CN112989202A - 基于动态网络嵌入的个性化推荐方法及系统 - Google Patents
基于动态网络嵌入的个性化推荐方法及系统 Download PDFInfo
- Publication number
- CN112989202A CN112989202A CN202110359138.0A CN202110359138A CN112989202A CN 112989202 A CN112989202 A CN 112989202A CN 202110359138 A CN202110359138 A CN 202110359138A CN 112989202 A CN112989202 A CN 112989202A
- Authority
- CN
- China
- Prior art keywords
- nodes
- embedding
- node
- dynamic network
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 65
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态网络嵌入的个性化推荐方法,包括:获取动态网络中节点输入向量;输入向量经过编码器的隐藏层到输出层,在损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练,根据节点的变化扩展隐藏层数量,得到节点输出向量;利用节点输出向量进行链接预测,得到节点间的链接概率,对节点链接概率逆序排序,选取一定数量概率的链接对应的节点生成项目推荐结果集合。解决传统静态网络推荐算法无法准确地对现实动态网络进行建模并进行有效推荐的问题,并且经过多次模拟实验证明了本发明的可用性和有效性,能够更加准确地为用户推荐感兴趣的项目。
Description
技术领域
本发明动态网络的推荐技术领域,尤其是涉及一种基于动态网络嵌入的个性化推荐方法及系统。
背景技术
近年来,人们生活在一个信息爆炸的时代,可以在互联网上获得许多方便而有效的服务,同时不受空间和时间的限制。然而,我们也可能会发现自己陷入信息过载之中。信息过载现象被定义为信息量过大,信息利用率较低的一种网络情况,而个性化推荐方法正成为解决信息过载问题最有效的对策之一。主流的推荐技术基于内容的推荐、协同过滤推荐、混合推荐和基于复杂网络的推荐算法。
基于复杂网络的个性化推荐在以往的研究中大多数是基于静态网络,例如:基于二部图的个性化推荐、基于语义网络的个性化推荐等。但是现实生活中的许多网络并不可以被简单的建模为静态网络,例如:人与人之间的邮件发送网络、交通网络、论文引用网络及脑神经网络等等。在这些网络中,节点之间只在某个时间段内存在联系,节点之间是存在时序性的,即网络中的连边会随着时间间断性的消失或出现。传统的基于静态网络的个性化推荐算法没有很好的考虑节点以及边的时序性,所以在推荐准确性方面有待提升。
几种比较经典的网络嵌入模型有:DeepWalk[8]将静态网络嵌入问题定义为序列建模问题,并通过随机游走生成节点序列,采用SkipGram从输入节点中预测上下文。Node2Vec[9]集成了深度优先搜索和广度优先搜索策略,实现了更加灵活的网络结构。LINE[10]设计一个用于描述一阶和二阶近似的损失函数。SDNE[11]提出了一种结构深图嵌入模型,该模型结合了一阶和二阶近似性的优点,保持了高度非线性结构。
[1]Perozzi B,Al-Rfou R,Skiena S.DeepWalk:online learning of socialrepresentations.[C]//The 20th ACM SIGKDD International Conference on KnowledgeDiscoveryandDataMining.ACM,2014:701-710.
[2]Grover A,Leskovec J.node2vec:Scalable feature learning fornetworks.[C]//the 22nd ACM SIGKDD International Conference on KnowledgeDiscovery and Data Mining.ACM,2016:855–864.
[3]Tang J,Qu M,Wang M,et al.LINE:large-scale information networkembedding.[C]//the 24th International Conference on World Wide Web,2015:1067-1077.
Wang D,Cui P,Zhu W.Structural deep network embedding.[C]//the 22ndACM SIGKDD International Conference on Knowledge Discovery and DataMining.ACM,2016:1225-1234.
