CN112861017A - 一种基于图卷积的神经协同过滤的信息推荐方法 - Google Patents

一种基于图卷积的神经协同过滤的信息推荐方法 Download PDF

Info

Publication number
CN112861017A
CN112861017A CN202011586554.6A CN202011586554A CN112861017A CN 112861017 A CN112861017 A CN 112861017A CN 202011586554 A CN202011586554 A CN 202011586554A CN 112861017 A CN112861017 A CN 112861017A
Authority
CN
China
Prior art keywords
user
matrix
graph
article
item
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.)
Pending
Application number
CN202011586554.6A
Other languages
English (en)
Inventor
洪惠君
王巍
梁雅静
刘阳
刘华真
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202011586554.6A priority Critical patent/CN112861017A/zh
Publication of CN112861017A publication Critical patent/CN112861017A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于图卷积的神经协同过滤的信息推荐方法，包括以下步骤：S1：采集用户行为数据和用户，物品的属性内容；S2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户‑用户图，计算用户与用户、物品与物品之间的相似度构造用户‑用户图，物品‑物品图；若采集的行为信息只有浏览、点击等隐式交互信息，构造用户‑物品图：S3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；S4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；S5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。

Description

一种基于图卷积的神经协同过滤的信息推荐方法
技术领域
本发明涉及信息推荐技术领域，特别是涉及一种基于图卷积的神经协同过滤的信息推荐方法。
背景技术
根据第45次《中国互联网络发展状况统计报告》显示，截止到2020年3月，我国网民规模已达9.04亿，互联网普及率达到64.5％，各类互联网应用的用户规模及使用率都呈持续性增长模式。随着互联网逐渐融入人们的日常生活，传统的搜索引擎已经无法满足人们的需求，为了快速并准确地预测用户的喜好，推荐系统扮演了一个很重要的角色，帮助用户能够在海量的数据中寻找自己喜欢的物品。然而推荐系统目前仍然面临一些问题。
(1)现阶段推荐系统的推荐主要以采集用户的评分数据为主，但是由于有些用户出于不愿意泄露自己的隐私的担忧或者不愿意浪费自己的时间因此不愿意留下评分，从而导致数据的稀疏性。
(2)传统的基于矩阵分解协同过滤算法是使用简单内积方法在低维空间上计算复杂的用户和物品的特征，并不能深入学习到用户和物品的特征之间的关系。
(3)传统的推荐方法没有过多的考虑用户的属性以及物品的属性，以及用户用户之间的交互关系，物品物品之间的交互关系。
发明内容
为了克服现有技术存在的上述问题，本发明的目的在于提供一种基于图卷积的神经协同过滤的信息推荐方法，利用卷积网络模型处理，利用用户和物品的交互日志，对用户之间的交互行为进行强度建模作为关系表示中的边，进一步得到交互关系图，图上叠加谱图卷积生成用户、物品节点特征向量，为了提高模型的泛化能力，结合用户和物品自身属性特征得到用户、物品的特征向量，并使用神经协同过滤算法(NCF)将用户的特征向量和物品的特征向量映射到维数很高的高维空间，从特征中获取更多信息得出更精准的预测。
本发明的目的在于提供一种基于图卷积的神经协同过滤的信息推荐方法，包括以下步骤：
S1：采集用户行为数据和用户，物品的属性内容；
S2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户-用户图，计算用户与用户、物品与物品之间的相似度构造用户-用户图，物品-物品图；若采集的行为信息只有浏览、点击等隐式交互信息，构造用户-物品图；
S3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；
S4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；
S5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。
优选的，所述S1所述用户行为数据包括浏览、购买以及评分信息；所述浏览、购买以及评分信息包括用户的年龄，性别，职业；物品的类别；用户对物品1-5范围内的评分；以及用户浏览行为中的购买、浏览次数、点击次数。
