CN113139128A - 一种基于图卷积神经网络的博文推荐方法及系统 - Google Patents
一种基于图卷积神经网络的博文推荐方法及系统 Download PDFInfo
- Publication number
- CN113139128A CN113139128A CN202110495025.3A CN202110495025A CN113139128A CN 113139128 A CN113139128 A CN 113139128A CN 202110495025 A CN202110495025 A CN 202110495025A CN 113139128 A CN113139128 A CN 113139128A
- Authority
- CN
- China
- Prior art keywords
- social network
- relationship
- microblog social
- implicit
- network
- 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 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 108010006654 Bleomycin Proteins 0.000 claims description 5
- 229960001561 bleomycin Drugs 0.000 claims description 5
- OYVAGSVQBOHSSS-UAPAGMARSA-O bleomycin A2 Chemical compound N([C@H](C(=O)N[C@H](C)[C@@H](O)[C@H](C)C(=O)N[C@@H]([C@H](O)C)C(=O)NCCC=1SC=C(N=1)C=1SC=C(N=1)C(=O)NCCC[S+](C)C)[C@@H](O[C@H]1[C@H]([C@@H](O)[C@H](O)[C@H](CO)O1)O[C@@H]1[C@H]([C@@H](OC(N)=O)[C@H](O)[C@@H](CO)O1)O)C=1N=CNC=1)C(=O)C1=NC([C@H](CC(N)=O)NC[C@H](N)C(N)=O)=NC(N)=C1C OYVAGSVQBOHSSS-UAPAGMARSA-O 0.000 claims description 5
- 208000002352 blister Diseases 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 20
- 239000013598 vector Substances 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图卷积神经网络的博文推荐方法及系统。该方法包括:获取包括用户实体和博文实体的目标微博社交网络;将微博社交网络输入经训练的隐含关系预测模型,确定目标用户与博文的隐含关系;隐含关系预测模型包括编码器结构(门控图注意力网络模型)和解码器结构,门控图注意力网络模型包括一个图注意力层和一个门控层,图注意力层以不同重要性程度聚合微博社交网络中不同实体的信息,门控层对聚合后得到的信息进行选择和过滤;解码器包含一个最优评分函数,可以使用该评分函数对可能的新关系进行评分;根据使用评分函数对所述隐含关系的评分,确定向所述目标用户推荐的博文。本发明实现了适合用户个体的博文的自动化推荐。
Description
技术领域
本发明涉及博文推荐领域,特别是涉及一种基于图卷积神经网络的博文推 荐方法及系统。
背景技术
随着电子设备的大量普及以及信息技术和互联网技术的迅速发展,网络博 文数据呈现爆炸式增长,这为网民们提供大量信息的同时,也带来了信息选择 和过滤的困难。网络上大量存在来自各个领域的博文,人们越来越难从大量信 息中汲取自身感兴趣的并且有效的博文,以供阅读和借鉴;同时,有用的信息 也越来越难准确到达合适的用户,以便进行精准推荐。
