CN112800342B - 基于异质信息的推荐方法、系统、计算机设备和存储介质 - Google Patents
基于异质信息的推荐方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112800342B CN112800342B CN202110404756.2A CN202110404756A CN112800342B CN 112800342 B CN112800342 B CN 112800342B CN 202110404756 A CN202110404756 A CN 202110404756A CN 112800342 B CN112800342 B CN 112800342B
- Authority
- CN
- China
- Prior art keywords
- recommendation
- feature vector
- embedded
- information
- user
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种基于异质信息的推荐方法、系统、计算机设备和存储介质。该方法包括:收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;根据不同元路径将异质信息网络分解为不同的同质子网络,利用同质子网络构建购买记录中用户和物品的初始特征向量表示;基于初始特征向量表示,学习相应的特征向量嵌入,得到购买记录中用户和物品的嵌入向量表示;根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过推荐目标函数进行top‑N推荐任务的构建,迭代优化所述top‑N推荐任务并最终得到用户的商品推荐结果。通过该方法,优化了在用户和物品推荐中的精准度和推荐效率。
Description
技术领域
本申请涉及大数据领域,特别是涉及一种基于异质信息的推荐方法、系统、计算机设备和存储介质。
背景技术
由于在线信息的快速增长,在线用户很难在海量信息中及时找到感兴趣的物品或服务。推荐系统是解决信息过载、帮助用户过滤信息的有效方法。推荐系统已广泛应用于电子商务、广告、教育等领域。推荐系统的设计思想是预测用户对一组尚未购买的商品的偏好,并推荐出符合用户需求或口味的商品。协同过滤是推荐系统的一种典型技术,一般基于历史用户与物品交互来预测用户的偏好。通常,协同过滤技术由两个重要部分组成:1)潜在特征学习,将用户和物品转化为嵌入向量表示;2)交互建模,使用潜在表示来预测用户和物品之间的交互。例如,矩阵分解是一种流行的协同过滤方法,通过将用户-物品评级矩阵分解为两个低秩特定用户矩阵和特定物品矩阵, 然后利用分解得到的向量矩阵进行进一步的推荐预测。
然而,协同过滤方法的一大缺陷是,这些方法只关注直接的用户-物品交互数据,而忽略了其余不同的关系信息,不能完全描述用户的偏好信息和物品的特征,同时还会面临数据稀疏的问题。近年来,异质信息网络因其包含的综合信息和丰富语义,受到越来越多的关注,已被证明是一种能将不同关系和信息有效融合到推荐模型中的强大技术。异质信息网络包含不同类型的对象, 并且可以表示出对象之间的所有种类的关系,为在推荐系统中建模用户和物品之间的复杂关系提供了一种可行的方法。基于异质信息网络的推荐系统,其主要任务是利用额外的辅助信息为用户和物品生成准确的表示。基于异质信息网络的推荐系统已经取得了令人鼓舞的性能改进。现存方法一般分为三个关键步骤,即信息提取、嵌入学习和信息融合。信息抽取的目的是抽取异质信息网络中的语义信息。基于提取的信息,嵌入学习模型生成不同语义关系的潜在表示。融合过程将得到的嵌入表示整合起来,获得用户和物品的向量表示,之后对用户和物品之间的交互进行建模预测。然而,现有的方法大多集中在嵌入学习模块的算法设计上,对初始特征向量表示的构建关注甚少。流行的特征初始化方法,如独热编码或随机初始化,忽略了异质信息网络的基本属性,导致在给定有限信息的情况下,需要增加推荐模型的计算复杂度来补偿初始向量带来的不可逆信息损失。在某种程度上,过于复杂的模型结构可能会阻碍它在现实世界推荐系统中的应用。
发明内容
基于此,有必要针对上述技术问题,提供一种基于异质信息的推荐方法、系统、计算机设备和存储介质。
第一方面,本发明实施例提供了一种基于异质信息的推荐方法,包括以下步骤:
收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示;
基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
进一步的,所述根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示,包括:
基于路径的计算网络中两个实体之间的相似度算法,从所述同质子网络提取所述购买记录中用户和物品的语义信息,根据所述语义信息的节点相关性构建语义特征向量;
获取所述同质子网络中连通图节点之间的关联,根据图数据的拉普拉斯矩阵形式表示,提取基于结构信息的特征构建网络结构特征向量;
通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合,创建所述初始特征向量表示,将所述初始特征向量表示作为嵌入学习模块的输入。
进一步的,所述基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示,包括:
使用多层感知机模型将所述同质子网络中节点投影到低维空间;
基于所述初始特征向量表示,在所述低维空间中学习相应的特征向量嵌入;
根据所述多层感知机模型中隐藏层的权重和偏置,学习得到用户或物品的嵌入向量表示。
进一步的,所述根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果,包括:
采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数;
以所述注意力分数为权重,将不同的元路径生成的所述嵌入向量表示进行集成;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率;
根据所述交互概率进行top-N推荐任务的构建。