目前很少有人针对动态网络中的个性化推荐算法进行研究。当前针对动态网络的研究多数是对于动态网络中链接预测的研究,很少有将动态网络中的链接预测应用于推荐领域。本发明因此而来。
发明内容
1、本发明的目的
针对传统的基于静态网络的个性化推荐算法没有很好地考虑节点以及边的时序性、推荐准确性低的问题,提出了一种基于动态网络嵌入的个性化推荐方法及系统,通过提取动态网络随时间变化的动态信息及多层网络特征进行推荐,解决传统静态网络推荐算法无法准确地对现实动态网络进行建模并进行有效推荐的问题,并且经过多次模拟实验证明了本发明的可用性和有效性,能够更加准确地为用户推荐感兴趣的项目。
2、本发明所采用的技术方案
一种基于动态网络嵌入的个性化推荐方法,包括以下步骤:
S01:获取动态网络中节点输入向量;
S02:输入向量经过编码器的隐藏层到输出层,在损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练,根据节点的变化扩展隐藏层数量,得到节点输出向量;
S03:利用节点输出向量进行链接预测,得到节点间的链接概率,对节点链接概率逆序排序,选取一定数量概率的链接对应的节点生成项目推荐结果集合。
优选的技术方案中,所述步骤S01中利用自动编码器的编码过程获取节点输入向量。
优选的技术方案中,所述步骤S01中还包括对动态网络进行建模,对每一个用户节点数据集根据不同的规则将数据集分为不同的时间层,以用户的邻居节点ai和aj作为自动编码器的输入xi=ai、xj=aj进入自动编码器,并且在不同的时间维度中变换不同的输入变量进行嵌入。
优选的技术方案中,所述步骤S02中还包括获取节点的邻接矩阵,并将每一对节点的邻域作为输入,节点输入之后,针对自动编码器计算连续层之间的宽度,从编码器的输入层和第一个隐藏层开始,如果连续两层之间不满足动态更新机制,则增加层宽度;编码器和解码器的倒数第二层和嵌入层之间不满足动态更新机制,则在这两层中间添加更多层,直到满足动态更新机制为止;所述动态更新机制为:Length(Lk+1)≥β×Length(Lk),其中,β为参数,β∈(0,1),Lk为k层的编码向量,Length(Lk)表示向量的长度。
优选的技术方案中,所述步骤S02中在得到输出向量后隐藏层使用Relu激活函数对模型进行非线性变换,将输入的连续变量值压缩在0到1之间,生成相应的损失函数,在每一个时间维度最小化该损失函数:
其中,A1和B1是损失函数权重的超参数,W(K)、为权重向量,Lfir是整个图的一阶近似,La和Lb为模型的正则化参数,T3为时间系数,k表示嵌入层数,K表示第k层嵌入层,yi-1是第i-1个自编码器的嵌入向量,yi是第i个自编码器的嵌入向量,L3是与时间系数对应的时间化系数,是动态网络层数的根次方;
利用Adam优化器更新和计算影响模型训练和模型输出的网络参数,通过模型在每一时间维度学习自动编码器的参数βt,得到t时刻的输出向量Yt (k)。
优选的技术方案中,所述步骤S03中,利用节点输出向量通过边函数计算两个用户节点之间的边特征;
随后进行训练与预测,利用嵌入过程获取的嵌入向量及计算的边特征,并产生边嵌入函数的分数;
利用正、负训练集和测试集、边函数以及边特征,设定嵌入维度,得到训练边集和测试边集;
在获取的测试边集中利用线性概率预测函数预测边函数的分数,即两节点之间在未来可能链接的概率;
对每一个边嵌入函数的分数进行降序排序,选取前k个概率最大的相连接的边,则每一条边中与目标节点相连接的节点即为待推荐的用户节点。
本发明还公开了一种基于动态网络嵌入的个性化推荐系统,包括:
节点输入向量获取模块,获取动态网络中节点输入向量;
节点输出向量获取模块,输入向量经过编码器的隐藏层到输出层,在损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练,根据节点的变化扩展隐藏层数量,得到节点输出向量;
推荐模块,利用节点输出向量进行链接预测,得到节点间的链接概率,对节点链接概率逆序排序,选取一定数量概率的链接对应的节点生成项目推荐结果集合。
本发明又公开了一种基于动态网络嵌入的个性化推荐设备,其特征在于,包括上述任一种基于动态网络嵌入的个性化推荐方法。
本发明又公开了一种存储介质,所述存储介质存储有上述任一种基于动态网络嵌入的个性化推荐方法。
3、本发明所采用的有益效果
(1)本发明以自动编码器获取节点表示向量,并采用动态更新节点输入向量、根据节点变化扩展隐藏层以及在损失函数加入时间系数不断进行优化训练的方式解决传统静态网络推荐算法无法准确地对现实动态网络进行建模并进行有效推荐的问题,并且经过多次模拟实验证明了本发明的可用性和有效性,能够更加准确地为用户推荐感兴趣的项目。
