CN113094593B - 社交网络事件推荐方法、系统、设备及存储介质 - Google Patents
社交网络事件推荐方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113094593B CN113094593B CN202110264628.2A CN202110264628A CN113094593B CN 113094593 B CN113094593 B CN 113094593B CN 202110264628 A CN202110264628 A CN 202110264628A CN 113094593 B CN113094593 B CN 113094593B
- Authority
- CN
- China
- Prior art keywords
- event
- user
- matrix
- positive
- negative
- 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
- G06F16/9536—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
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于电子信息技术领域,公开了一种社交网络事件推荐方法、系统、设备及存储介质,包括以下步骤:获取社交网络的待推荐用户以及各待推荐事件;将待推荐用户分别与各待推荐事件进行组合,得到若干用户‑事件组;将各用户‑事件组分别输入预设的基于元图和注意力网络的评分预测模型,得到各用户‑事件组的评分;根据各用户‑事件组的评分,选取评分前预设数量高的用户‑事件组,并将选取的用户‑事件组中的待推荐事件推荐给待推荐用户。充分依赖于基于元图和注意力网络的评分预测模型所预测的评分,在评分预测过程彻底地利用异构社交网络各实体之间的交互关系及其所蕴含的复杂语义信息,进而能够提高评分预测模型的准确性,提升推荐的准确率。
Description
技术领域
本发明属于电子信息技术领域,涉及一种社交网络事件推荐方法、系统、设备及存储介质。
背景技术
近年来,随着智能移动设备和无线通信的流行,基于事件的社交网络的概念被提出,并以一种极快的速度爆炸式地发展。基于事件的社交网络为用户提供事件活动组织的平台,大量事件存在于网络上,网站会定期组织一定的事件活动,用户可以选择自己喜欢的事件进行参加。然而由于社交网络中的事件具有其独有的特征,使得事件推荐不同于一般的项目推荐,其中,冷启动和数据稀疏性是不得不面对的挑战性问题。这些问题需要使用基于事件的社交网络中丰富的异构信息,通常的做法是将基于事件的社交网络作为一个异构图,然后充分挖掘不同实体之间丰富的交互信息,然后需要对这些异构信息,尤其是元图中所蕴含的复杂语义信息,进行合理的分析处理来解决社交网络事件推荐中冷启动和数据稀疏性这两个极富挑战性的问题。
现有的基于图的社交网络事件推荐方法通常是重启随机游走的方法(RWR),该方法的核心思想是将社交网络的事件推荐问题转化为节点近似度的度量问题,具体是将基于事件的社交网络线上数据与线下数据相结合,根据事件的特性进行类别划分,进而进行用户相似度的计算,将用户相似度矩阵融入到线上网络中,最后根据重启随机游走完成用户的事件推荐,其中是将用户之间的相似度计算结果作为图节点之间的转移概率。
但是,该方法主要有以下三个缺点:(1)重启随机游走方法通常将异构图中所有节点和边作为同一类型,完全忽略了异构图中不同类型实体之间的不同交互影响;(2)重启随机游走方法通常是基于多变量马尔科夫链的方法来学习模型的权重,然而基于多变量马尔科夫链的方法需要手动设置在不同类型实体之间的影响权重;(3)重启随机游走方法会增加算法的时间复杂度,造成资源的浪费和成本的增加。基于这些缺点,导致目前在进行基于图的社交网络事件推荐时,现有重启随机游走方法的推荐准确率低、推荐成本高且推荐时间长。
发明内容
本发明的目的在于克服上述现有技术中,在进行基于图的社交网络事件推荐时,现有重启随机游走方法的推荐准确率低、推荐成本高且推荐时间长的缺点,提供一种社交网络事件推荐方法、系统、设备及存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
本发明第一方面,一种社交网络事件推荐方法,包括以下步骤:
获取社交网络的待推荐用户以及各待推荐事件;
将待推荐用户分别与各待推荐事件进行组合,得到若干用户-事件组;
将各用户-事件组分别输入预设的基于元图和注意力网络的评分预测模型,得到各用户-事件组的评分;
根据各用户-事件组的评分,选取评分前预设数量高的用户-事件组,并将选取的用户-事件组中的待推荐事件推荐给待推荐用户。
本发明社交网络事件推荐方法进一步的改进在于:
所述基于元图和注意力网络的评分预测模型通过如下方式构建:获取社交网络内各主体间交互关系的历史数据,得到历史交互数据,其中,所述主体至少包括用户及事件;根据历史交互数据,构建若干用于表示用户与事件之间关系的元图,并计算各元图的元图交换矩阵;根据历史交互数据,获取社交网络的历史正用户-事件交互数据集以及历史负用户-事件交互数据集;将元图交换矩阵和历史正用户-事件交互数据集输入预设的用户特征生成器,得到用户特征矩阵;将元图交换矩阵和历史正用户-事件交互数据集以及元图交换矩阵和历史负用户-事件交互数据集分别输入预设的事件特征生成器,得到正事件特征矩阵和负事件特征矩阵;逐个遍历各元图交换矩阵,得到若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵;将若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵分别通过注意力网络进行融合,得到融合用户特征矩阵、融合正事件特征矩阵以及融合负事件特征矩阵;构建基于因子分解机的初始评分预测模型,将融合用户特征矩阵和融合正事件特征矩阵输入初始评分预测模块,得到正事件评分值;将融合用户特征矩阵及融合负事件特征矩阵输入初始评分预测模块,得到负事件评分值;以正事件评分值与负事件评分值的差值最大化为目标构建目标函数,根据目标函数更新用户特征生成器、事件特征生成器、注意力网络及初始评分预测模型的参数,至初始评分预测模型收敛,得到基于元图和注意力网络的评分预测模型。
所述主体包括用户、事件、群组、位置以及主题;所述元图包括基于位置的用户-事件元图UEVE、基于群组的用户-事件元图UEGE、基于用户-事件历史交互数据的用户-事件元图UEUE、基于群组兴趣的用户-事件元图UTGE以及基于用户兴趣与用户-事件历史交互数据的用户-事件元图UT(E)UE。
所述计算各元图的元图交换矩阵的具体方法为:
UEVE的元图交换矩阵M1=UE*EV*(EV)T;UEGE的元图交换矩阵M2=UE*EG*(EG)T;UEUE的元图交换矩阵M3=UE*(UE)T*(UE);UTGE的元图交换矩阵M4=UT*(GT)T*(EG)T;UT(E)UE的元图交换矩阵M5=((UT*(UT)T)⊙(UE*(UE)T))*UE;
其中,UE表示用户-事件交互矩阵,如果用户u参加了事件j,UE的第u行第j列为1,否则为0,EV表示事件-位置交互矩阵,如果事件j发生在地点v,EV的第j行第v列为1,否则为0,EG表示事件-群组交互矩阵,如果事件j为群组g发布的,EG的第j行第g列为1,否则为0,UT表示用户-主题交互矩阵,如果用户u的兴趣标签包含主题t,则UT的第u行第t列为1,否则为0,GT表示群组-主题交互矩阵,如果群组g的兴趣标签包含主题t,则GT的第g行第t列为1,否则为0,T表示矩阵的转置运算,*表示矩阵相乘,⊙表示哈达玛积。
所述用户特征生成器与事件特征生成器均通过卷积神经网络构建。
所述将若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵分别通过注意力网络进行融合,得到融合用户特征矩阵、融合正事件特征矩阵以及融合负事件特征矩阵的具体方法为:将若干用户特征矩阵通过预设的用户注意力网络进行融合,得到融合用户特征矩阵;将若干正事件特征矩阵和若干负正事件特征矩阵分别通过预设的事件注意力网络进行融合,得到融合正事件特征矩阵和融合负事件特征矩阵;其中,用户注意力网络和事件注意力网络均使用一个全连接层组成,并使用softmax函数对学习的权值进行归一化。
所述以正事件评分值与负事件评分值的差值最大化为目标构建目标函数的具体方法为:以正事件评分值与负事件评分值的差值最大化为目标,采用贝叶斯个性化排序方法构造目标函数。
本发明第二方面,一种社交网络事件推荐系统,包括:
获取模块,用于获取社交网络的待推荐用户以及各待推荐事件;
组合模块,用于将待推荐用户分别与各待推荐事件进行组合,得到若干用户-事件组;
评分模块,用于将各用户-事件组分别输入预设的基于元图和注意力网络的评分预测模型,得到各用户-事件组的评分;
推荐模块,用于根据各用户-事件组的评分,选取评分前预设数量高的用户-事件组,并将选取的用户-事件组中的待推荐事件推荐给待推荐用户。
本发明第三方面,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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上述社交网络事件推荐方法的步骤。