另一方面,本发明实施例还提供了一种基于异质信息的推荐系统,包括:
异质信息网络模块,用于收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
初始特征构建模块,用于根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示;
嵌入表示模块,用于基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
信息融合推荐模块,用于根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
进一步的,所述初始特征构建模块包括特征向量处理单元,所述特征向量处理单元用于:
基于路径的计算网络中两个实体之间的相似度算法,从所述同质子网络提取所述购买记录中用户和物品的语义信息,根据所述语义信息的节点相关性构建语义特征向量;
获取所述同质子网络中连通图节点之间的关联,根据图数据的拉普拉斯矩阵形式表示,提取基于结构信息的特征构建网络结构特征向量;
通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合,创建所述初始特征向量表示,将所述初始特征向量表示作为嵌入学习模块的输入。
进一步的,所述嵌入表示模块包括嵌入学习单元,所述嵌入学习单元用于:
使用多层感知机模型将所述同质子网络中节点投影到低维空间;
基于所述初始特征向量表示,在所述低维空间中学习相应的特征向量嵌入;
根据所述多层感知机模型中隐藏层的权重和偏置,学习得到用户和物品的嵌入向量表示。
进一步的,所述信息融合推荐模块包括目标推荐单元,所述目标推荐单元用于:
采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数;
以所述注意力分数为权重,将不同的元路径生成的所述嵌入向量表示进行集成;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率;
根据所述交互概率进行top-N推荐任务的构建。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示;
基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示;
基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
本申请的有益效果是:本发明实施例公开了一种基于异质信息的推荐方法、系统、计算机设备和存储介质,该方法是利用元路径将异质信息网络划分为只包含用户或物品的同质子网络;基于不同的子网络中提取相应的语义和结构信息,并结合起来作为初始特征作为嵌入学习的输入;然后利用多层感知器模型,根据初始特征学习用户和物品的相应嵌入表示。本发明实施例提出了基于卷积神经网络的信息融合机制来建模用户偏好,将多个子网络的嵌入表示压缩为最终的嵌入表示,用于对用户和物品的推荐。通过该方法,实现了在推荐过程命中率上的提升,且推荐的结果精确度较高,优化了在用户和物品推荐中的精准度和推荐效率。
附图说明
图1为一个实施例中公开的一种基于异质信息的推荐方法的流程示意图;
图2为一个实施例中公开的创建初始特征向量表示的流程示意图;
图3为一个实施例中公开的获取输入的嵌入向量表示的流程示意图;
图4为一个实施例中公开的进行信息融合推荐的流程示意图;
图5为一个实施例中基于异质信息的推荐系统的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
近年来,基于异质信息网络的方法由于其在描述异质数据上的实用性,在推荐系统中受到越来越多的关注。异质信息网络所包含的丰富的结构特征和语义信息有助于挖掘用户和物品的潜在特征。然而,现有的基于异质信息网络的方法大多忽略了特征初始化的重要性,而且对于用户的偏好建模存在欠缺。
在一个实施例中,如图1所示,提供了一种基于异质信息的推荐方法,包括以下步骤:
步骤101,收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
步骤102,根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示;
步骤103,基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
步骤104,根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
具体地,利用元路径将异质信息网络划分为只包含用户或物品的同质子网络;基于不同的子网络中提取相应的语义和结构信息,并结合起来作为初始特征作为嵌入学习的输入;然后利用多层感知器模型,根据初始特征学习用户和物品的相应嵌入表示。本发明实施例提出了基于卷积神经网络的信息融合机制来建模用户偏好,将多个子网络的嵌入表示压缩聚合为最终的嵌入表示,用于对物品的推荐。通过该方法,实现了在推荐过程命中率上的提升,且推荐的结果精确度较高,优化了在用户和物品推荐中的精准度和推荐效率。
其中,本实施例提出了一个利用语义和结构特征的异质信息推荐系统(SSRec)。本实施例首先使用元路径来构建相应的用户-用户/物品-物品的同质子网络。因此,本实施例得到了一个同质子网络的集合来保存提取的关系信息。在我们的模型中,重点是设计初始化特征而不是设计嵌入学习算法。本实施例将基于语义和基于结构的特征相结合,全面地展示了所提取子网络的特性,同时也可以解决使用元路径带来的路径可达性问题。以构造的初始特征作为输入,利用多层感知器(MLP)模型生成用户和物品的嵌入。假设每个用户的偏好信息不同,本实施例设计了一个基于一维卷积神经网络(1D-CNN)的个性化权值学习算法,为每个用户学习其在不同元路径上的权值。
在一个实施例中,如图2所示,创建初始特征向量表示的流程包括:
步骤201,基于路径的计算网络中两个实体之间的相似度算法,从所述同质子网络提取所述购买记录中用户和物品的语义信息,根据所述语义信息的节点相关性构建语义特征向量;
步骤202,获取所述同质子网络中连通图节点之间的关联,根据图数据的拉普拉斯矩阵形式表示,提取基于结构信息的特征构建网络结构特征向量;
