阵；
设物品的知识图谱中共有R种属性特征，其第X次信息聚合结果为
Figure FDA0002835322050000062
Figure FDA0002835322050000063
为知识图谱中第n个物品节点R种属性特征进行第X次信息聚合后的聚合信息，ArX为本步骤中的可训练的权重参数，
Figure FDA0002835322050000064
为知识图谱中第n个物品节点的属性特征r第X信息聚合后的聚合信息，其计算方式为
Figure FDA0002835322050000065
Mr(n)表示知识图谱中第n个物品节点在知识图谱属性特征r中的邻居节点的集合，
Figure FDA0002835322050000066
为第X-1次聚合更新后的第p个物品节点，
Figure FDA0002835322050000067
为本步骤中属性特征r信息聚合时与属性特征r相关的可训练的权重矩阵；
对用户节点表示向量进行第X次聚合更新的方式为：
Figure FDA0002835322050000068
其中
Figure FDA0002835322050000069
表示第X次聚合更新后的第v个用户节点，σ(*)为非线性激活函数；
实体节点第X次聚合更新的方式为：
Figure FDA00028353220500000610
Figure FDA00028353220500000611
为第X次聚合更新后的第n个实体节点；
物品节点第X次聚合更新的方式为：
Figure FDA00028353220500000612
其中
Figure FDA00028353220500000613
为第n个物品节点第X次信息聚合后的聚合信息，
Figure FDA00028353220500000614
为第X次聚合更新后的第n个物品节点。
9.根据权利要求7或8所述的基于知识图谱增强的双线性图网络推荐系统，其特征在于，通过Adam优化器对在对用户节点表示向量、物品节点表示向量和实体节点表示向量更新过程中所涉及到的数学模型的参数进行优化，并通过损失函数判断优化是否完成。
10.根据权利要求9所述的基于知识图谱增强的双线性图网络推荐系统，其特征在于，所述损失函数为BPR损失函数。
CN202011475985.5A 2020-12-14 2020-12-14 一种基于知识图谱增强的双线性图网络推荐方法和系统 Active CN112559864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011475985.5A CN112559864B (zh) 2020-12-14 2020-12-14 一种基于知识图谱增强的双线性图网络推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011475985.5A CN112559864B (zh) 2020-12-14 2020-12-14 一种基于知识图谱增强的双线性图网络推荐方法和系统

Publications (2)

Publication Number Publication Date
CN112559864A true CN112559864A (zh) 2021-03-26
CN112559864B CN112559864B (zh) 2023-03-31

Family

ID=75064807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011475985.5A Active CN112559864B (zh) 2020-12-14 2020-12-14 一种基于知识图谱增强的双线性图网络推荐方法和系统

Country Status (1)