本发明第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述社交网络事件推荐方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明社交网络事件推荐方法,针对现有事件推荐方法中,异构社交网络作为一个异构图所蕴含的复杂语义信息挖掘不充分的问题,特别是不同实体之间的交互关系很少被考虑的问题,提出一种社交网络事件推荐方法,该方法充分依赖于基于元图和注意力网络的评分预测模型所预测的评分,而评分预测模型又基于元图和注意力网络,通过根据异构社交网络不同实体之间的交互关系设计多个元图,通过对元图所蕴含的复杂语义信息进行充分挖掘从而学习得到用户与事件的潜在特征,进而实现在整个评分预测过程彻底地利用异构社交网络各实体之间的交互关系及其所蕴含的复杂语义信息,因此,能够大大提高评分预测模型的准确性,进而提升推荐的准确率。
进一步的,针对现有事件推荐方法中,只使用单一潜在特征或对多种潜在特征的贡献区分不明显的问题,在构建评分预测模型时,提出利用用户与事件注意力机制分别融合用户与事件的潜在特征,实现了对用户和事件中重要潜在特征有效地整合,进一步增强了重要潜在特征对待推荐事件评分预测的贡献。
附图说明
图1为本发明的社交网络事件推荐方法流程框图;
图2为本发明的一具体社交网络示意图;
图3为本发明的基于位置的用户-事件元图示意图;
图4为本发明的基于群组的用户-事件元图示意图;
图5为本发明的基于用户-事件历史交互数据的用户-事件元图示意图;
图6为本发明的基于群组兴趣的用户-事件元图示意图;
图7为本发明的基于用户兴趣与用户-事件历史交互数据的用户-事件元图示意图;
图8为本发明的交换矩阵计算原理示意图;
图9为本发明的评分预测模型构建过程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明一实施例中,提供一种社交网络事件推荐方法,具体为基于元图的新型深度注意力社交网络事件推荐方法,用于解决基于事件的社交网络中的冷启动和数据稀疏性问题。
其中,参见图2,示出了一种常见的社交网络的组成,是一个有向信息网络,在此社交网络中存在5种不同类型的实体:用户包括小明、小丽、小红及小阳;事件包括聚会及登山;群组包括G1及G2;位置包括兴庆公园及太白山;主题包括运动、社交及旅游。每一个事件由一个群组发布,在发布事件的时候会说明事件的举办地点,每个用户会有多个兴趣主题,加入多个群组,会参加群组发布的事件,每个群组有自己的主题。在本实施例中,为用户推荐其感兴趣的事件。
具体的,本发明社交网络事件推荐方法包括以下步骤。
S1:获取社交网络的待推荐用户以及各待推荐事件。
具体的,在推荐前需要确定待推荐用户,以及社交网络内能够进行推荐的待推荐事件,这些可以通过社交网络的基本记录信息得到。
S2:将待推荐用户分别与各待推荐事件进行组合,得到若干用户-事件组。
具体的,将待推荐用户与待推荐事件进行组合,形成用户-事件组,以此作为进行事件推荐的基础,一般是以集合对的形式存在,如:(用户,事件)。
S3:将各用户-事件组分别输入预设的基于元图和注意力网络的评分预测模型,得到各用户-事件组的评分。
具体的,通过预设的基于元图和注意力网络的评分预测模型,来对每个用户-事件组进行评分,该评分表示该用户-事件组中的待推荐用户对待推荐事件的感兴趣程度,评分越高表明待推荐用户对待推荐事件越感兴趣。
这个过程中,依赖于基于元图和注意力网络的评分预测模型对各用户-事件组评分的准确性,只有准确得到各用户-事件组的评分,才能实现事件的精准推荐,因此,本实施例中还公开一种基于元图和注意力网络的评分预测模型的构建方法,具体的,该基于元图和注意力网络的评分预测模型的构建方法包括以下步骤。
S301:获取社交网络内各主体间交互关系的历史数据,得到历史交互数据,其中,所述主体至少包括用户及事件;根据历史交互数据,构建若干用于表示用户与事件之间关系的元图,并计算各元图的元图交换矩阵。
具体的,首先需要进行数据集准备。获取历史上给定时间段内社交网络内各主体间交互关系的历史数据,得到历史交互数据。主体一般包括用户、事件、群组、位置及主题。对用户来说,包括用户ID、用户参与过的事件、用户加入的群组以及用户感兴趣的主题;对事件来说,包括事件ID、事件举办的位置及发布事件的群组,对群组来说,包括群组ID及群组的主题。本实施例中,获得的历史交互数据包括:用户-群组交互数据、事件-群组交互数据、用户-主题交互数据、事件-位置交互数据、群组-主题交互数据以及用户-事件交互数据。
然后根据获取的历史交互数据,构建若干用于表示用户与事件之间关系的元图。元图的定义:异构信息网络:使用有向图G=(V,E)表示一个异构信息网络,其中V表示对象集合,E表示边集合,一个异构信息网络与一个节点类型映射函数φ:V→A以及边类型映射函数ψ:E→R有关,也就是说对于任意的v∈V,φ(v)∈A以及对于任意的e∈E,ψ(e)∈R,其中,A与R为预先定义的对象类型集合与边类型集合。元图表示的是异构信息网络G=(V,E)中不同对象实体v∈V之间的一种关系,使用一个以单个源节点ns为起点、以单个目标节点nt为终点的有向非循环图M=(VM,EM,AM,RM,ns,nt)来表示,其中