步骤203,通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合,创建所述初始特征向量表示,将所述初始特征向量表示作为嵌入学习模块的输入。
具体地,异质信息网络中的异质节点和链接包含了大量有关用户和物品的辅助关系信息,可以揭示用户的隐性偏好。 例如,用户1和用户3购买了不同的商品,但是,由于商品2和商品3同属于品牌1,因此该信息表示这两个用户可能对特定品牌具有偏好。推荐任务中重点是获得用户和物品的潜在表示,因此我们可以通过将原始的丰富语义转换为用户-用户关系或物品-物品关系来探索异质信息网络。然后,这些关系可以形成多个同质子网络。而上述语义与定义的元路径表示的关系在本质上是一致的。于是,我们利用元路径从异质信息网络提取用户-用户/物品-物品关系。我们得到一组同质子网络,其中 表示不同的元路径, 代表中节点和边的集合。不同的同质子网络保存了异质信息网络中的不同语义,然后我们可以从这些子网络中提取初始特征向量表示。
其中,本实施例基于语义的相似性矩阵,进行描述节点之间的特定语义下的相似性,从而获取语义特征向量,另外,本实施例使用归一化对称拉普拉斯矩阵来捕获同质子网络的结构特征。合理的特征初始化可以很好地保留节点之间的复杂关系,从而确保学习的嵌入是准确全面的。在本实施例中,初始化特征应同时捕获网络中语义和结构信息;我们通过线性组合方法来将基于语义的特征和基于结构的特征的组合来创建初始特征,以作为嵌入学习模块的输入。
在一个实施例中,如图3所示,获取输入的嵌入向量表示包括以下步骤:
步骤301,使用多层感知机模型将所述同质子网络中节点投影到低维空间;
步骤302,基于所述初始特征向量表示,在所述低维空间中学习相应的特征向量嵌入;
步骤303,根据所述多层感知机模型中隐藏层的权重和偏置,学习得到用户和物品的嵌入向量表示。
具体地,基于构造的初始特征向量表示,我们可以学习不同子网络对应的向量嵌入。在本实施例中,我们使用多层感知机模型将网络中节点投影到低维空间并学习相应的嵌入。给定初始特征向量表示,两层感知机模型如下所示:
在一个实施例中,如图4所示,进行信息融合推荐的流程包括:
步骤401,采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数;
步骤402,以所述注意力分数为权重,将不同的元路径生成的所述嵌入向量表示进行集成;
步骤403,根据融合后的所述嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率;
步骤404,根据所述交互概率进行top-N推荐任务的构建。
具体地,在个性化推荐中,不同元路径代表的语义关系对用户而言重要性不同,因此简单的融合方法(例如相等的权重)不适用于具有异质信息的个性化推荐。而使用非线性函数可以学习数据之间的复杂关系,基于此的权重学习方法成为融合异质信息的流行选择。受注意力机制的启发,我们设计了一种信息融合算法,可学习不同节点对于不同元路径的注意力。我们采用一维卷积神经网络(1D-CNN)来获取每个元路径上的归一化注意力分数,并以此为权重,将多个元路径生成的嵌入表示集成为紧凑的向量表示形式,之后进行归一化注意力分数。一维卷积神经网络通常被解释为一种从固定长度向量中提取特征的有效方法,在许多领域中被广泛使用。给定获得的嵌入是具有固定长度的向量,我们可以使用1D-CNN提取特征作为用户个性化偏好信息的指示。以注意力分数为权重,将多个元路径生成的嵌入表示集成为综合的向量表示形式。
我们将top-N推荐任务视为二分类问题,即预测用户是否会购买特定物品的可能性,将逻辑斯谛函数(logistic)用作输出层的激活函数,以将输出值转换为概率。基于所得综合嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率。通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并得到最终用户的商品推荐结果。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,基于异质信息的推荐系统,包括:异质信息网络模块501、初始特征构建模块502、嵌入表示模块503和信息融合推荐模块504,其中:
异质信息网络模块501,收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
初始特征构建模块502,用于根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示;
嵌入表示模块503,用于基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
信息融合推荐模块504,用于根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
在一个实施例中,如图5所示,所述初始特征构建模块502包括特征向量处理单元5021,所述特征向量处理单元5021用于:
基于路径的计算网络中两个实体之间的相似度算法,从所述同质子网络提取所述购买记录中用户和物品的语义信息,根据所述语义信息的节点相关性构建语义特征向量;
获取所述同质子网络中连通图节点之间的关联,根据图数据的拉普拉斯矩阵形式表示,提取基于结构信息的特征构建网络结构特征向量;
通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合,创建所述初始特征向量表示,将所述初始特征向量表示作为嵌入学习模块的输入。
在一个实施例中,如图5所示,所述嵌入表示模块503包括嵌入学习单元5031,所述嵌入学习单元5031用于:
使用多层感知机模型将所述同质子网络中节点投影到低维空间;
基于所述初始特征向量表示,在所述低维空间中学习相应的特征向量嵌入;
根据所述多层感知机模型中隐藏层的权重和偏置,学习得到用户或物品的嵌入向量表示。
在一个实施例中,如图5所示,所述信息融合推荐模块504包括目标推荐单元5041,所述目标推荐单元5041用于:
采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数;