优选的，实施所述S2之前，还包括步骤：对数据预处理，其中预处理包括：将性别字段将‘F’和‘M’转换成0和1；将年龄进行段落划分，包括有以下几种：1：“小于 18岁”；18：“18-24”；25：“25-34”；35：“35-44”；45：“45-49”；50：“50-55”； 56：“56+；将Age字段转成7个连续数字0-6；以及将物品类别字段赋予多值属性并使用Multi-Hot编码。
优选的，所述步骤S3包括：
S31，构建用户-用户图；
S32，构建物品-物品图；
S33，构建用户-物品图。
S34，构造度矩阵。
优选的，所述步骤S31包括：
S311，计算用户-用户相似度：利用Person相关系数衡量用户ui和用户ui之间的相似关系sim(ui，uj)，其中
Figure RE-GSB0000193210290000021
是用户ui和uj之间共同做出评分的物品集合；
S312，构造用户的邻接矩阵Au；
所述步骤S311包括：
S3111，利用每位用户u的评分计算每位用户的平均分uu：
Figure RE-GSB0000193210290000031
S3112，计算用户ui和uj之间的Pearson相关系数如下：
Figure RE-GSB0000193210290000032
所述步骤S312中所述邻接矩阵Au是一个对角元素为0的对称矩阵，矩阵中的元素e(ui，uj)代表每对用户是用户ui和uj之间的边权值，即sim(ui，uj)
Figure RE-GSB0000193210290000033
所述步骤S312利用调整的余弦函数来定义物品i与物品j之间的相似度，包括：
S3121，均值中心化：用户u对物品j的评分：
suj＝ruj-μu (4)：
S3122，计算物品i与物品j之间的相似度
Figure RE-GSB0000193210290000034
优选的，所述步骤S32包括：
S321，定义物品-物品相似度；
S322，构造物品的邻接矩阵Av；物品的邻接矩阵Av是一个对角元素为0的对称矩阵，
矩阵中的e(vi，vj)代表物品i和物品j之间的边上的权值，即sim(i，j)，其中
Figure RE-GSB0000193210290000035
优选的，所述步骤S33包括：
S331，当用户有显式评分信息时，用户物品评分矩阵R∈RM×N(M代表用户个数，N 代表物品个数)，R∈{1，2，3，4，5}；为每一级评分构建用户-商品交互图即(0，1)矩阵，即当r＝1时，若用户i对物品j有评分时，则为rij＝1，否则rij＝0；
Figure RE-GSB0000193210290000041
S332，当用户只有隐式行为的时候，仅有用户对商品浏览、购买行为信息，没有显式评分，其中，R∈{0，1}M×N，R代表用户与商品是否存在交互，因此仅包含一个用户物品交互图，即若用户i对物品j进行过交互信息，则rij＝1，否则rij＝0，邻接矩阵Aimplicit如下所示：
Figure RE-GSB0000193210290000042
优选的，所述步骤S34包括：通过邻接矩阵可A以计算出度矩阵D，为一个对角矩阵，矩阵元素为邻接矩A中对应行列的和即Dii＝ΣjAij
Figure RE-GSB0000193210290000043
通过公式(9)利用用户邻接矩阵Au计算度矩阵Du，利用物品邻接矩阵Av计算出度矩阵Dv；显式情况下利用用户物品评分的邻接矩阵Ar计算出r个度矩阵Dr；利用隐式行为的邻接矩阵Aimplict计算出度矩阵Dimplicit。
优选的，所述步骤S3包括：
S31，正则化：
图卷积操作中，将拉普拉斯矩阵与特征向量相乘，对拉普拉斯矩阵做正则化操作，得到对称且归一化的拉普拉斯矩阵即：
Figure RE-GSB0000193210290000051
上式(10)中只包含了邻居节点的信息，为了使得节点本身的信息也被包含，需对该式加上一个单位矩阵IN，即：
Figure RE-GSB0000193210290000052
S32：进行卷积操作：
使用X代表关系图上用户/物品节点的特征向量矩阵，Θ为卷积参数，那么关系图G上的单层卷积操作可以表示为：
Figure RE-GSB0000193210290000053
多层卷积层叠加时的隐层的更新为：
Figure RE-GSB0000193210290000054
其中后一层的输入X为上层的输出Ht，对应的逐层卷积层参数为Wt。
优选的，所述步骤S4包括：
S41，使用全连接层将图卷积得到的用户、物品节点特征向量分别于用户、物品的属性特征向量相结合；
S42，使用一个全连接层联这两种不同的信息：
Z＝σ(W[Znode，Zattribute]+b) (14)
优选的，使用一个基于神经网络的矩阵分解框架NCF，结合GMF和MLP实施所述S5，其中GMF为传统的矩阵分解层，输出计算如下式(15)所示：
Figure RE-GSB0000193210290000055
其中pi代表用户i的特征向量，qj代表物品j的特征向量，⊙代表向量元素相乘的运算符号；
其中，MLP为多层感知器，MLP层之间使用relu作为激活函数，计算如下：
Figure RE-GSB0000193210290000056
最后将所述GMF和MLP学习到的隐向量进行全连接，并且输出用logistic使得最后一层的输出向量转化为0到1之间，
Figure RE-GSB0000193210290000061
本发明的有益效果：
(1)当缺少用户显式评分信息时，可以利用隐式交互信息来进行预测推荐。