具体的,本实施例中,参见图3至7,构建的元图包括基于位置的用户-事件元图UEVE、基于群组的用户-事件元图UEGE、基于用户-事件历史交互数据的用户-事件元图UEUE、基于群组兴趣的用户-事件元图UTGE以及基于用户兴趣与用户-事件历史交互数据的用户-事件元图UT(E)UE。
各元图的具体语义信息请参见表1。
表1元图语义信息表
元图 | 语义信息 |
UEVE | 和目标用户参加过的事件位置相同的事件 |
UEGE | 和目标用户参加过的事件由相同群组发布的事件 |
UEUE | 和目标用户参加过相同事件的用户参加的事件 |
UTGE | 和目标用户具有相同兴趣的群组发布的事件 |
UT(E)UE | 和目标用户参加过相同事件并且有相同主题的用户参加的事件 |
并计算各元图的交换矩阵,交换矩阵反映了用户与事件之间的相似度。
其中,各元图均按照下述方式计算各元图的元图交换矩阵:UEVE的元图交换矩阵M1=UE*EV*(EV)T;UEGE的元图交换矩阵M2=UE*EG*(EG)T;UEUE的元图交换矩阵M3=UE*(UE)T*(UE);UTGE的元图交换矩阵M4=UT*(GT)T*(EG)T;UT(E)UE的元图交换矩阵M5=((UT*(UT)T)⊙(UE*(UE)T))*UE。
其中,UE表示用户-事件交互矩阵,如果用户u参加了事件j,UE的第u行第j列为1,否则为0,EV表示事件-位置交互矩阵,如果事件j发生在地点v,EV的第j行第v列为1,否则为0,EG表示事件-群组交互矩阵,如果事件j为群组g发布的,EG的第j行第g列为1,否则为0,UT表示用户-主题交互矩阵,如果用户u的兴趣标签包含主题t,则UT的第u行第t列为1,否则为0,GT表示群组-主题交互矩阵,如果群组g的兴趣标签包含主题t,则GT的第g行第t列为1,否则为0,T表示矩阵的转置运算,*表示矩阵相乘;⊙表示哈达玛积,如果矩阵A与矩阵B进行哈达玛积,将矩阵A与B相应位置的元素相乘。
S302:根据历史交互数据,获取社交网络的历史正用户-事件交互数据集以及历史负用户-事件交互数据集。
具体的,根据历史交互数据,获取社交网络的历史正用户-事件交互数据集,这里的历史正用户-事件交互数据集是由若干历史正用户-事件交互数据组成的,其中,历史正用户-事件交互数据是指在历史上该用户参加过该事件。
同时,根据历史交互数据,获取社交网络的历史负用户-事件交互数据集,这里的历史负用户-事件交互数据集是由若干历史负用户-事件交互数据组成的,其中,历史负用户-事件交互数据是指在历史上该用户未参加过该事件,在获取时,一般是随机选择一个该用户历史上未参与的社交网络的事件。
S303:将元图交换矩阵和历史正用户-事件交互数据集输入预设的用户特征生成器,得到用户特征矩阵;将元图交换矩阵和历史正用户-事件交互数据集以及元图交换矩阵和历史负用户-事件交互数据集分别输入预设的事件特征生成器,得到正事件特征矩阵和负事件特征矩阵;逐个遍历各元图交换矩阵,得到若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵。
具体的,预设了用户特征生成器和事件特征生成器,分别用来学习用户特征和事件特征,用户特征生成器与事件特征生成器均通过卷积神经网络构建。
本实施例中,该卷积神经网络可以表示为:
h=conv(x;Ψ)
p=max-pooling(h)
y=fc(p;Φ)
其中,x为输入,y为输出,Ψ与Φ为要学习的参数,conv表示卷积操作,max-pooling表示最大池化操作。
本实施例中,参见图8,以交换矩阵M1为例说明特征矩阵的生成,将交换矩阵M1中与历史正用户-事件交互数据集中的用户对应的行提取出来,得到矩阵将交换矩阵M1中与历史正用户-事件交互数据集中的事件对应的列提取出来,得到矩阵/>将交换矩阵M1中与历史负用户-事件交互数据集中的事件对应的列提取出来,得到矩阵/>将矩阵/>和矩阵/>输入用户特征生成器,得到用户特征矩阵/>将矩阵/>和矩阵/>以及将矩阵和矩阵/>分别输入事件特征生成器,得到正事件特征矩阵/>和负事件特征矩阵/>/>
S304:将若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵分别通过注意力网络进行融合,得到融合用户特征矩阵、融合正事件特征矩阵以及融合负事件特征矩阵。
具体的,参见图9,将若干用户特征矩阵通过预设的用户注意力网络进行融合,得到融合用户特征矩阵;将若干正事件特征矩阵和若干负正事件特征矩阵分别通过预设的事件注意力网络进行融合,得到融合正事件特征矩阵和融合负事件特征矩阵;其中,用户注意力网络和事件注意力网络均使用一个全连接层组成,用户注意力网络用来学习各用户特征矩阵的权值,事件注意力网络用来学习各事件特征矩阵的权值,并使用softmax函数对学习的权值进行归一化。
S305:构建基于因子分解机的初始评分预测模型,将融合用户特征矩阵和融合正事件特征矩阵输入初始评分预测模块,得到正事件评分值;将融合用户特征矩阵及融合负事件特征矩阵输入初始评分预测模块,得到负事件评分值。