(2)本发明对网络嵌入模型进行创新:1、根据时间维度的变化,动态更新节点的输入向量。2、采用启发式算法机制来应对节点不断增加的动态图,可以根据节点的不断变动来改变隐藏层的数量。3、在损失函数中加入时间系数,该时间系数会根据时间网络层数的变化而不断变化,损失函数也会不断进行训练,最终得到节点的嵌入向量。这样既可以保证动态网络嵌入的稳定性,又可以保证嵌入的准确性。
附图说明
图1为本发明基于动态网络嵌入的个性化推荐方法的流程图;
图2为本实施例动态网络嵌入过程示意图;
图3为本发明基于动态网络嵌入的个性化推荐系统的原理框图;
图4为本发明基于动态网络嵌入的个性化推荐系统的算法架构图。
具体实施方式
下面结合本发明实例中的附图,对本发明实例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
实施例1
如图1所示,一种基于动态网络嵌入的个性化推荐方法,包括以下步骤:
S01:获取动态网络中节点输入向量;
S02:输入向量经过编码器的隐藏层到输出层,在损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练,根据节点的变化扩展隐藏层数量,得到节点输出向量;
S03:利用节点输出向量进行链接预测,得到节点间的链接概率,对节点链接概率逆序排序,选取一定数量概率的链接对应的节点生成项目推荐结果集合。
一较佳的实施例中,步骤S01中利用自动编码器的编码过程获取节点输入向量。当然也可以通过其他方法获取,本发明不做限定。
一较佳的实施例中,动态网络嵌入过程如图2所示,其中,Si为每一个时间维度对应的自动编码器,X1,X2,……Xi为输入数据,为重构数据,为隐藏层,为重构邻居向量。动态网络嵌入过程包括对动态网络进行建模,对每一个用户节点数据集根据不同的规则将数据集分为不同的时间层,以用户的邻居节点ai和aj作为自动编码器的输入xi=ai、xj=aj进入自动编码器,并且在不同的时间维度中变换不同的输入变量进行嵌入。
一较佳的实施例中,步骤S02中还包括获取节点的邻接矩阵,并将每一对节点的邻域作为输入,节点输入之后,针对自动编码器计算连续层之间的宽度,从编码器的输入层和第一个隐藏层开始,如果连续两层之间不满足动态更新机制,则增加层宽度;编码器和解码器的倒数第二层和嵌入层之间不满足动态更新机制,则在这两层中间添加更多层,直到满足动态更新机制为止;所述动态更新机制为:Length(Lk+1)≥β×Length(Lk),其中,β为参数,β∈(0,1),Lk为k层的编码向量,Length(Lk)表示向量的长度。
一较佳的实施例中,步骤S02中在得到输出向量后隐藏层使用Relu激活函数对模型进行非线性变换,将输入的连续变量值压缩在0到1之间,生成相应的损失函数,在每一个时间维度最小化该损失函数:
其中,A1和B1是损失函数权重的超参数,W(K)、为权重向量,Lfir是整个图的一阶近似,La和Lb为模型的正则化参数,T3为时间系数,k表示嵌入层数,K表示第k层嵌入层,yi-1是第i-1个自编码器的嵌入向量,yi是第i个自编码器的嵌入向量,L3是与时间系数对应的时间化系数,是动态网络层数的根次方;
在给定的节点S1,S2……Si中,我们将每一个d维的节点邻居向量作为输入,通过自动编码器进行传递从而生成d维嵌入向量。其中Yi=Y(k)为生成的d维嵌入向量作为输出,然后解码器从嵌入的向量Yi重构邻居向量。
利用Adam优化器更新和计算影响模型训练和模型输出的网络参数,通过模型在每一时间维度学习自动编码器的参数βt,得到t时刻的输出向量Yt (k)。
La和Lb作为模型的正则化参数,为了防止模型的过度拟合。这里增加了Lloss2损失函数项,T3为该项的时间系数,可根据动态网络的层数变化动态更新损失函数进行优化训练。
一较佳的实施例中,步骤S03中,利用节点输出向量通过边函数计算两个用户节点之间的边特征;具体的边函数公式如下:
average=0.5×(a+b)
其中,a、b为两个节点;当然也可以为其他边函数,本发明不做限定。
随后进行训练与预测,利用嵌入过程获取的嵌入向量及计算的边特征,并产生边嵌入函数的分数;
利用正、负训练集和测试集、边函数以及边特征,设定嵌入维度,得到训练边集和测试边集;
在获取的测试边集中利用线性概率预测函数预测边函数的分数,即两节点之间在未来可能链接的概率;这里的预测函数是通用的一个函数,给出了一个预测函数的名次。
