CN112559878A - 一种基于图神经网络的序列推荐系统及推荐方法 - Google Patents
一种基于图神经网络的序列推荐系统及推荐方法 Download PDFInfo
- Publication number
- CN112559878A CN112559878A CN202011549710.1A CN202011549710A CN112559878A CN 112559878 A CN112559878 A CN 112559878A CN 202011549710 A CN202011549710 A CN 202011549710A CN 112559878 A CN112559878 A CN 112559878A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- module
- matrix
- recommendation
- 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
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
- G06F16/90—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
- G06F16/9538—Presentation of query results
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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
本发明涉及一种基于图神经网络的序列推荐系统及推荐方法,目的是解决现有的推荐算法难以发现用户的长短期兴趣、捕捉用户的真实潜在意图,导致推荐系统难以为用户提供精准而多样的推荐服务的技术问题。技术方案为:本发明推荐装置包括构图模块、第一获取模块、第二获取模块、推荐模块,序列推荐方法的步骤包括:构建产品交互转移图、构建层次图神经网络模型、获取特征表示矩阵、计算用户与产品的匹配程度、排序并推荐产品。本发明提供一种基于图神经网络的序列推荐系统及推荐方法,在序列推荐任务中入产品的类别信息,使得推荐模型可以从用户的历史行为中挖掘出用户的潜在真实意图。
Description
技术领域
本发明属于个性化推荐技术领域,具体涉及一种基于图神经网络的序列推荐系统及推荐方法。
背景技术
推荐系统已逐渐成为电子商务、网页推荐、链路预测等众多个性化服务领域中必不可少的组成部分,能够自动为用户提供丰富的个性化推荐,进而缓解了大数据时代下人们所面临的信息过载问题,另一方面也为企业的营销带来了更巨大的利润。推荐算法作为推荐系统的核心成分,在生成推荐列表时起到了至关重要的作用。因此,为了得到更符合用户需求的推荐结果,大量个性化推荐算法被提出,包括基于内容的推荐算法、协同过滤推荐算法、基于矩阵分解的推荐算法、基于深度学习的推荐算法等等。其中,基于深度学习的推荐算法已成为近些年被各大网站及应用软件广泛使用的推荐技术,此类推荐算法旨在利用深度神经网络例如卷积神经网络、循环神经网络、图神经网络等从用户的历史行为数据中学习用户的偏好表示与产品的特征表示,进而预测目标用户对候选产品的喜好程度。
然而,现存的大多数推荐算法在刻画用户兴趣时,忽略了用户行为的有序性,使得目前推荐系统难以对用户行为做出实时响应与推荐,例如用户通常会先购买笔记本电脑再购买笔记本电脑包,又如手机的购买一定优先于手机壳的购买等,而传统推荐算法只关心用户购买过的产品集合,而忽略了这些产品之间的序关系。序列推荐方法正是针对这一问题被提出的,但是目前序列推荐算法仍面临诸多挑战。一方面,用户的行为通常受其潜在意图驱动,例如用户在购买完一件衣服后购买了一个随身背包,这蕴含着用户兴趣从服装到配饰的转变,而不仅仅是这两件商品之间的表层关系;另一方面,在捕捉用户的兴趣时,有两方面特征需要被综合考虑,一是用户的长期兴趣,即用户相对固定的一些兴趣爱好,例如计算机从业人员会长期关注计算机领域的技术动态,此类兴趣随时间的推移较为稳定;二是用户的短期兴趣,即用户的一些短暂、心血来潮的喜好,例如用户可能在短时间内想要体验溜冰、射箭等体育活动,此类兴趣随时间可能减弱甚至消失。
目前序列推荐算法难以发现用户的长短期兴趣、捕捉到用户的真实潜在意图,导致推荐系统难以为用户提供精准而多样的推荐服务。
发明内容