具体的,采用因子分解机作为初始评分预测模型,本实施例中,构建如下形式的初始评分预测模型:
其中,当计算用户的正事件评分值,将Fu、Fj进行拼接,得到x=FuFj,当计算用户的负事件评分值,将Fu、Fj′进行拼接,得到x=FuFj′,d表示输入矢量x的维度,w0表示全局偏置,w表示一阶权重矢量,V表示二阶权重矩阵,vi表示V的第i行,xi表示x的第i个元素。
S306:以正事件评分值与负事件评分值的差值最大化为目标构建目标函数,根据目标函数更新用户特征生成器、事件特征生成器、注意力网络及初始评分预测模型的参数,至初始评分预测模型收敛,得到基于元图和注意力网络的评分预测模型。
具体的,在构建目标函数时,本实施例中,以正事件评分值与负事件评分值的差值最大化为目标,采用贝叶斯个性化排序方法构造目标函数,目标函数可以表示如下式的形式:
其中,表示用户的正事件评分值,/>表示用户的负事件评分值,σ为sigmoid函数,Θ表示需要学习的参数,Ω(Θ)是标准L2正则化项,Utrain与Etrain分别表示社交网络中所有用户的集合以及所有事件的集合,/>表示用户u参与的属于Etrain的事件集合。
根据目标函数更新用户特征生成器、事件特征生成器、注意力网络及初始评分预测模型的参数,在修改模型参数时,针对用户特征生成器来说,修改卷积层与全连接层的权重及偏置等参数;针对事件特征生成器来说,修改卷积层与全连接层的权重及偏置等参数;针对用户注意力网络来说,修改一层全连接层的权重级偏置等参数;针对事件注意力网络来说,修改一层全连接层的权重及偏置等参数;针对初始评分预测模型来说,修改全局偏置、一阶权重矢量及二阶权重矩阵等参数,至初始评分预测模型收敛,得到基于元图和注意力网络的评分预测模型。
通过上述方法得到基于元图和注意力网络的评分预测模型,根据该评分预测模型来对每个用户-事件组进行评分,得到每个用户-事件组的评分值。
S4:根据各用户-事件组的评分,选取评分前预设数量高的用户-事件组,并将选取的用户-事件组中的待推荐事件推荐给待推荐用户。
具体的,将所有用户-事件组的评分值按照从高到底的顺序进行排列,选取前若干个用户-事件组中的待推荐事件推荐给待推荐用户。
综上所述,本发明社交网络事件推荐方法,针对现有事件推荐方法中,异构社交网络作为一个异构图所蕴含的复杂语义信息挖掘不充分的问题,特别是不同实体之间的交互关系很少被考虑的问题,提出的社交网络事件推荐方法充分依赖于基于元图和注意力网络的评分预测模型所预测的评分,而评分预测模型又是基于元图和注意力网络的,其中,根据异构社交网络不同实体之间的交互关系设计多个元图,通过对元图所蕴含的复杂语义信息进行充分挖掘从而学习得到用户与事件的潜在特征,在整个评分预测过程彻底地利用异构社交网络各实体之间的交互关系及其所蕴含的复杂语义信息,大大提高了评分预测模型的准确性,进而提升推荐的准确率。
同时,针对现有事件推荐方法中,只使用单一潜在特征或对多种潜在特征的贡献区分不明显的问题,在构建评分预测模型时,提出利用用户与事件注意力机制分别融合用户与事件的潜在特征,实现了对用户和事件中重要潜在特征有效地整合,进一步增强了重要潜在特征对待推荐事件评分预测的贡献。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
本发明再一实施例中,提供了一种社交网络事件推荐系统,能够用于实现上述的社交网络事件推荐方法,具体的,该社交网络事件推荐方法系统包括获取模块、组合模块、评分模块以及推荐模块。
其中,获取模块用于获取社交网络的待推荐用户以及各待推荐事件;组合模块,用于将待推荐用户分别与各待推荐事件进行组合,得到若干用户-事件组;评分模块用于将各用户-事件组分别输入预设的基于元图和注意力网络的评分预测模型,得到各用户-事件组的评分;推荐模块用于根据各用户-事件组的评分,选取评分前预设数量高的用户-事件组,并将选取的用户-事件组中的待推荐事件推荐给待推荐用户。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于社交网络事件推荐方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关社交网络事件推荐方法的相应步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种社交网络事件推荐方法,其特征在于,包括以下步骤:
获取社交网络的待推荐用户以及各待推荐事件;
将待推荐用户分别与各待推荐事件进行组合,得到若干用户-事件组;
将各用户-事件组分别输入预设的基于元图和注意力网络的评分预测模型,得到各用户-事件组的评分;
根据各用户-事件组的评分,选取评分前预设数量高的用户-事件组,并将选取的用户-事件组中的待推荐事件推荐给待推荐用户;
所述基于元图和注意力网络的评分预测模型通过如下方式构建:
获取社交网络内各主体间交互关系的历史数据,得到历史交互数据,其中,所述主体至少包括用户及事件;根据历史交互数据,构建若干用于表示用户与事件之间关系的元图,并计算各元图的元图交换矩阵;
根据历史交互数据,获取社交网络的历史正用户-事件交互数据集以及历史负用户-事件交互数据集;
将元图交换矩阵和历史正用户-事件交互数据集输入预设的用户特征生成器,得到用户特征矩阵;将元图交换矩阵和历史正用户-事件交互数据集以及元图交换矩阵和历史负用户-事件交互数据集分别输入预设的事件特征生成器,得到正事件特征矩阵和负事件特征矩阵;逐个遍历各元图交换矩阵,得到若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵;
将若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵分别通过注意力网络进行融合,得到融合用户特征矩阵、融合正事件特征矩阵以及融合负事件特征矩阵;
构建基于因子分解机的初始评分预测模型,将融合用户特征矩阵和融合正事件特征矩阵输入初始评分预测模块,得到正事件评分值;将融合用户特征矩阵及融合负事件特征矩阵输入初始评分预测模块,得到负事件评分值;
以正事件评分值与负事件评分值的差值最大化为目标构建目标函数,根据目标函数更新用户特征生成器、事件特征生成器、注意力网络及初始评分预测模型的参数,至初始评分预测模型收敛,得到基于元图和注意力网络的评分预测模型。
2.根据权利要求1所述的社交网络事件推荐方法,其特征在于,所述主体包括用户、事件、群组、位置以及主题;所述元图包括基于位置的用户-事件元图UEVE、基于群组的用户-事件元图UEGE、基于用户-事件历史交互数据的用户-事件元图UEUE、基于群组兴趣的用户-事件元图UTGE以及基于用户兴趣与用户-事件历史交互数据的用户-事件元图UT(E)UE。
3.根据权利要求2所述的社交网络事件推荐方法,其特征在于,所述计算各元图的元图交换矩阵的具体方法为:
UEVE的元图交换矩阵M1=UE*EV*(EV)T;UEGE的元图交换矩阵M2=UE*EG*(EG)T;UEUE的元图交换矩阵M3=UE*(UE)T*(UE);UTGE的元图交换矩阵M4=UT*(GT)T*(EG)T;UT(E)UE的元图交换矩阵M5=((UT*(UT)T)⊙(UE*(UE)T))*UE;
其中,UE表示用户-事件交互矩阵,如果用户u参加了事件j,UE的第u行第j列为1,否则为0,EV表示事件-位置交互矩阵,如果事件j发生在地点v,EV的第j行第v列为1,否则为0,EG表示事件-群组交互矩阵,如果事件j为群组g发布的,EG的第j行第g列为1,否则为0,UT表示用户-主题交互矩阵,如果用户u的兴趣标签包含主题t,则UT的第u行第t列为1,否则为0,GT表示群组-主题交互矩阵,如果群组g的兴趣标签包含主题t,则GT的第g行第t列为1,否则为0,T表示矩阵的转置运算,*表示矩阵相乘,⊙表示哈达玛积。
4.根据权利要求1所述的社交网络事件推荐方法,其特征在于,所述用户特征生成器与事件特征生成器均通过卷积神经网络构建。
5.根据权利要求1所述的社交网络事件推荐方法,其特征在于,所述将若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵分别通过注意力网络进行融合,得到融合用户特征矩阵、融合正事件特征矩阵以及融合负事件特征矩阵的具体方法为:
将若干用户特征矩阵通过预设的用户注意力网络进行融合,得到融合用户特征矩阵;将若干正事件特征矩阵和若干负正事件特征矩阵分别通过预设的事件注意力网络进行融合,得到融合正事件特征矩阵和融合负事件特征矩阵;
其中,用户注意力网络和事件注意力网络均使用一个全连接层组成,并使用softmax函数对学习的权值进行归一化。
6.根据权利要求1所述的社交网络事件推荐方法,其特征在于,所述以正事件评分值与负事件评分值的差值最大化为目标构建目标函数的具体方法为:
以正事件评分值与负事件评分值的差值最大化为目标,采用贝叶斯个性化排序方法构造目标函数。
7.一种社交网络事件推荐系统,其特征在于,包括:
获取模块,用于获取社交网络的待推荐用户以及各待推荐事件;
组合模块,用于将待推荐用户分别与各待推荐事件进行组合,得到若干用户-事件组;
评分模块,用于将各用户-事件组分别输入预设的基于元图和注意力网络的评分预测模型,得到各用户-事件组的评分;
推荐模块,用于根据各用户-事件组的评分,选取评分前预设数量高的用户-事件组,并将选取的用户-事件组中的待推荐事件推荐给待推荐用户;
所述基于元图和注意力网络的评分预测模型通过如下方式构建:
获取社交网络内各主体间交互关系的历史数据,得到历史交互数据,其中,所述主体至少包括用户及事件;根据历史交互数据,构建若干用于表示用户与事件之间关系的元图,并计算各元图的元图交换矩阵;
根据历史交互数据,获取社交网络的历史正用户-事件交互数据集以及历史负用户-事件交互数据集;