对每一个边嵌入函数的分数进行降序排序,选取前k个概率最大的相连接的边,则每一条边中与目标节点相连接的节点即为待推荐的用户节点。
另一实施例中,如图3所示,本发明还公开了一种基于动态网络嵌入的个性化推荐系统,包括:
节点输入向量获取模块10,获取动态网络中节点输入向量;
节点输出向量获取模块20,输入向量经过编码器的隐藏层到输出层,在损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练,根据节点的变化扩展隐藏层数量,得到节点输出向量;
推荐模块30,利用节点输出向量进行链接预测,得到节点间的链接概率,对节点链接概率逆序排序,选取一定数量概率的链接对应的节点生成项目推荐结果集合。
基于动态网络嵌入的个性化推荐系统的推荐算法框架如图4所示:
本发明是通过在动态网络中进行建模,利用自动编码器获取节点输出向量并进行链接预测实现个性化推荐的过程,具体实现步骤细化如下:
步骤1:个性化推荐预处理过程
由于本发明是对动态网络进行建模,所以首先对每一个用户节点数据集根据不同的规则(例如:某一个用户选择相同的项目n次所用的时间)将数据集分为不同的时间层进行后续实验。
步骤2:个性化推荐中间过程(获取节点输出向量)
根据预处理阶段对网络进行分层,获取节点的邻接矩阵,并针对图中的每一对节点都将他们的邻域作为输入。
节点输入之后,针对自动编码器计算连续层之间的宽度,从编码器的输入层和第一个隐藏层开始,如果连续两层之间不满足该机制则增加层宽度。编码器和解码器的倒数第二层和嵌入层之间不满足以上机制,则在这两层中间添加更多层,直到满足机制为止。本发明将我们的深度自编码器与动态更新机制进行结合,可以根据节点数随时间变化的同时增加隐藏层数量,具体公式如下:
Length(Lk+1)≥β×Length(Lk)
模型通过在每一个时间维度进行深度自编码的嵌入学习,通过一系列的编码和解码,并将Y(k)作为嵌入的输出向量。在得到输出向量后隐藏层使用Relu激活函数对模型进行非线性变换,将输入的连续变量值压缩在0到1之间,生成相应的损失函数。为了学习模型参数,要在每一个时间维度最小化该损失函数:
利用Adam优化器更新和计算影响模型训练和模型输出的网络参数。根据不同动态网络层数的变化,这里的损失函数会根据每一种网络的层数的变化,动态更新损失函数,并进行优化,经过一系列迭代过程直到损失值不再下降,训练过程完成。通过模型在每一时间维度学习自动编码器的参数βt,并将Yt (k)作为t时刻的输出向量。
步骤3:个性化推荐预测过程
获取到的节点输出向量,通过边函数计算两个用户节点之间的边特征,具体的边函数公式如下:
average=0.5×(a+b)
其中,a、b为两个节点;
随后进行训练与预测,利用嵌入过程获取到的嵌入向量以及average边函数计算边特征,并产生边嵌入函数的分数(边概率)。
利用之前产生的正、负训练集和测试集、边函数以及边特征,设定嵌入维度,得到训练边集和测试边集。
在获取到的测试边集中利用预测函数预测边函数的分数,即两节点之间在未来可能链接的概率。
最后对每一个边嵌入函数的分数进行降序排序,选取前k个概率最大的相连接的边。则每一条边中与目标节点相连接的节点即为待推荐的用户节点。
另一实施例中,上述任一种基于动态网络嵌入的个性化推荐方法或系统可以嵌入到个性化推荐设备中。
另一实施例中,上述任一种基于动态网络嵌入的个性化推荐方法或系统可以存在存储介质中。
下面通过具体实施例,对本发明的具体技术方案作进一步具体的说明。
实例:某电影网站为用户提供个性化推荐
某电影网站经初步筛选处理,获得近1年内评价积极的3200位用户对420个商品约11000条电影评价信息,每条商品评价信息包含用户名、电影名称、评价分数。
用户在该电影网站近1年观看并评价了约30个电影,用户1的个人信息包含性别、年龄和职业,用户详情:男、24、计算机行业。
为了得到精确的推荐结果,可以采用本发明算法为用户进行电影推荐。
运用本发明步骤1,将3200位用户代表的节点以用户观看30个电影所用的时间对动态网络进行分层。通过分层之后确定用户所属的分层有320个用户。
运用步骤2的推荐中间过程,将用户1的邻居作为输入利用自动编码器进行网络嵌入获取用户的输出向量;其次进行链接预测获取用户与其他用户在未来可能有链接的概率;最后选取前10个链接分数,所以此时有10个用户与目标用户有近似的喜好程度,所以将这10位用户所喜欢的电影推荐给用户1。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (9)