寻找博文传统的做法是进入某个网页,输入博文标题进行搜索,这是低效 和片面的。在如今大数据时代背景下,如何自动化的寻找和推荐最适合的博文 成为迫切需要。
发明内容
本发明的目的是提供一种基于图卷积神经网络的自动化博文推荐方法及 系统,以实现对适合用户个体的博文推荐。
为实现上述目的,本发明提供了如下方案:
一种基于图卷积神经网络的博文推荐方法,包括:
获取微博社交网络;所述微博社交网络包括实体和实体间的关系,所述实 体包括用户和博文;当两用户之间为第一关系属性时,则在所述微博社交网络 中所述两用户之间存在一条边;当用户与博文之间为第二关系属性时,则在所 述微博社交网络中所述用户与所述博文之间存在一条边;
将所述微博社交网络输入经训练的隐含关系预测模型,确定目标用户与博 文的隐含关系;所述隐含关系预测模型包括一个编码器结构和一个解码器结 构,所述编码器结构用于对所述微博社交网络中实体间的隐含关系进行预测, 所述解码器结构用于判断解码器预测的所述隐含关系是否成立;所述编码器结 构包括门控图注意力网络模型,所述门控图注意力网络模型包括一个图注意力 层和一个门控层,所述图注意力层用于以不同重要性程度聚合微博社交网络中 不同实体的信息,所述门控层用于对聚合后得到的信息进行选择和过滤;所述 解码器结构包括一个最优评分函数,所述最优评分函数用于对所述隐含关系进 行评分以判断所述隐含关系是否成立;
根据被判断为成立的隐含关系确定向所述目标用户推荐的博文。
可选的,所述第一关系属性包括关注和好友。
可选的,所述第二关系属性至少包括发表、收藏、转发、点赞、评论中的 一种。
可选的,所述解码器结构为ConvKB模型。
可选的,在所述确定目标用户与博文的隐含关系之后,还包括:
更新所述微博社交网络:在所述微博社交网络中添加所述隐含关系。
本发明还提供了一种基于图卷积神经网络的博文推荐系统,包括:
微博社交网络获取模块,用于获取微博社交网络;所述微博社交网络包括 实体和实体间的关系,所述实体包括用户和博文;当两用户之间为第一关系属 性时,则在所述微博社交网络中所述两用户之间存在一条边;当用户与博文之 间为第二关系属性时,则在所述微博社交网络中所述用户与所述博文之间存在 一条边;
隐含关系预测模块,用于将所述微博社交网络输入经训练的隐含关系预测 模型,确定目标用户与博文的隐含关系;所述隐含关系预测模型包括一个编码 器结构和一个解码器结构,所述编码器结构用于对所述微博社交网络中实体间 的隐含关系进行预测,所述解码器结构用于判断解码器预测的所述隐含关系是 否成立;所述编码器结构包括门控图注意力网络模型,所述门控图注意力网络 模型包括一个图注意力层和一个门控层,所述图注意力层用于以不同重要性程 度聚合微博社交网络中不同实体的信息,所述门控层用于对聚合后得到的信息 进行选择和过滤;所述解码器结构包括一个最优评分函数,所述最优评分函数 用于对所述隐含关系进行评分以判断所述隐含关系是否成立;
推荐博文确定模块,用于根据被判断为成立的隐含关系确定向所述目标用 户推荐的博文。
可选的,所述第一关系属性包括关注和好友。
可选的,所述第二关系属性至少包括发表、收藏、转发、点赞、评论中的 一种。
可选的,所述解码器结构为ConvKB模型。
可选的,所述基于图卷积神经网络的博文推荐系统,还包括:
微博社交网络更新模块,用于更新所述微博社交网络:在所述微博社交网 络中添加所述隐含关系。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供 的基于图卷积神经网络的自动化博文推荐方法及系统,采用包含关系门控图注 意网络对微博社交网络中用户与博文之间的隐含关系进行预测,以实现微博社 交网络中用户与博文之间关系的补充和完善,最后用于博文推荐。进而,实现 了适合用户个体的博文自动化推荐。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是 本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性 的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于图卷积神经网络的博文推荐方法的流程 示意图;