本发明的目的是解决现有的推荐算法难以发现用户的长短期兴趣、捕捉用户的真实潜在意图,导致推荐系统难以为用户提供精准多样推荐服务的技术问题,提供一种基于图神经网络的序列推荐系统及推荐方法。
为解决上述技术问题,本发明采用的技术方案是:
一种基于图神经网络的序列推荐系统,包括构图模块、第一获取模块、第二获取模块和推荐模块,所述构图模块与第一获取模块相连,所述第一获取模块与第二获取模块相连,所述第二获取模块与推荐模块相连;
构图模块:用于根据用户的历史行为数据,构建产品交互转移图,并获取所述产品交互转移图的邻接矩阵;
第一获取模块:用于将所述产品交互转移图的邻接矩阵与随机初始化的产品特征表示矩阵,输入至构建的层次图神经网络模型中,获取更新后的产品特征表示矩阵及产品类别的特征表示矩阵;
第二获取模块:将第一获取模块的输出信息及用户历史行为数据作为输入信息,采用注意力机制,将用户有过行为的产品的特征信息及类别信息进行融合,获取用户的特征表示向量;
推荐模块:将第一获取模块得到的产品特征信息与第二获取模块得到的用户特征信息作为输入,计算用户与系统中产品的匹配程度,根据匹配程度的排序,为目标用户生成包含N个产品的推荐列表。
进一步的,所述第二获取模块包括:第一获取子模块、第二获取子模块和第三获取子模块,所述第一获取子模块和第二获取子模块均与第三获取子模块相连;
第一获取子模块:用于根据所述的用户历史行为数据、产品特征表示矩阵及产品类别特征表示矩阵,融合用户有过行为的所有产品的特征信息及类别信息,获取用户的长期兴趣特征表示向量;
第二获取子模块:用于根据所述的用户历史行为数据、产品特征表示矩阵及产品类别特征表示矩阵,融合用户最近一次有过行为的产品的特征信息及类别信息,获取用户的短期兴趣特征表示向量;
第三获取子模块:将第一获取子模块与第二获取子模块的输出信息作为输入,用于融合用户的长期兴趣特征表示向量与短期兴趣特征表示向量,获取目标用户的特征表示向量。
进一步的,所述推荐模块包括匹配模块和生成推荐列表模块,所述匹配模块与第一获取模块和第二获取模块相连,所述生成推荐列表模块与匹配模块相连;
匹配模块:将第一获取模块得到的产品特征信息与第二获取模块得到的用户特征信息作为输入,采用内积计算方式,计算目标用户与系统中产品的匹配程度;
生成推荐列表模块:对得到的用户与产品的匹配程度进行排序,为目标用户生成包含N个最高匹配程度产品的列表。
进一步的,一种基于图神经网络的序列推荐方法,包括以下步骤:
步骤S1:根据用户的历史行为数据,构建产品交互转移图;
步骤S2:根据所述产品交互转移图与原始产品特征表示矩阵,构建包含L层的层次图神经网络模型,获取更新后的产品特征表示矩阵及其所属类别的特征表示矩阵;
步骤S3:根据所述的用户历史行为数据、产品特征表示矩阵及产品所属类别的特征表示矩阵,获取用户特征表示矩阵;
步骤S4:根据所述用户特征表示矩阵及所述产品特征表示矩阵,计算用户与系统中产品的匹配程度;
步骤S5:将匹配程度从高到低进行排序,为用户推荐出匹配程度最高的前N个产品。
进一步的,所述步骤S1中的产品交互转移图为有向无环图,用邻接矩阵A表示。
进一步的,所述产品交互转移图的邻接矩阵用归一化计算:
其中wij表示交互转移图中节点i与节点j之间的连边权重。
进一步的,所述步骤S2中的层次图神经网络模型的构建步骤具体为:
步骤S2.1:以步骤S1中的邻接矩阵A与原始的产品特征表示矩阵X为输入信息,首先在每层搭建两个图卷积神经网络,分别为:
Vl=GCNl,embedding(Al,Xl)
Ml=softmax(GCNl,pooling(Al,Xl))
其中,Al与Xl分别为第l层的产品邻接矩阵与产品特征表示矩阵,Vl是第l层得到的更新后的产品特征表示矩阵,Ml为第l层得到的产品对类别的隶属度矩阵,softmax(·)为用于做归一化的softmax函数;
步骤S2.2:在得到第l层的Vl与Ml后,计算下一层的输入矩阵Al+1与Xl+1:
步骤S2.3:计算类别特征表示矩阵:C=VL·ML;
进一步的,所述步骤S3中获取用户的特征表示矩阵包括以下步骤:
步骤S3.1:获取用户的长期兴趣表示向量:sg=[sgv;sgc];
步骤S3.2:获取用户的短期兴趣表示向量:sl=[slv;slc];
步骤S3.3:计算用户的最终特征表示。
进一步的,所述步骤S3.1中获取用户的长期兴趣表示向量sg的计算过程如下:
步骤S3.1.3:计算用户的长期兴趣表示向量:sg=[sgv;sgc]。