1.一种基于动态网络嵌入的个性化推荐方法,其特征在于,包括以下步骤:
S01:获取动态网络中节点输入向量;
S02:输入向量经过编码器的隐藏层到输出层,在损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练,根据节点的变化扩展隐藏层数量,得到节点输出向量;
S03:利用节点输出向量进行链接预测,得到节点间的链接概率,对节点链接概率逆序排序,选取一定数量概率的链接对应的节点生成项目推荐结果集合。
2.根据权利要求1所述的基于动态网络嵌入的个性化推荐方法,其特征在于,所述步骤S01中利用自动编码器的编码过程获取节点输入向量。
3.根据权利要求2所述的基于动态网络嵌入的个性化推荐方法,其特征在于,所述步骤S01中还包括对动态网络进行建模,对每一个用户节点数据集根据不同的规则将数据集分为不同的时间层,以用户的邻居节点ai和aj作为自动编码器的输入xi=ai、xj=aj进入自动编码器,并且在不同的时间维度中变换不同的输入变量进行嵌入。
4.根据权利要求3所述的基于动态网络嵌入的个性化推荐方法,其特征在于,所述步骤S02中还包括获取节点的邻接矩阵,并将每一对节点的邻域作为输入,节点输入之后,针对自动编码器计算连续层之间的宽度,从编码器的输入层和第一个隐藏层开始,如果连续两层之间不满足动态更新机制,则增加层宽度;编码器和解码器的倒数第二层和嵌入层之间不满足动态更新机制,则在这两层中间添加更多层,直到满足动态更新机制为止;所述动态更新机制为:Length(Lk+1)≥β×Length(Lk),其中,β为参数,β∈(0,1),Lk为k层的编码向量,Length(Lk)表示向量的长度。
5.根据权利要求1所述的基于动态网络嵌入的个性化推荐方法,其特征在于,所述步骤S02中在得到输出向量后隐藏层使用Relu激活函数对模型进行非线性变换,将输入的连续变量值压缩在0到1之间,生成相应的损失函数,在每一个时间维度最小化该损失函数:
其中,A1和B1是损失函数权重的超参数,W(K)、为权重向量,Lfir是整个图的一阶近似,La和Lb为模型的正则化参数,T3为时间系数,k表示嵌入层数,K表示第k层嵌入层,yi-1是第i-1个自编码器的嵌入向量,yi是第i个自编码器的嵌入向量,L3是与时间系数对应的时间化系数,是动态网络层数的根次方;
利用Adam优化器更新和计算影响模型训练和模型输出的网络参数,通过模型在每一时间维度学习自动编码器的参数βt,得到t时刻的输出向量Yt (k)。
6.根据权利要求1所述的基于动态网络嵌入的个性化推荐方法,其特征在于,所述步骤S03中,利用节点输出向量通过边函数计算两个用户节点之间的边特征;
随后进行训练与预测,利用嵌入过程获取的嵌入向量及计算的边特征,并产生边嵌入函数的分数;
利用正、负训练集和测试集、边函数以及边特征,设定嵌入维度,得到训练边集和测试边集;
在获取的测试边集中利用线性预测概率函数预测边函数的分数,即两节点之间在未来可能链接的概率;
对每一个边嵌入函数的分数进行降序排序,选取前k个概率最大的相连接的边,则每一条边中与目标节点相连接的节点即为待推荐的用户节点。
7.一种基于动态网络嵌入的个性化推荐系统,其特征在于,包括:
节点输入向量获取模块,获取动态网络中节点输入向量;
节点输出向量获取模块,输入向量经过编码器的隐藏层到输出层,在损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练,根据节点的变化扩展隐藏层数量,得到节点输出向量;
推荐模块,利用节点输出向量进行链接预测,得到节点间的链接概率,对节点链接概率逆序排序,选取一定数量概率的链接对应的节点生成项目推荐结果集合。
8.一种基于动态网络嵌入的个性化推荐设备,其特征在于,包括权利要求1-6所述的基于动态网络嵌入的个性化推荐方法。
9.一种存储介质,其特征在于,所述存储介质存储有权利要求1-6所述的基于动态网络嵌入的个性化推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359138.0A CN112989202B (zh) | 2021-04-02 | 2021-04-02 | 基于动态网络嵌入的个性化推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359138.0A CN112989202B (zh) | 2021-04-02 | 2021-04-02 | 基于动态网络嵌入的个性化推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989202A true CN112989202A (zh) | 2021-06-18 |