(2)基于用户和对物品特征进行评分预测的推荐模型进行改进，增加了用户交互行为以及物品之间的关系表达，挖掘用户评分以外深层次的用户与用户、物品与物品的关系图，增强了推荐模型的鲁棒性以及个性化适应能力。
(3)现有的非线性神经协同过滤NEURAL COLLABORATIVE FILTERING(NCF)将用户的特征向量和物品的特征向量映射到维数很高的高维空间，从而做出准确的预测，但是模型的推荐过程中没有考虑辅助信息，本发明使用了图卷积模型，把辅助信息和评分信息融合到用户、物品的节点特征向量中，同时也增加了用户与物品的属性内容作为辅助信息，并将图卷积之后的用户、物品节点特征向量相结合作为NCF的输入，提高模型的泛化能力并提升了推荐系统的准确率。
附图说明
附图1为根据本发明实施例的推荐系统流程示意图；
附图2为根据本发明实施例的显式推荐子图流程示意图；
附图3为根据本发明实施例的隐式推荐子图流程示意图；
附图4为根据本发明实施例的NCF框架图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明，但并不用来限制本发明的保护范围。
参见图1所示实施例的基于图卷积的神经协同过滤的信息推荐方法，包括以下步骤：
S1：采集用户行为数据(包括浏览、购买以及评分等信息)和用户，物品的属性内容；
S2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户-用户图，计算用户与用户、物品与物品之间的相似度构造用户-用户图，物品-物品图；若采集的行为信息只有浏览、点击等隐式交互信息，构造用户-物品图；
S3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；
S4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；
S5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。
本实施例的具体实施过程包括：
一、采集的用户浏览行记录，用户物品的属性特征
用户：年龄，性别，职业
物品：类别
用户对物品的评分：1-5
用户浏览行为：购买、浏览次数、点击次数等
二、数据预处理
性别字段：需要将‘F’和‘M’转换成0和1
Age：年龄进行段落划分有以下几种：
1：“小于18岁”
18：“18-24”
25：“25-34”
35：“35-44”
45：“45-49”
50：“50-55”
56：“56+
Age字段：转成7个连续数字0-6
物品类别字段：多值属性，使用Multi-Hot编码
三、构建关系图
(一)构建用户-用户图
1、用户-用户相似度
本实施例利用Person相关系数(Pearson correlation cofficient)可以用来衡量用户ui和用户uj之间的相似关系sim(ui，uj)，其中
Figure RE-GSB0000193210290000071
是用户ui和uj之间共同做出评分的物品集合。
第一步是利用每位用户u的评分计算每位用户的平均分uu：
Figure RE-GSB0000193210290000081
第二步是计算用户ui和uj之间的Pearson相关系数如下：
Figure RE-GSB0000193210290000082
2、构造用户的邻接矩阵Au
Au是一个对角元素为0的对称矩阵，矩阵中的元素e(ui，uj)代表每对用户是用户ui和uj之间的边权值，即sim(ui，uj)
Figure RE-GSB0000193210290000083
(二)构建物品-物品图
1、定义物品-物品相似度
本实施例利用调整的余弦函数来定义物品i与物品j之间的相似度。
第一步：均值中心化：用户u对物品j的评分：
suj＝ruj-μu (4)
第二步：计算物品i与物品j之间的相似度
Figure RE-GSB0000193210290000084
2、构造物品的邻接矩阵Av
Av是一个对角元素为0的对称矩阵，矩阵中的e(vi，vj)代表物品i和物品j之间的边上的权值，即sim(i，j)，其中
Figure RE-GSB0000193210290000091
(三)构建用户-物品图
1、如图2所示，当用户有显式评分信息时
用户物品评分矩阵R∈RM×N(M代表用户个数，N代表物品个数)，R∈{1，2，3，4，5}
为每一级评分构建用户-商品交互图即(0，1)矩阵，即当r＝1时，若用户i对物品 j有评分时，则为rij＝1，否则rij＝0。
Figure RE-GSB0000193210290000092
2、当用户没有显式评分时
如图3所示，只有隐式行为的时候，仅有用户对商品浏览、购买等行为信息，没有显式评分。其中，R∈{0，1}M×N，R代表用户与商品是否存在交互，因此仅包含一个用户物品交互图，即若用户i对物品j进行过交互信息，则rij＝1，否则rij＝0，邻接矩阵Aimplicit如下所示。
Figure RE-GSB0000193210290000093
(四)构造度矩阵
通过邻接矩阵可A以计算出度矩阵D，为一个对角矩阵，矩阵元素为邻接矩A中对应行列的和即Dii＝∑jAij
Figure RE-GSB0000193210290000101
因此通过公式(9)利用用户邻接矩阵Au计算度矩阵Du，利用物品邻接矩阵Av可以计算出度矩阵Dv；利用用户物品评分的邻接矩阵Ar可以计算出r个度矩阵Dr(显式) 利用隐式行为的邻接矩阵Aimplict，可以计算出度矩阵Dimplicit。