Country Link
CN (1) CN112559864B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952359A (zh) * 2023-03-10 2023-04-11 特斯联科技集团有限公司 推荐系统召回方法及装置、电子设备、存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678635A (zh) * 2013-12-19 2014-03-26 中国传媒大学 基于标签有向图的网络音乐聚合推荐方法
CN110335112A (zh) * 2019-06-18 2019-10-15 中国平安财产保险股份有限公司 一种产品推荐方法、装置及计算机存储介质
US20190384861A1 (en) * 2018-06-15 2019-12-19 Linkedin Corporation Real-time graph traversals for network-based recommendations
CN110929046A (zh) * 2019-12-10 2020-03-27 华中师范大学 一种基于异质网络嵌入的知识实体推荐方法及系统
CN110955834A (zh) * 2019-11-27 2020-04-03 西北工业大学 一种知识图谱驱动的个性化精准推荐方法
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN111737592A (zh) * 2020-06-18 2020-10-02 北京航空航天大学 一种基于异构传播协同知识感知网络的推荐方法
CN111797321A (zh) * 2020-07-07 2020-10-20 山东大学 一种面向不同场景的个性化知识推荐方法及系统
CN111881350A (zh) * 2020-07-23 2020-11-03 清华大学 一种基于混合图结构化建模的推荐方法与系统
CN111881363A (zh) * 2020-06-23 2020-11-03 北京工业大学 一种基于图交互网络的推荐方法
CN111931052A (zh) * 2020-08-10 2020-11-13 齐鲁工业大学 基于特征交互图神经网络的上下文感知推荐方法及系统
CN112069398A (zh) * 2020-08-24 2020-12-11 腾讯科技（深圳）有限公司 一种基于图网络的信息推送方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678635A (zh) * 2013-12-19 2014-03-26 中国传媒大学 基于标签有向图的网络音乐聚合推荐方法
US20190384861A1 (en) * 2018-06-15 2019-12-19 Linkedin Corporation Real-time graph traversals for network-based recommendations
CN110335112A (zh) * 2019-06-18 2019-10-15 中国平安财产保险股份有限公司 一种产品推荐方法、装置及计算机存储介质
CN110955834A (zh) * 2019-11-27 2020-04-03 西北工业大学 一种知识图谱驱动的个性化精准推荐方法
CN110929046A (zh) * 2019-12-10 2020-03-27 华中师范大学 一种基于异质网络嵌入的知识实体推荐方法及系统
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN111737592A (zh) * 2020-06-18 2020-10-02 北京航空航天大学 一种基于异构传播协同知识感知网络的推荐方法
CN111881363A (zh) * 2020-06-23 2020-11-03 北京工业大学 一种基于图交互网络的推荐方法
CN111797321A (zh) * 2020-07-07 2020-10-20 山东大学 一种面向不同场景的个性化知识推荐方法及系统
CN111881350A (zh) * 2020-07-23 2020-11-03 清华大学 一种基于混合图结构化建模的推荐方法与系统
CN111931052A (zh) * 2020-08-10 2020-11-13 齐鲁工业大学 基于特征交互图神经网络的上下文感知推荐方法及系统
CN112069398A (zh) * 2020-08-24 2020-12-11 腾讯科技（深圳）有限公司 一种基于图网络的信息推送方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHUNPENG ZHOU: "Graph Convolutional Architectures via Arbitrary Order of Information Aggregation", 《IEEE ACCESS》 *
王梅等: "基于改进VGG-16和朴素贝叶斯的手写数字识别", 《现代电子技术》 *
王鸿伟: "基于网络特征学习的个性化推荐系统", 《中国优秀博硕士学位论文全文数据库(博士)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952359A (zh) * 2023-03-10 2023-04-11 特斯联科技集团有限公司 推荐系统召回方法及装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN112559864B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Lee et al. Scalable deep learning-based recommendation systems
Sheng A structural econometric analysis of network formation games through subnetworks
CN112035746A (zh) 一种基于时空序列图卷积网络的会话推荐方法
CN111881363B (zh) 一种基于图交互网络的推荐方法
Wang et al. Exploring Implicit Hierarchical Structures for Recommender Systems.
CN112989064A (zh) 一种聚合知识图神经网络和自适应注意力的推荐方法
CN110969516A (zh) 一种商品推荐方法及装置
US20220253722A1 (en) Recommendation system with adaptive thresholds for neighborhood selection
CN108431833A (zh) 端到端深度协作过滤
CN112613602A (zh) 基于知识感知超图神经网络的推荐方法及系统
CN103309972A (zh) 基于链路预测的推荐方法和系统
US20220253688A1 (en) Recommendation system with adaptive weighted baysian personalized ranking loss
Zou et al. Reinforcement learning to diversify top-n recommendation
Liu et al. Non-linear cross-domain collaborative filtering via hyper-structure transfer
Belletti et al. Scalable realistic recommendation datasets through fractal expansions
CN112559878A (zh) 一种基于图神经网络的序列推荐系统及推荐方法
Cai et al. CAN: Effective cross features by global attention mechanism and neural network for ad click prediction
Wang et al. Feature subspace transfer for collaborative filtering
CN112632296A (zh) 基于知识图谱具有可解释性的论文推荐方法及系统、终端
CN112559864B (zh) 一种基于知识图谱增强的双线性图网络推荐方法和系统
Ji et al. Making recommendations from top-N user-item subgroups
CN111339435A (zh) 一种基于潜在因子的矩阵分解补全混合推荐方法
US20220138605A1 (en) Recommendation system
CN114579852A (zh) 一种基于图卷积网络与注意力机制的推荐方法
Dridi et al. Exploiting context-awareness and multi-criteria decision making to improve items recommendation using a tripartite graph-based model

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