CN112989202B CN112989202B (zh) | 2024-01-12 |
Family
ID=76338981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359138.0A Active CN112989202B (zh) | 2021-04-02 | 2021-04-02 | 基于动态网络嵌入的个性化推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989202B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920503A (zh) * | 2018-05-28 | 2018-11-30 | 哈尔滨工程大学 | 一种基于社交网络信任度的微视频个性化推荐算法 |
CN110019163A (zh) * | 2017-12-05 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象特征的预测、推荐的方法、系统、设备和存储介质 |
CN111209386A (zh) * | 2020-01-07 | 2020-05-29 | 重庆邮电大学 | 一种基于深度学习的个性化文本推荐方法 |
CN111368074A (zh) * | 2020-02-24 | 2020-07-03 | 西安电子科技大学 | 一种基于网络结构和文本信息的链路预测方法 |
CN111460275A (zh) * | 2020-01-15 | 2020-07-28 | 华中科技大学 | 一种面向社交网络的动态网络表示学习方法及系统 |
US20200249918A1 (en) * | 2019-02-02 | 2020-08-06 | Microsoft Technology Licensing, Llc. | Deep learning enhanced code completion system |
US20210004421A1 (en) * | 2019-07-03 | 2021-01-07 | International Business Machines Corporation | Personalized recommender with limited data availability |
CN112446489A (zh) * | 2020-11-25 | 2021-03-05 | 天津大学 | 基于变分自编码器的动态网络嵌入链接预测方法 |
-
2021
- 2021-04-02 CN CN202110359138.0A patent/CN112989202B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019163A (zh) * | 2017-12-05 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象特征的预测、推荐的方法、系统、设备和存储介质 |
CN108920503A (zh) * | 2018-05-28 | 2018-11-30 | 哈尔滨工程大学 | 一种基于社交网络信任度的微视频个性化推荐算法 |
US20200249918A1 (en) * | 2019-02-02 | 2020-08-06 | Microsoft Technology Licensing, Llc. | Deep learning enhanced code completion system |
US20210004421A1 (en) * | 2019-07-03 | 2021-01-07 | International Business Machines Corporation | Personalized recommender with limited data availability |
CN111209386A (zh) * | 2020-01-07 | 2020-05-29 | 重庆邮电大学 | 一种基于深度学习的个性化文本推荐方法 |