四、图卷积
(一)正则化
图卷积操作中，需要将拉普拉斯矩阵与特征向量相乘，为了不改变特征的分布，需要对拉普拉斯矩阵做正则化操作，得到对称且归一化的拉普拉斯矩阵即：
Figure RE-GSB0000193210290000102
上式(10)中只包含了邻居节点的信息，为了使得节点本身的信息也被包含，需对该式加上一个单位矩阵IN，即：
Figure RE-GSB0000193210290000103
(二)卷积操作
使用X代表关系图上用户/物品节点的特征向量矩阵，Θ为卷积参数，那么关系图G上的单层卷积操作可以表示为：
Figure RE-GSB0000193210290000104
多层卷积层叠加时的隐层的更新为：
Figure RE-GSB0000193210290000105
其中后一层的输入X为上层的输出Ht，对应的逐层卷积层参数为Wt。
五、用户和物品特征向量
方法：使用全连接层将图卷积得到的用户、物品节点特征向量分别于用户、物品的属性特征向量相结合；
使用一个全连接层联这两种不同的信息。
Z＝σ(W[Znode，Zattribute]+b) (14)
六、预测
如图4所示，本实施例使用一个基于神经网络的矩阵分解框架NCF，结合GMF和MLP。
(1)GMF为传统的矩阵分解层，输出计算如下所示：
Figure RE-GSB0000193210290000111
其中pi代表用户i的特征向量，qj代表物品j的特征向量，⊙代表向量元素相乘的运算符号。
MLP为多层感知器(MLP层之间使用relu作为激活函数)
Figure RE-GSB0000193210290000112
最后将两者学习到的隐向量进行全连接，并且输出用logistic使得最后一层的输出向量转化为0到1之间。
Figure RE-GSB0000193210290000113
采用本实施例的方法：
(1)当缺少用户显式评分信息时，可以利用隐式交互信息来进行预测推荐。
(2)基于用户和对物品特征进行评分预测的推荐模型进行改进，增加了用户交互行为以及物品之间的关系表达，挖掘用户评分以外深层次的用户与用户、物品与物品的关系图，增强了推荐模型的鲁棒性以及个性化适应能力。
(3)现有的非线性神经协同过滤NEURAL COLLABORATIVE FILTERING(NCF)将用户的特征向量和物品的特征向量映射到维数很高的高维空间，从而做出准确的预测，但是模型的推荐过程中没有考虑辅助信息，本发明使用了图卷积模型，把辅助信息和评分信息融合到用户、物品的节点特征向量中，同时也增加了用户与物品的属性内容作为辅助信息，并将图卷积之后的用户、物品节点特征向量相结合作为NCF的输入，提高模型的泛化能力并提升了推荐系统的准确率。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时本领域的一般技术人员，根据本发明的实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于包括以下步骤：
S1：采集用户行为数据和用户，物品的属性内容；
S2：若采集的行为是显式评分，则根据用户对物品的评分信息构造用户-用户图，计算用户与用户、物品与物品之间的相似度构造用户-用户图，物品-物品图；若采集的行为信息只有浏览、点击等隐式交互信息，构造用户-物品图；
S3：对构建的关系图进行图卷积操作，得到用户、物品的节点的特征向量；
S4：将用户、物品的节点的特征向量分别与用户、物品的属性特征进行全连接；
S5：将得到的用户、物品的节点的特征向量作为神经协同过滤算法框架的输入层，从而进行预测，根据预测结果进行信息推荐。
2.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于：所述S1所述用户行为数据包括浏览、购买以及评分信息；所述浏览、购买以及评分信息包括用户的年龄，性别，职业；物品的类别；用户对物品1-5范围内的评分；以及用户浏览行为中的购买、浏览次数、点击次数。
3.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于：实施所述S2之前，还包括步骤：对数据预处理，其中预处理包括：将性别字段将‘F’和‘M’转换成0和1；将年龄进行段落划分，包括有以下几种：1：“小于18岁”；18：“18-24”；25：“25-34”；35：“35-44”；45：“45-49”；50：“50-55”；56：“56+；将Age字段转成7个连续数字0-6；以及将物品类别字段赋予多值属性并使用Multi-Hot编码。
4.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S3包括：
S31，构建用户-用户图；
S32，构建物品-物品图；
S33，构建用户-物品图。
S34，构造度矩阵。
5.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S31包括：
S311，计算用户-用户相似度：利用Person相关系数衡量用户ui和用户uj之间的相似关系sim(ui，uj)，其中
Figure FSA0000229074060000011
是用户ui和uj之间共同做出评分的物品集合；
S312，构造用户的邻接矩阵Au；
所述步骤S311包括：
S3111，利用每位用户u的评分计算每位用户的平均分uu：
Figure FSA0000229074060000021