图2为本发明实施例1中微博社交网络的结构示意图;
图3为本发明实施例1中具体的推荐博文确定方法的流程图;
图4为本发明实施例1中以单层GGAT层为例的隐含关系预测模型的结 构图;
图5为本发明实施例2提供的基于图卷积神经网络的博文推荐系统的结构 示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明的目的是提供一种基于图卷积神经网络的自动化博文推荐方法及 系统,以实现适合用户个体的博文自动化推荐。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和 具体实施方式对本发明作进一步详细的说明。
实施例1
参见图1,本实施例提供了一种基于图卷积神经网络的博文推荐方法,该 方法包括以下步骤:
步骤101:获取微博社交网络。
参见图2,所述微博社交网络包括实体和实体间的关系,所述实体包括用 户和博文。当两用户之间为第一关系属性时,则在所述微博社交网络中所述两 用户之间存在一条边,比如,如图2所示,人4关注了人3,则表示人4和人 3之间存在关系,反应在微博社交网络中即人4与人3之间存在一条边。当用 户与博文之间为第二关系属性时,则在所述微博社交网络中所述用户与所述博 文之间存在一条边,比如,如图2所示,人3发表了paper4,则表示人3和 paper4之间存在关系,反应在微博社交网络中即人3和paper4之间存在一条 边。
上述第一关系属性可以包括关注、好友,第二关系属性示例性的至少包括 发表、收藏、转发、点赞、访问、评论中的一种。
需要说明的是,该微博社交网络是包含目标用户的微博社交网络,可以是 包含整个社交平台实体与关系的社交网络。
步骤102:将所述微博社交网络输入经训练的隐含关系预测模型,确定所 述目标用户与博文的隐含关系。
所述隐含关系预测模型包括一个编码器结构和一个解码器结构,所述编码 器结构用于对所述微博社交网络中实体间的隐含关系进行预测,所述解码器结 构用于判断解码器预测的所述隐含关系是否成立;所述编码器结构包括门控图 注意力网络模型,所述门控图注意力网络模型包括一个图注意力层和一个门控 层,所述图注意力层用于以不同重要性程度聚合微博社交网络中不同实体的信 息,所述门控层用于对聚合后得到的信息进行选择和过滤;所述解码器结构包 括一个最优评分函数,所述最优评分函数用于对所述隐含关系进行评分以判断 所述隐含关系是否成立。
关系门控图注意力网络(GGAT)通过使用多注意力机制,以及同时对关 系进行建模,可对预测的关系进行强弱判断,使得微博社交网络的语义挖掘更 加充分有效,以使博文推荐更加精准有效。
步骤103:根据被判断为成立的隐含关系确定向所述目标用户推荐的博 文。
在一个示例中,在步骤102得到用户与博文的隐含关系后,还可以更新所 述微博社交网络,即在所述微博社交网络中添加所述隐含关系。下次调用该微 博社交网络便可直接调用更新后的微博社交网络。
下面对本实施例中用户与博文之间的隐含关系进行预测的过程进行介绍:
(1)微博社交网络
微博社交网络如图2所示。网络(图)的数学定义为G=(ν,ε),其中 ν={v1,v2,…,v|v|}表示节点(实体)的集合,表示边(关系)的集合;邻 接矩阵A∈R|v|×|v|表示当时,A[i][j]=0,否则A[i][j]∈R+,A[i][j]表示边缘的 权重;度矩阵D∈R|v|×|v|是一个对角矩阵,其中表示vi的度。