进一步的,所述步骤S3.3中计算用户的最终特征表示的计算过程如下:
步骤S3.3.1:拼接每个用户的sg与sl得到初步的每个用户的特征表示s′=[sg;sl];
步骤S3.3.2:采用注意力机制学习s′中每一项的权重,采用加权平均方式计算引入权重后的用户特征表示s″=α·s′,其中α=σ(s′·W1+b)·VT,σ(·)为sigmoid函数,W1,b,V为待学习的参数;
步骤S3.3.3:计算目标用户u的最终特征表示:su=W2[s″;slv;slc]。
进一步的,所述步骤S4中的用户与系统中产品的匹配程度为用户特征表示向量与产品特征表示向量的内积。
与现有技术相比,本发明的有益效果是:
1、本发明提供的一种基于图神经网络的序列推荐系统及推荐方法,在序列推荐任务中引入产品的类别信息,使得推荐模型可以从用户的历史行为中挖掘出用户的潜在真实意图;
2、本发明提供的模型综合考虑了用户的长期与短期兴趣,进而在建模用户偏好时更加全面,实现了精准化建模,提升了序列化推荐的准确性与多样性,从而增强系统的服务质量,为用户提供良好的体验感。
附图说明
图1为本发明的推荐系统结构示意图;
图2为本发明的推荐方法流程图;
图3为本发明获取产品特征表示及产品所属类别特征表示的示意图;
图4为本发明获取用户特征表示的示意图。
图中:1-构图模块、2-第一获取模块、3-第二获取模块、4-推荐模块;其中:31-第一获取子模块、32-第二获取子模块、33-第三获取子模块;41-匹配模块、42-生成推荐列表模块。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1-4所示,一种基于图神经网络的序列推荐系统,包括构图模块1、第一获取模块2、第二获取模块3和推荐模块4,所述构图模块1与第一获取模块2相连,所述第一获取模块2与第二获取模块3相连,所述第二获取模块3与推荐模块4相连;
构图模块1:用于根据用户的历史行为数据,构建产品交互转移图,并获取所述产品交互转移图的邻接矩阵;
第一获取模块2:用于将所述产品交互转移图的邻接矩阵与随机初始化的产品特征表示矩阵,输入至构建的层次图神经网络模型中,获取更新后的产品特征表示矩阵及产品类别的特征表示矩阵;
第二获取模块3:将第一获取模块2的输出信息及用户历史行为数据作为输入信息,采用注意力机制,将用户有过行为的产品的特征信息及类别信息进行融合,获取用户的特征表示向量,所述第二获取模块3包括:第一获取子模块31、第二获取子模块32和第三获取子模块33,所述第一获取子模块31和第二获取子模块32均与第三获取子模块33相连;
第一获取子模块31:用于根据所述的用户历史行为数据、产品特征表示矩阵及产品类别特征表示矩阵,融合用户有过行为的所有产品的特征信息及类别信息,获取用户的长期兴趣特征表示向量;
第二获取子模块32:用于根据所述的用户历史行为数据、产品特征表示矩阵及产品类别特征表示矩阵,融合用户最近一次有过行为的产品的特征信息及类别信息,获取用户的短期兴趣特征表示向量;
第三获取子模块33:将第一获取子模块31与第二获取子模块32的输出信息作为输入,用于融合用户的长期兴趣特征表示向量与短期兴趣特征表示向量,获取目标用户的特征表示向量。
推荐模块4:将第一获取模块2得到的产品特征信息与第二获取模块3得到的用户特征信息作为输入,计算用户与系统中产品的匹配程度,根据匹配程度的排序,为目标用户生成包含N个产品的推荐列表,所述推荐模块4包括匹配模块41和生成推荐列表模块42,所述匹配模块41与第一获取模块2和第二获取模块3相连,所述生成推荐列表模块42与匹配模块41相连;
匹配模块41:将第一获取模块2得到的产品特征信息与第二获取模块3得到的用户特征信息作为输入,采用内积计算方式,计算目标用户与系统中产品的匹配程度;
生成推荐列表模块42:对得到的用户与产品的匹配程度进行排序,为目标用户生成包含N个最高匹配程度产品的列表。
本发明提供的基于图神经网络的序列推荐系统,通过构建产品交互转移图,采用层次图神经网络模型从产品交互转移图中提取到产品特征以及产品类别特征,进而利用注意力机制捕捉了用户的长短期兴趣,提供了精准且全面的用户偏好刻画机制,实现了高质量的序列化推荐。
本发明实施例所描述的步骤可以通过计算机程序来指令相关的硬件完成,所述程序可以存储在计算机可读取存储介质中。其中,随机存取存储器RAM、只读存储器ROM、光盘以及磁碟等可以作为存储程序的介质。
一种基于图神经网络的序列推荐方法,包括以下步骤:
产品交互转移图的构建方式为:
将每个产品表示为产品交互转移图中的一个节点,遍历用户的历史行为记录,如果在行为数据中存在产品i与产品j之间的连续消费关系,则在产品交互转移图中添加节点i指向节点j的连边,如果在行为数据中重复出现产品i与j之间的连续消费记录,则增加产品交互转移图中节点i与节点j之间的连边权重,每重复1次,权重加1。然后,产品交互转移图邻接矩阵A经过归一化计算;所述产品交互转移图的邻接矩阵经归一化计算公式为:
其中,wij表示交互转移图中节点i与节点j之间的连边权重。
S2、构建层次图神经网络模型:将产品交互转移图的邻接矩阵A与产品特征表示矩阵X输入到L层的层次图神经网络模型中,获取产品的特征表示矩阵V及产品所属类别的特征表示矩阵C,参数L设置为2,所述的产品特征表示矩、阵X为用正态分布随机初始化的n×d规模的矩阵,其中d为潜在特征维度,设置d=50。
如图2所示,层次图神经网络模型为:
首先,搭建卷积神经网络:以所述邻接矩阵A与原始的产品特征表示矩阵X为输入信息,首先在每层搭建两个图卷积神经网络,分别为:
Vl=GCNl,embedding(Al,Xl);
Ml=softmax(GCNl,pooling(Al,Xl));
其中,Al与Xl分别为第l层的产品邻接矩阵与产品特征表示矩阵,Vl是第l层得到的更新后的产品特征表示矩阵,Ml为第l层得到的产品对类别的隶属度矩阵,softmax(·)为用于做归一化的softmax函数;
其次,在得到第l层的Vl与Ml后,计算下一层的输入矩阵Al+1与Xl+1:
再次,计算类别特征表示矩阵:C=VL·ML;
更新后的产品特征表示矩阵为:V=V1。
S3、获取特征表示矩阵:
S3.1、融合用户的长、短期兴趣表示,参照图3所示,获取目标用户u的最终特征表示su;
首先计算全局产品类别表示向量sgc:
其中,Su为用户u有过交互的产品集合,mi为M的第i行向量。
其次,计算全局产品特征表示向量sgv:
其中,vi为矩阵V的第i行向量。
再次,计算用户长期兴趣表示向量:sg=[sgv;sgc],计算用户短期兴趣表示向量:sl=[slv;slc],其中表示向量的拼接。
其中mi为M的第i行向量;
最后,用户的最终特征表示计算方式为:
a、拼接每个用户的sg与sl得到初步的每个用户的特征表示s′=[sg;sl];
b、采用注意力机制学习s′中每一项的权重,采用加权平均方式计算引入权重后的用户特征表示s″=α·s′,其中α=σ(s′·W1+b)·VT,σ(·)为sigmoid函数,W1,b,V为待学习的参数,通过反向传播法学习;
c、目标用户u的最终特征表示为su=W2[s″;slv;slc]。
S4、计算用户与产品的匹配程度:根据用户及产品及其所属类别的特征表示矩阵,计算用户与系统中产品的匹配程度,所述的用户与系统中产品的匹配程度为用户特征表示向量与产品特征表示向量的内积,
目标用户与系统中产品之间的匹配度计算方式如下:
S5、排序并推荐产品:将匹配程度从高到低进行排序,为用户推荐出匹配程度最高的前N个产品。
本发明中,根据用户的历史行为数据构建出产品交互转移图,通过构建层次图神经网络模型发现了产品的潜在类别信息,进而挖掘出用户的真实潜在意图,并且该推荐方法利用注意力机制综合考虑了用户的长期与短期兴趣,全面的刻画出用户偏好信息,可实现对用户的精准化建模,提升了序列化推荐的准确性与多样性,从而增强系统的服务质量,为用户提供良好的体验感。
Claims (10)
1.一种基于图神经网络的序列推荐系统,其特征在于,包括构图模块(1)、第一获取模块(2)、第二获取模块(3)和推荐模块(4),所述构图模块(1)与第一获取模块(2)相连,所述第一获取模块(2)与第二获取模块(3)相连,所述第二获取模块(3)与推荐模块(4)相连;
构图模块(1):用于根据用户的历史行为数据,构建产品交互转移图,并获取所述产品交互转移图的邻接矩阵;
第一获取模块(2):用于将所述产品交互转移图的邻接矩阵与随机初始化的产品特征表示矩阵,输入至构建的层次图神经网络模型中,获取更新后的产品特征表示矩阵及产品类别的特征表示矩阵;
第二获取模块(3):将第一获取模块(2)的输出信息及用户历史行为数据作为输入信息,采用注意力机制,将用户有过行为的产品的特征信息及类别信息进行融合,获取用户的特征表示向量;
推荐模块(4):将第一获取模块(2)得到的产品特征信息与第二获取模块(3)得到的用户特征信息作为输入,计算用户与系统中产品的匹配程度,根据匹配程度的排序,为目标用户生成包含N个产品的推荐列表。