S3112，计算用户ui和uj之间的Pearson相关系数如下：
Figure FSA0000229074060000022
所述步骤S312中所述邻接矩阵Au是一个对角元素为0的对称矩阵，矩阵中的元素e(ui，uj)代表每对用户是用户ui和uj之间的边权值，即sim(ui，uj)
Figure FSA0000229074060000023
所述步骤S312利用调整的余弦函数来定义物品i与物品j之间的相似度，包括：
S3121，均值中心化：用户u对物品j的评分：
suj＝ruj-μu (4)；
S3122，计算物品i与物品j之间的相似度
Figure FSA0000229074060000024
6.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S32包括：
S321，定义物品-物品相似度；
S322，构造物品的邻接矩阵Av；物品的邻接矩阵Av是一个对角元素为0的对称矩阵，矩阵中的e(vi，vj)代表物品i和物品j之间的边上的权值，即sim(i，j)，其中
Figure FSA0000229074060000031
7.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S33包括：
S331，当用户有显式评分信息时，用户物品评分矩阵R∈RM×N(M代表用户个数，N代表物品个数)，R∈{1，2，3，4，5}；为每一级评分构建用户-商品交互图即(0，1)矩阵，即当r＝1时，若用户i对物品j有评分时，则为rij＝1，否则rij＝0；
Figure FSA0000229074060000032
S332，当用户只有隐式行为的时候，仅有用户对商品浏览、购买行为信息，没有显式评分，其中，R∈{0，1}M×N，R代表用户与商品是否存在交互，因此仅包含一个用户物品交互图，即若用户i对物品j进行过交互信息，则rij＝1，否则rij＝0，邻接矩阵Aimplicit如下所示：
Figure FSA0000229074060000033
8.根据权利要求4所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S34包括：通过邻接矩阵可A以计算出度矩阵D，为一个对角矩阵，矩阵元素为邻接矩A中对应行列的和即Dii＝∑jAij；
Figure FSA0000229074060000041
通过公式(9)利用用户邻接矩阵Au计算度矩阵Du，利用物品邻接矩阵Av计算出度矩阵Dv；显式情况下利用用户物品评分的邻接矩阵Ar计算出r个度矩阵Dr；利用隐式行为的邻接矩阵Aimplict计算出度矩阵Dimplicit。
9.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S3包括：
S31，正则化：
图卷积操作中，将拉普拉斯矩阵与特征向量相乘，对拉普拉斯矩阵做正则化操作，得到对称且归一化的拉普拉斯矩阵即：
Figure FSA0000229074060000042
上式(10)中只包含了邻居节点的信息，为了使得节点本身的信息也被包含，需对该式加上一个单位矩阵IN，即：
Figure FSA0000229074060000043
S32：进行卷积操作：
使用X代表关系图上用户/物品节点的特征向量矩阵，Θ为卷积参数，那么关系图G上的单层卷积操作可以表示为：
Figure FSA0000229074060000044
多层卷积层叠加时的隐层的更新为：
Figure FSA0000229074060000045
其中后一层的输入X为上层的输出Ht，对应的逐层卷积层参数为Wt。
10.根据权利要求1所述的一种基于图卷积的神经协同过滤的信息推荐方法，其特征在于所述步骤S4包括：
S41，使用全连接层将图卷积得到的用户、物品节点特征向量分别于用户、物品的属性特征向量相结合；
S42，使用一个全连接层联这两种不同的信息：
Figure FSA0000229074060000054
优选的，使用一个基于神经网络的矩阵分解框架NCF，结合GMF和MLP实施所述S5，其中GMF为传统的矩阵分解层，输出计算如下式(15)所示：
Figure FSA0000229074060000051
其中pi代表用户i的特征向量，qj代表物品j的特征向量，⊙代表向量元素相乘的运算符号；
其中，MLP为多层感知器，MLP层之间使用relu作为激活函数，计算如下：
Figure FSA0000229074060000052
最后将所述GMF和MLP学习到的隐向量进行全连接，并且输出用logistic使得最后一层的输出向量转化为0到1之间，
Figure FSA0000229074060000053
CN202011586554.6A 2020-12-21 2020-12-21 一种基于图卷积的神经协同过滤的信息推荐方法 Pending CN112861017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011586554.6A CN112861017A (zh) 2020-12-21 2020-12-21 一种基于图卷积的神经协同过滤的信息推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011586554.6A CN112861017A (zh) 2020-12-21 2020-12-21 一种基于图卷积的神经协同过滤的信息推荐方法