将元图交换矩阵和历史正用户-事件交互数据集输入预设的用户特征生成器,得到用户特征矩阵;将元图交换矩阵和历史正用户-事件交互数据集以及元图交换矩阵和历史负用户-事件交互数据集分别输入预设的事件特征生成器,得到正事件特征矩阵和负事件特征矩阵;逐个遍历各元图交换矩阵,得到若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵;
将若干用户特征矩阵、若干正事件特征矩阵及若干负事件特征矩阵分别通过注意力网络进行融合,得到融合用户特征矩阵、融合正事件特征矩阵以及融合负事件特征矩阵;
构建基于因子分解机的初始评分预测模型,将融合用户特征矩阵和融合正事件特征矩阵输入初始评分预测模块,得到正事件评分值;将融合用户特征矩阵及融合负事件特征矩阵输入初始评分预测模块,得到负事件评分值;
以正事件评分值与负事件评分值的差值最大化为目标构建目标函数,根据目标函数更新用户特征生成器、事件特征生成器、注意力网络及初始评分预测模型的参数,至初始评分预测模型收敛,得到基于元图和注意力网络的评分预测模型。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至6任一项所述社交网络事件推荐方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述社交网络事件推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264628.2A CN113094593B (zh) | 2021-03-11 | 2021-03-11 | 社交网络事件推荐方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264628.2A CN113094593B (zh) | 2021-03-11 | 2021-03-11 | 社交网络事件推荐方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094593A CN113094593A (zh) | 2021-07-09 |
CN113094593B true CN113094593B (zh) | 2023-03-28 |
Family
ID=76667790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110264628.2A Active CN113094593B (zh) | 2021-03-11 | 2021-03-11 | 社交网络事件推荐方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094593B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706325B (zh) * | 2021-07-30 | 2022-12-09 | 西安交通大学 | 一种面向事件社交网络的规划方法及系统 |
CN113704635B (zh) * | 2021-07-30 | 2024-05-24 | 西安交通大学 | 一种社交网络事件推荐方法及系统 |
CN114186069B (zh) * | 2021-11-29 | 2023-09-29 | 江苏大学 | 基于多模态异构图注意力网络的深度视频理解知识图谱构建方法 |
CN116094947B (zh) * | 2023-01-05 | 2024-03-29 | 广州文远知行科技有限公司 | 一种感知数据的订阅方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657034A (zh) * | 2017-09-28 | 2018-02-02 | 武汉大学 | 一种社交信息增强的事件社交网络推荐算法 |
CN110245285A (zh) * | 2019-04-30 | 2019-09-17 | 中国科学院信息工程研究所 | 一种基于异构信息网络的个性化推荐方法 |
WO2021038592A2 (en) * | 2019-08-30 | 2021-03-04 | Tata Consultancy Services Limited | System and method for handling popularity bias in item recommendations |
-
2021
- 2021-03-11 CN CN202110264628.2A patent/CN113094593B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657034A (zh) * | 2017-09-28 | 2018-02-02 | 武汉大学 | 一种社交信息增强的事件社交网络推荐算法 |