CN111460275A (zh) * | 2020-01-15 | 2020-07-28 | 华中科技大学 | 一种面向社交网络的动态网络表示学习方法及系统 |
CN111368074A (zh) * | 2020-02-24 | 2020-07-03 | 西安电子科技大学 | 一种基于网络结构和文本信息的链路预测方法 |
CN112446489A (zh) * | 2020-11-25 | 2021-03-05 | 天津大学 | 基于变分自编码器的动态网络嵌入链接预测方法 |
Non-Patent Citations (1)
Title |
---|
陈可佳 等: "条件变分时序图自编码器", 《计算机研究与发展》, no. 8, pages 97 - 107 * |
Also Published As
Publication number | Publication date |
---|---|
CN112989202B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299396B (zh) | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 | |
CN111222054B (zh) | 一种基于上下文邻居关系建模的会话社交推荐方法 | |
CN112115377B (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN109389151B (zh) | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 | |
CN113256367B (zh) | 用户行为历史数据的商品推荐方法、系统、设备及介质 | |
CN107729290B (zh) | 一种利用局部敏感哈希优化的超大规模图的表示学习方法 | |
CN111428127B (zh) | 融合主题匹配与双向偏好的个性化事件推荐方法及系统 | |
Navgaran et al. | Evolutionary based matrix factorization method for collaborative filtering systems | |
CN112950324A (zh) | 一种知识图谱辅助的成对排序个性化电商推荐方法及系统 | |
CN112100485A (zh) | 一种基于评论的评分预测物品推荐方法及系统 | |
CN113505294A (zh) | 一种融合元路径的异质网络表示推荐算法 | |
CN113344615A (zh) | 一种基于gbdt和dl融合模型的营销活动预测方法 | |
JP2023530370A (ja) | 注意メカニズムを融合したパーソナライズド検索方法及び検索システム | |
CN109446420A (zh) | 一种跨域协同过滤方法和系统 | |
CN112699310A (zh) | 基于深度神经网络的冷启动跨域混合推荐的方法及系统 | |
Tembusai et al. | K-nearest neighbor with K-fold cross validation and analytic hierarchy process on data classification | |
CN117216281A (zh) | 一种基于知识图谱的用户兴趣扩散推荐方法及系统 | |
CN116797312A (zh) | 一种融合轻量图卷积网络和注意力机制的群组推荐方法 | |
CN112989202B (zh) | 基于动态网络嵌入的个性化推荐方法及系统 | |
CN116304289A (zh) | 基于图神经网络的供应链的信息链推荐方法及装置 | |
CN116257691A (zh) | 基于潜在图结构挖掘和用户长短期兴趣融合的推荐方法 | |
CN116306834A (zh) | 一种基于全局路径感知图神经网络模型的链路预测方法 | |
CN114065769B (zh) | 情感原因对抽取模型的训练方法、装置、设备及介质 | |
CN116226547A (zh) | 基于流式数据的增量图推荐方法 | |
US20220253688A1 (en) | Recommendation system with adaptive weighted baysian personalized ranking loss |
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 |