以所述注意力分数为权重,将不同的元路径生成的所述嵌入向量表示进行集成;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率;
根据所述交互概率进行top-N推荐任务的构建。
关于基于异质信息的推荐系统的具体限定可以参见上文中对于基于异质信息的推荐方法的限定,在此不再赘述。上述基于异质信息的推荐系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图6示出了一个实施例中计算机设备的内部结构图。如图6所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行权限异常检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示;
基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于路径的计算网络中两个实体之间的相似度算法,从所述同质子网络提取所述购买记录中用户和物品的语义信息,根据所述语义信息的节点相关性构建语义特征向量;
获取所述同质子网络中连通图节点之间的关联,根据图数据的拉普拉斯矩阵形式表示,提取基于结构信息的特征构建网络结构特征向量;
通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合,创建所述初始特征向量表示,将所述初始特征向量表示作为嵌入学习模块的输入。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
使用多层感知机模型将所述同质子网络中节点投影到低维空间;
基于所述初始特征向量表示,在所述低维空间中学习相应的特征向量嵌入;
根据所述多层感知机模型中隐藏层的权重和偏置,学习得到用户或物品的嵌入向量表示。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数;
以所述注意力分数为权重,将不同的元路径生成的所述嵌入向量表示进行集成;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率;
根据所述交互概率进行top-N推荐任务的构建。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示;
基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于路径的计算网络中两个实体之间的相似度算法,从所述同质子网络提取所述购买记录中用户和物品的语义信息,根据所述语义信息的节点相关性构建语义特征向量;
获取所述同质子网络中连通图节点之间的关联,根据图数据的拉普拉斯矩阵形式表示,提取基于结构信息的特征构建网络结构特征向量;
通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合,创建所述初始特征向量表示,将所述初始特征向量表示作为嵌入学习模块的输入。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
使用多层感知机模型将所述同质子网络中节点投影到低维空间;
基于所述初始特征向量表示,在所述低维空间中学习相应的特征向量嵌入;
根据所述多层感知机模型中隐藏层的权重和偏置,学习得到用户或物品的嵌入向量表示。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数;
以所述注意力分数为权重,将不同的元路径生成的所述嵌入向量表示进行集成;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率;
根据所述交互概率进行top-N推荐任务的构建。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于异质信息的推荐方法,其特征在于,包括以下步骤:
收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示,包括:基于路径的计算网络中两个实体之间的相似度算法,从所述同质子网络提取所述购买记录中用户和物品的语义信息,根据所述语义信息的节点相关性构建语义特征向量;获取所述同质子网络中连通图节点之间的关联,根据图数据的拉普拉斯矩阵形式表示,提取基于结构信息的特征构建网络结构特征向量;通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合,创建所述初始特征向量表示,将所述初始特征向量表示作为嵌入学习模块的输入;
基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
2.根据权利要求1所述的基于异质信息的推荐方法,其特征在于,所述基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示,包括:
使用多层感知机模型将所述同质子网络中节点投影到低维空间;
基于所述初始特征向量表示,在所述低维空间中学习相应的特征向量嵌入;
根据所述多层感知机模型中隐藏层的权重和偏置,学习得到用户或物品的嵌入向量表示。
3.根据权利要求1所述的基于异质信息的推荐方法,其特征在于,所述根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果,包括:
采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数;
以所述注意力分数为权重,将不同的元路径生成的所述嵌入向量表示进行集成,得到用户和物品的向量表示;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率;
根据所述交互概率进行top-N推荐任务的构建。
4.一种基于异质信息的推荐系统,其特征在于,包括:
异质信息网络模块,用于收集用户的购买记录以及品牌、种类属性信息,获取所述购买记录中用户和物品的异质信息网络;