CN110245285A (zh) * | 2019-04-30 | 2019-09-17 | 中国科学院信息工程研究所 | 一种基于异构信息网络的个性化推荐方法 |
WO2021038592A2 (en) * | 2019-08-30 | 2021-03-04 | Tata Consultancy Services Limited | System and method for handling popularity bias in item recommendations |
Non-Patent Citations (3)
Title |
---|
Attentive Meta-graph Embedding for item Recommendation in heterogeneous information networks;Xie, Fenfang et al;《KNOWLEDGE-BASED SYSTEMS》;20210109;第1-13页 * |
图神经网络推荐研究进展;吴国栋等;《智能系统学报》;20201231(第01期);第20-30页 * |
基于双用户视角与知识图谱注意力网络的推荐模型;张素琪等;《现代计算机》;20200505(第13期);第4-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113094593A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094593B (zh) | 社交网络事件推荐方法、系统、设备及存储介质 | |
US11669744B2 (en) | Regularized neural network architecture search | |
CN110837602B (zh) | 基于表示学习和多模态卷积神经网络的用户推荐方法 | |
CN109902753B (zh) | 用户推荐模型训练方法、装置、计算机设备和存储介质 | |
CN110909880B (zh) | 一种基于深度知识追踪的众包任务预测方法 | |
CN111506820B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN111506835B (zh) | 一种融合用户时间特征和个性特征的数据特征提取方法 | |
CN111563192B (zh) | 实体对齐方法、装置、电子设备及存储介质 | |
CN111813921A (zh) | 题目推荐方法、电子设备及计算机可读存储介质 | |
CN112052404B (zh) | 多源异构关系网络的群体发现方法、系统、设备及介质 | |
Unger | Latent context-aware recommender systems | |
WO2021208535A1 (zh) | 基于自动特征分组的推荐方法及装置 | |
Godin et al. | Learning when not to answer: a ternary reward structure for reinforcement learning based question answering | |
CN111506821B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN115114421A (zh) | 一种问答模型训练方法 | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
CN112507245A (zh) | 基于图神经网络的社交网络好友推荐方法 | |
CN106407379A (zh) | 一种基于Hadoop平台的电影推荐方法 | |
CN115438169A (zh) | 一种文本与视频的互检方法、装置、设备及存储介质 | |
CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
CN104572915A (zh) | 一种基于内容环境增强的用户事件相关度计算方法 | |
CN116228361A (zh) | 基于特征匹配的课程推荐方法、装置、设备和存储介质 | |
CN115545833A (zh) | 一种基于用户社交信息的推荐方法及系统 | |
Pourheidari et al. | Recommender system based on extracted data from different social media. a study of twitter and linkedin | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 |
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 |