2.根据权利要求1所述的一种基于图神经网络的序列推荐系统,其特征在于,所述第二获取模块(3)包括:第一获取子模块(31)、第二获取子模块(32)和第三获取子模块(33),所述第一获取子模块(31)和第二获取子模块(32)均与第三获取子模块(33)相连;
第一获取子模块(31):用于根据所述的用户历史行为数据、产品特征表示矩阵及产品类别特征表示矩阵,融合用户有过行为的所有产品的特征信息及类别信息,获取用户的长期兴趣特征表示向量;
第二获取子模块(32):用于根据所述的用户历史行为数据、产品特征表示矩阵及产品类别特征表示矩阵,融合用户最近一次有过行为的产品的特征信息及类别信息,获取用户的短期兴趣特征表示向量;
第三获取子模块(33):将第一获取子模块(31)与第二获取子模块(32)的输出信息作为输入,用于融合用户的长期兴趣特征表示向量与短期兴趣特征表示向量,获取目标用户的特征表示向量。
3.根据权利要求1所述的一种基于图神经网络的序列推荐系统,其特征在于,所述推荐模块(4)包括匹配模块(41)和生成推荐列表模块(42),所述匹配模块(41)与第一获取模块(2)和第二获取模块(3)相连,所述生成推荐列表模块(42)与匹配模块(41)相连;
匹配模块(41):将第一获取模块(2)得到的产品特征信息与第二获取模块(3)得到的用户特征信息作为输入,采用内积计算方式,计算目标用户与系统中产品的匹配程度;
生成推荐列表模块(42):对得到的用户与产品的匹配程度进行排序,为目标用户生成包含N个最高匹配程度产品的列表。
4.根据权利要求1-3中任意一项所述的序列推荐方法,其特征在于:包括以下步骤:
步骤S1:根据用户的历史行为数据,构建产品交互转移图,所述产品交互转移图为有向无环图,用邻接矩阵A表示;
步骤S2:根据所述产品交互转移图与原始产品特征表示矩阵,构建包含L层的层次图神经网络模型,获取更新后的产品特征表示矩阵及其所属类别的特征表示矩阵;
步骤S3:根据所述的用户历史行为数据、产品特征表示矩阵及产品所属类别的特征表示矩阵,获取用户特征表示矩阵;
步骤S4:根据所述用户特征表示矩阵及所述产品特征表示矩阵,计算用户与系统中产品的匹配程度;
步骤S5:将匹配程度从高到低进行排序,为用户推荐出匹配程度最高的前N个产品。
6.根据权利要求4所述的序列推荐方法,其特征在于,所述步骤S2中的层次图神经网络模型的构建步骤具体为:
步骤S2.1:以步骤S1中的邻接矩阵A与原始的产品特征表示矩阵X为输入信息,首先在每层搭建两个图卷积神经网络,分别为:
Vl=GCNl,embedding(Al,Xl)
Ml=softmax(GCNl,pooling(Al,Xl))
其中,Al与Xl分别为第l层的产品邻接矩阵与产品特征表示矩阵,Vl是第l层得到的更新后的产品特征表示矩阵,Ml为第l层得到的产品对类别的隶属度矩阵,softmax(·)为用于做归一化的softmax函数;
步骤S2.2:在得到第l层的Vl与Ml后,计算下一层的输入矩阵Al+1与Xl+1:
Xl+1=Vl T·Ml
步骤S2.3:计算类别特征表示矩阵:C=VL·ML;
7.根据权利要求4所述的序列推荐方法,其特征在于,所述步骤S3中获取用户的特征表示矩阵包括以下步骤:
步骤S3.1:获取用户的长期兴趣表示向量:sg=[sgv;sgc];
步骤S3.2:获取用户的短期兴趣表示向量:sl=[slv;slc];
步骤S3.3:计算用户的最终特征表示。
9.根据权利要求7所述的序列推荐方法,其特征在于,所述步骤S3.3中计算用户的最终特征表示的计算过程如下:
步骤S3.3.1:拼接每个用户的sg与sl得到初步的每个用户的特征表示s′=[sg;sl];
步骤S3.3.2:采用注意力机制学习s′中每一项的权重,采用加权平均方式计算引入权重后的用户特征表示s″=α·s′,其中α=σ(s′·W1+b)·VT,σ(·)为sigmoid函数,W1,b,V为待学习的参数;
步骤S3.3.3:计算目标用户u的最终特征表示:su=W2[s″;slv;slc]。