初始特征构建模块,用于根据不同元路径将所述异质信息网络分解为不同的同质子网络,利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示,所述初始特征构建模块包括特征向量处理单元,所述特征向量处理单元用于:基于路径的计算网络中两个实体之间的相似度算法,从所述同质子网络提取所述购买记录中用户和物品的语义信息,根据所述语义信息的节点相关性构建语义特征向量;获取所述同质子网络中连通图节点之间的关联,根据图数据的拉普拉斯矩阵形式表示,提取基于结构信息的特征构建网络结构特征向量;通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合,创建所述初始特征向量表示,将所述初始特征向量表示作为嵌入学习模块的输入;
嵌入表示模块,用于基于所述初始特征向量表示,学习相应的特征向量嵌入,得到所述购买记录中用户和物品的嵌入向量表示;
信息融合推荐模块,用于根据融合后的所述嵌入向量表示进行推荐目标函数的构建,通过所述推荐目标函数进行top-N推荐任务的构建,迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。
5.根据权利要求4所述的基于异质信息的推荐系统,其特征在于,所述嵌入表示模块包括嵌入学习单元,所述嵌入学习单元用于:
使用多层感知机模型将所述同质子网络中节点投影到低维空间;
基于所述初始特征向量表示,在所述低维空间中学习相应的特征向量嵌入;
根据所述多层感知机模型中隐藏层的权重和偏置,学习得到用户或物品的嵌入向量表示。
6.根据权利要求4所述的基于异质信息的推荐系统,其特征在于,所述信息融合推荐模块包括目标推荐单元,所述目标推荐单元用于:
采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数;
以所述注意力分数为权重,将不同的元路径生成的所述嵌入向量表示进行集成,得到用户和物品的向量表示;
根据融合后的所述嵌入向量表示进行推荐目标函数的构建,从所述推荐目标函数中得到用户与物品之间的交互概率;
根据所述交互概率进行top-N推荐任务的构建。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110404756.2A CN112800342B (zh) | 2021-04-15 | 2021-04-15 | 基于异质信息的推荐方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110404756.2A CN112800342B (zh) | 2021-04-15 | 2021-04-15 | 基于异质信息的推荐方法、系统、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800342A CN112800342A (zh) | 2021-05-14 |
CN112800342B true CN112800342B (zh) | 2021-07-02 |
Family
ID=75811435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110404756.2A Active CN112800342B (zh) | 2021-04-15 | 2021-04-15 | 基于异质信息的推荐方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800342B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569906B (zh) * | 2021-06-10 | 2024-03-15 | 重庆大学 | 基于元路径子图的异质图信息提取方法和装置 |
CN115631008B (zh) * | 2021-07-16 | 2024-02-13 | 腾讯科技(深圳)有限公司 | 商品推荐方法、装置、设备及介质 |
CN113935804B (zh) * | 2021-10-15 | 2024-05-14 | 燕山大学 | 一种基于强化学习和加权元路径的语义推荐方法 |
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 |
CN114692007B (zh) * | 2022-06-01 | 2022-08-23 | 腾讯科技(深圳)有限公司 | 表示信息的确定方法、装置、设备及存储介质 |
CN114756768B (zh) * | 2022-06-15 | 2022-09-02 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备、可读存储介质及程序产品 |
CN115860880B (zh) * | 2023-01-06 | 2023-07-14 | 中国海洋大学 | 基于多层异质图卷积模型的个性化商品推荐方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802956A (zh) * | 2017-01-19 | 2017-06-06 | 山东大学 | 一种基于加权异构信息网络的电影推荐方法 |
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 |
CN111310045A (zh) * | 2020-02-16 | 2020-06-19 | 重庆邮电大学 | 一种基于元路径的网络嵌入的电影推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9367628B2 (en) * | 2014-01-03 | 2016-06-14 | Facebook, Inc. | Object recommendation based upon similarity distances |
-
2021
- 2021-04-15 CN CN202110404756.2A patent/CN112800342B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802956A (zh) * | 2017-01-19 | 2017-06-06 | 山东大学 | 一种基于加权异构信息网络的电影推荐方法 |
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 |