Publications (1)

Publication Number Publication Date
CN112861017A true CN112861017A (zh) 2021-05-28

Family

ID=75997945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011586554.6A Pending CN112861017A (zh) 2020-12-21 2020-12-21 一种基于图卷积的神经协同过滤的信息推荐方法

Country Status (1)

Country Link
CN (1) CN112861017A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114637888A (zh) * 2022-05-18 2022-06-17 深圳市华曦达科技股份有限公司 一种视频推送方法及装置
CN114662009A (zh) * 2021-12-13 2022-06-24 菏泽汇豪纺织有限公司 一种基于图卷积的工业互联网工厂协同推荐算法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662009A (zh) * 2021-12-13 2022-06-24 菏泽汇豪纺织有限公司 一种基于图卷积的工业互联网工厂协同推荐算法
CN114662009B (zh) * 2021-12-13 2022-11-18 菏泽汇豪纺织有限公司 一种基于图卷积的工业互联网工厂协同推荐方法
CN114637888A (zh) * 2022-05-18 2022-06-17 深圳市华曦达科技股份有限公司 一种视频推送方法及装置

Similar Documents

Publication Publication Date Title
Darban et al. GHRS: Graph-based hybrid recommendation system with application to movie recommendation
CN111259133B (zh) 一种融合多信息的个性化推荐方法
CN109903117B (zh) 一种用于商品推荐的知识图谱处理方法及装置
US11940955B2 (en) Method for data structure relationship detection
CN104731962A (zh) 一种社交网络中基于相似社团的好友推荐方法及系统
CN112733027B (zh) 一种基于局部和全局表示模型联合学习的混合推荐方法
CN112231583B (zh) 基于动态兴趣组标识和生成对抗网络的电商推荐方法
CN106157156A (zh) 一种基于用户社区的协作推荐系统
CN112131480A (zh) 基于多层异质属性网络表征学习的个性化商品推荐方法及系统
CN112861017A (zh) 一种基于图卷积的神经协同过滤的信息推荐方法
CN112800344B (zh) 一种基于深度神经网络的电影推荐方法
CN107391582A (zh) 基于上下文本体树计算用户偏好相似度的信息推荐方法
CN115860880B (zh) 基于多层异质图卷积模型的个性化商品推荐方法及系统
CN108109058A (zh) 一种融合人格特质和物品标签的单分类协同过滤方法
Xie et al. Robust transfer integrated locally kernel embedding for click-through rate prediction
Li et al. Deep sparse autoencoder prediction model based on adversarial learning for cross-domain recommendations
Liu et al. Coupled clustering of time-series and networks
CN115374288A (zh) 一种基于知识图谱与注意力机制的推荐方法
CN115186197A (zh) 一种基于端到端双曲空间的用户推荐方法
CN105303447A (zh) 利用网络信息进行信用评级的方法和系统
CN113850616A (zh) 基于深度图神经网络的客户生命周期价值预测方法
Xu et al. Repurchase prediction based on ensemble learning
Zhang et al. Multi-view dynamic heterogeneous information network embedding
CN115391555A (zh) 一种用户感知的知识图谱推荐系统及方法
CN114491086A (zh) 服饰个性化搭配推荐方法、系统、电子设备及存储介质

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