10.根据权利要求4所述的序列推荐方法,其特征在于,所述步骤S4中的用户与系统中产品的匹配程度为用户特征表示向量与产品特征表示向量的内积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549710.1A CN112559878B (zh) | 2020-12-24 | 2020-12-24 | 一种基于图神经网络的序列推荐系统及推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549710.1A CN112559878B (zh) | 2020-12-24 | 2020-12-24 | 一种基于图神经网络的序列推荐系统及推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112559878A true CN112559878A (zh) | 2021-03-26 |
CN112559878B CN112559878B (zh) | 2022-09-23 |
Family
ID=75033281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011549710.1A Active CN112559878B (zh) | 2020-12-24 | 2020-12-24 | 一种基于图神经网络的序列推荐系统及推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559878B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326431A (zh) * | 2021-06-01 | 2021-08-31 | 安徽理工大学 | 一种基于微信小程序的智能推荐储物柜 |
CN113378051A (zh) * | 2021-06-16 | 2021-09-10 | 南京大学 | 基于图神经网络的用户-任务关联的众包任务推荐方法 |
CN113762477A (zh) * | 2021-09-08 | 2021-12-07 | 中山大学 | 一种构建序列推荐模型的方法和序列推荐方法 |
CN114936323A (zh) * | 2022-06-07 | 2022-08-23 | 北京百度网讯科技有限公司 | 图表示模型的训练方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190236680A1 (en) * | 2018-01-29 | 2019-08-01 | Selligent, Inc. | Systems and Methods for Providing Personalized Online Content |
CN110119467A (zh) * | 2019-05-14 | 2019-08-13 | 苏州大学 | 一种基于会话的项目推荐方法、装置、设备及存储介质 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN111125537A (zh) * | 2019-12-31 | 2020-05-08 | 中国计量大学 | 一种基于图表征的会话推荐方法 |
US20200250734A1 (en) * | 2019-02-01 | 2020-08-06 | Target Brands, Inc. | Item recommendations using convolutions on weighted graphs |
CN111695965A (zh) * | 2020-04-26 | 2020-09-22 | 清华大学 | 基于图神经网络的产品筛选方法、系统及设备 |
CN111814048A (zh) * | 2020-07-03 | 2020-10-23 | 北京邮电大学 | 一种信息推荐方法及装置 |
CN111859160A (zh) * | 2020-08-07 | 2020-10-30 | 成都理工大学 | 一种基于图神经网络会话序列推荐方法及系统 |
CN111915395A (zh) * | 2020-07-07 | 2020-11-10 | 云境商务智能研究院南京有限公司 | 一种基于多视图注意力机制的旅游包推荐方法 |
-
2020
- 2020-12-24 CN CN202011549710.1A patent/CN112559878B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190236680A1 (en) * | 2018-01-29 | 2019-08-01 | Selligent, Inc. | Systems and Methods for Providing Personalized Online Content |