CN111310045A (zh) * | 2020-02-16 | 2020-06-19 | 重庆邮电大学 | 一种基于元路径的网络嵌入的电影推荐方法 |
Non-Patent Citations (3)
Title |
---|
Pathsim: Meta path-based top-k similarity earch iu heterogeneous information networks;Sum Y等;《Proceedings of the VLDB Eudowment》;20111231;第992-1003页 * |
异质信息网络中面向事件语义的网络表示学习研究;楚云霏;《中国博士学位论文全文数据库 信息科技辑》;20210116;第I138-39页 * |
异质信息网络数据挖掘关键技术研究;李际超;《中国博士学位论文全文数据库 信息科技辑》;20201215;第I138-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112800342A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800342B (zh) | 基于异质信息的推荐方法、系统、计算机设备和存储介质 | |
Xue et al. | Dynamic network embedding survey | |
Khan et al. | CNN with depthwise separable convolutions and combined kernels for rating prediction | |
Zhang et al. | Artificial intelligence in recommender systems | |
Gao et al. | HGNN+: General hypergraph neural networks | |
Wang et al. | Learning hierarchical representation model for nextbasket recommendation | |
Pei et al. | Interacting attention-gated recurrent networks for recommendation | |
Wan et al. | Deep matrix factorization for trust-aware recommendation in social networks | |
Li et al. | Adversarial multimodal representation learning for click-through rate prediction | |
Jiang et al. | Heterogeneous recommendation via deep low-rank sparse collective factorization | |
Chen et al. | IR-Rec: An interpretive rules-guided recommendation over knowledge graph | |
CN110046301B (zh) | 对象推荐方法和装置 | |
Peng | A survey on modern recommendation system based on big data | |
Xia et al. | Modeling consumer buying decision for recommendation based on multi-task deep learning | |
Lu et al. | Learning from multi-view multi-way data via structural factorization machines | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
Alhamdani et al. | Recommender system for global terrorist database based on deep learning | |
Leng et al. | Recurrent convolution basket map for diversity next-basket recommendation | |
Elahi et al. | Recommender systems: Challenges and opportunities in the age of big data and artificial intelligence | |
Dong et al. | Improving sequential recommendation with attribute-augmented graph neural networks | |
Cao et al. | Implicit user relationships across sessions enhanced graph for session-based recommendation | |
Yang et al. | Attention mechanism and adaptive convolution actuated fusion network for next POI recommendation | |
Zhang et al. | Contrastive graph learning for social recommendation | |
Verma et al. | Collaborative filtering with label consistent restricted boltzmann machine | |
Liu et al. | Relation-propagation meta-learning on an explicit preference graph for cold-start recommendation |
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 |