US20200250734A1 (en) * | 2019-02-01 | 2020-08-06 | Target Brands, Inc. | Item recommendations using convolutions on weighted graphs |
CN110119467A (zh) * | 2019-05-14 | 2019-08-13 | 苏州大学 | 一种基于会话的项目推荐方法、装置、设备及存储介质 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN111125537A (zh) * | 2019-12-31 | 2020-05-08 | 中国计量大学 | 一种基于图表征的会话推荐方法 |
CN111695965A (zh) * | 2020-04-26 | 2020-09-22 | 清华大学 | 基于图神经网络的产品筛选方法、系统及设备 |
CN111814048A (zh) * | 2020-07-03 | 2020-10-23 | 北京邮电大学 | 一种信息推荐方法及装置 |
CN111915395A (zh) * | 2020-07-07 | 2020-11-10 | 云境商务智能研究院南京有限公司 | 一种基于多视图注意力机制的旅游包推荐方法 |
CN111859160A (zh) * | 2020-08-07 | 2020-10-30 | 成都理工大学 | 一种基于图神经网络会话序列推荐方法及系统 |
Non-Patent Citations (5)
Title |
---|
CHUNPENG ZHOU等: "Graph Convolutional Architectures via Arbitrary Order of Information Aggregation", 《IEEE ACCESS》 * |
孙鑫等: "基于图神经网络和时间注意力的会话序列推荐", 《计算机工程与设计》 * |
岳新玉等: "基于会话信息的多粒度循环神经网络推荐模型", 《山西大学学报(自然科学版)》 * |
张凯涵等: "一种基于社区专家信息的协同过滤推荐算法", 《计算机研究与发展》 * |
黄田龙: "基于特征学习的社交行为预测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326431A (zh) * | 2021-06-01 | 2021-08-31 | 安徽理工大学 | 一种基于微信小程序的智能推荐储物柜 |
CN113326431B (zh) * | 2021-06-01 | 2022-09-27 | 安徽理工大学 | 一种基于微信小程序的智能推荐储物柜 |
CN113378051A (zh) * | 2021-06-16 | 2021-09-10 | 南京大学 | 基于图神经网络的用户-任务关联的众包任务推荐方法 |
CN113378051B (zh) * | 2021-06-16 | 2024-03-22 | 南京大学 | 基于图神经网络的用户-任务关联的众包任务推荐方法 |
CN113762477A (zh) * | 2021-09-08 | 2021-12-07 | 中山大学 | 一种构建序列推荐模型的方法和序列推荐方法 |
CN113762477B (zh) * | 2021-09-08 | 2023-06-30 | 中山大学 | 一种构建序列推荐模型的方法和序列推荐方法 |
CN114936323A (zh) * | 2022-06-07 | 2022-08-23 | 北京百度网讯科技有限公司 | 图表示模型的训练方法、装置及电子设备 |
CN114936323B (zh) * | 2022-06-07 | 2023-06-30 | 北京百度网讯科技有限公司 | 图表示模型的训练方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112559878B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112559878B (zh) | 一种基于图神经网络的序列推荐系统及推荐方法 | |
Guan et al. | Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems | |
Wang et al. | Member contribution-based group recommender system | |
Dou et al. | A survey of collaborative filtering algorithms for social recommender systems | |
Hu et al. | Movie collaborative filtering with multiplex implicit feedbacks | |
CN112256980A (zh) | 一种基于动态图注意力网络的多关系协同过滤推荐 | |
CN112507246B (zh) | 一种融合全局和局部社会兴趣影响的社会推荐方法 | |
Ong et al. | Deep learning based-recommendation system: an overview on models, datasets, evaluation metrics, and future trends | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN112508256A (zh) | 一种基于众包的用户需求主动预测方法及系统 | |
CN114282077A (zh) | 一种基于会话数据的会话推荐方法及系统 | |
Zhao et al. | A generative model approach for geo-social group recommendation | |
Yu et al. | Collaborative group embedding and decision aggregation based on attentive influence of individual members: A group recommendation perspective | |
Meena et al. | Group recommender systems–an evolutionary approach based on multi-expert system for consensus | |
Che et al. | Inter-basket and intra-basket adaptive attention network for next basket recommendation | |
CN113344648B (zh) | 一种基于机器学习的广告推荐方法及系统 | |
Wu et al. | A federated deep learning framework for privacy-preserving consumer electronics recommendations | |
Wang et al. | A hybrid collaborative filtering recommendation algorithm: integrating content information and matrix factorisation | |
CN112559905B (zh) | 一种基于双模式注意力机制和社交相似度的会话推荐方法 | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
Ren et al. | Consumer preference analysis: Diverse preference learning with online ratings | |
Chong et al. | Hierarchical visual-aware minimax ranking based on co-purchase data for personalized recommendation | |
CN114996566A (zh) | 一种面向工业互联网平台的智能推荐系统及方法 | |
CN114547480A (zh) | 一种基于多平台融合的深度学习推荐方法以及系统 | |
Xu et al. | xDeepFIG: An eXtreme Deep Model with Feature Interactions and Generation for CTR Prediction |
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 |