需要说明的是,图2中,节点表示某位用户(圆形表示)或者谋篇博文(椭 圆形表示);矩形框表示某位用户或者谋篇博文的相关属性信息(如用户的毕 业院校、户籍地、研究领域等,博文的发表领域、发表地点、发表渠道等); 蓝色实线表示用户和博文之间已经存在的关系,包括用户和用户之间的关系 (关注、好友等关系)、用户和博文之间的关系(发表、评论、点赞、收藏等 关系);绿色虚线表示由隐含关系预测模型(即RGGAT模型)计算的应该存 在的关系,则进行博文推荐;红色虚线表示由隐含关系预测模型(即RGGAT 模型)计算的不该存在的关系,则不进行博文推荐。其中的关系存在多跳和单 跳关系。比如对于绿色虚线1,由于节点“人4”关注了节点“人3”,而“人3”发 表了一篇和“人4”领域相关的“CNN”的博文“Paper4”,那么“人4”就很大可能对 “Paper4”感兴趣,则关系预测成立,那么我们应当把“Paper4”推荐给“人4”,并 且此关系是2跳关系;同理,绿色虚线2是3跳关系。
(2)隐含链接预测/隐含关系预测
隐含关系预测任务中使用三元组triple(h,r,t)表示微博社交网络数据,比如 微博社交网络中的某些三元组:(人3,关注,人2)、(人2,发表,Paper 2)、(人4,评论,Paper3)等等。triple表示一个实体(即微博社交网络中 的节点,用户或者博文),h表示头实体,t表示尾实体,r表示两个实体之间 连接的关系(即微博社交网络中的边,关注、点赞、评论等关系)。给定一个 不完整的三元组triple(h,?,t),隐含关系预测任务就是预测头尾实体h,t之间的关 系r(这里指预测用户与用户之间或者用户与博文之间的关系)。对于链接预 测任务的模型,目标是使用微博社交网络中现有的关系来预测实体之间的缺失 关系(即隐含的关系)。隐含关系预测任务首先用微博社交网络中的所有可能 的关系r替换每个测试三元组的关系r,以获得待定样本;然后,对于每个待 定样本,隐含关系预测模型将使用评分函数计算它的不可信评分值,以确定其 是否有资格作为新的三元组添加到现有的微博社交网络中去。若有资格,则说 明该关系预测成立,应当推荐该三元组中的博文给该三元组中的用户。
1)产生模型的输入(实体嵌入矩阵、关系嵌入矩阵)
将实体和关系的初始表示矩阵ν和ε(即采用随机、One Hot或其他算法 生成的、可唯一表示每一实体或关系的向量所构成的矩阵)输入到TransE模 型中进行预训练,以得到实体和关系的初始嵌入矩阵:
2)产生第一层GGAT层的输出
由1)中产生的实体初始嵌入矩阵E和关系初始嵌入矩阵R输入到GGAT 层中。该过程可参考图3展示:
a、产生一跳领域节点表示
然后对公式1依次执行以下操作:
公式2使用一个由一个权值向量进行参数化的线性变换对进行 操作以得到实体ei的绝对注意系数bijk,再由公式3得到其相对注意系数αijk, 表示ej对ei的在关系rk下的相对重要性。公式3中Ni表示实体ei的所有邻居,Ri,n表示连接实体ei,en的关系集合。公式4得到实体ei的新的表示,是由每个三元 组的表示通过以上注意力系数计算的加权和,其中σ(·)表示一个非线性激活函 数,在本工作中,我们使用ELU激活函数作为σ(·)。为了发掘自注意力机制能 力的极致,我们的模型引入了多头注意力机制,即采用多个注意力组件同时计 算公式4以获得多个不同的新嵌入向量,然后使用公式5对它们进行串联,最终使用公式6对串联后的嵌入进行糅合(通过计算平均值),以获得实体ei的 最终嵌入向量。
b、产生门控节点表示(即GGAT层的输出)
由上面a中获得的新的实体嵌入E′和实体初始嵌入E一起输入到门中执行 门控机制,由于这两个嵌入的维度不一致,我们用由权值矩阵参数化 的线性变换对实体的初始嵌入E进行了变换,Fe′是新的实体嵌入E′的维度,如 公式7所示:
E″=EWe (7)
其中E″(其中的每一行是变换后的各个实体嵌入)是实体 的初始嵌入变换后的嵌入表示,则将E′,E″输入到门中进行信息的选择和过滤。 具体来说,是将某个实体的初始嵌入变换后的嵌入和a中产生的新嵌入输 入到门中,计算该实体的门输出嵌入表示,如公式8和公式9所示:
其中和分别表示更新门和重置门,表示实体ei通过更新门和重置门后 的门控嵌入表示;Wz,Wr,Uz和Ur都是表示用于训练的权重参数矩阵。则实 体的初始嵌入和a中产生的新嵌入通过过滤后产生最终的实体嵌入表示,如公 式10和公式11所示:
其中,表示相同维数的两个向量的Hadamard乘积,W和U都是表示用 于训练的权重参数矩阵;公式11中的决定遗忘哪些信息,决定记 住哪些信息;表示实体ei的门控输出嵌入,即经过GGAT层后的最终嵌入 表示。
以上,实体和关系的初始嵌入输入GGAT层,通过多注意力机制,可以 得到实体新的最终的嵌入表示为F′e是实体嵌入的 新维度;于此同时,对于关系,我们通过简单地对关系嵌入矩阵进行线性变换 来学习关系的新嵌入表示,如公式12所示:
Rout=Rtr=RWR (12)
3)产生第二层GGAT层的输出
由b中产生的第一层的实体新的嵌入Eout和关系新的嵌入Rout输入到第二 层GGAT层中,同步骤2一样,执行多注意力机制a、b,得到第二层的GGA T层输出嵌入:Eout和Rout。
4)产生第三层GGAT层的输出
同3)。由3)中产生的第二层的实体新的嵌入Eout和关系新的嵌入Rout输 入到第三层的GGAT层中,同2)一样,执行多注意力机制(1)(2)得到第 三层的GGAT层输出嵌入:Eout和Rout。
编码器结构使用自定义的图卷积神经网络GGAT层,通过多注意力机制, 聚合中心节点一跳以及多跳领域节点的信息,并关注他们在不同关系下的重要 性程度,以加大节点之间的差异性程度,使得微博社交网络底层语义挖掘更加 合理有效。图4为单层GGAT层。
5)产生隐含关系预测评分函数
首先,在ConvKB模型中,嵌入三元组被看成一个3列矩阵A=[vh,vr,vt]∈RK×3,Ai,:∈R1×3表示矩阵A的第i行;然后将这个3列矩阵送入一 个卷积层,在该矩阵上操作多个滤波器ω∈R1×3以生成不同的特征图。ω的目的 不仅是研究在相同维度下嵌入三元组之间的全局关系,而且还可以概括过渡特 征。ω在矩阵A的每一行上重复操作,最终生成一个特征映射v=[v1,v2,...,vk]∈Rk如下公式13所示:
vi=g(ω·Ai,:+b) (13)
其中,b∈R是一个偏置项,g是一些激活函数,如ReLU。
然后将这些特征图通过串联操作连接成一个代表输入三元组的单一特征 向量∈Rτk×1,其中τ是滤波器的数量,k是维度数。该特征向量通过点积与权重 向量w∈Rτk×1相乘以返回分数。最后,这个分数被用来预测三元组是否有效。 其具有多个特征映射的评分函数如公式14所示:
其中,ωm表示第mth个卷积滤波器,Ω是一个超参数,表示使用的滤波器 数量,*是一个卷积算子,W∈Rωk×1表示用于计算三元组最终分数的线性变换 矩阵。RGGAT模型使用soft-margin损失通过Adam优化器进行训练,如公式 15所示:
解码器结构使用ConvKB模型对预测的三元组进行不可信评分,并根据评 分结果的高低进行关系预测,从而实现博文推荐。
6)博文推荐
通过训练,ConvKB模型将得到一个最优评分函数(即评分标准),然后 给定一个测试三元组,比如(人4,?,Paper4),?表示将要预测的关系, 该评分函数计算该关系为发表、关注、评论等的不可信评分结果,评分越低则 该三元组越有可能是有效的,则说明该三元组中的关系是预测正确的,那么三 元组中的用户“人4”很可能对该三元组中的博文“Paper4”感兴趣,我们应当将 该博文“Paper4”推荐给该用户“人4”。我们可取微博社交网络中的所有三元组 的评分值的平均值作为阈值,用于判断不可信评分的高低。
本发明实施例提供的基于图卷积神经网络的博文推荐方法具有以下优势:
(1)提出了一个新的微博社交网络嵌入模型:关系门控图注意力网络, 用于对微博社交网络中用户与博文之间的隐含关系进行预测,以实现微博社交 网络的补充和完善,最后用于博文推荐。
(2)GGAT层引入了多注意力机制。对于聚合一跳领域节点的信息, GGAT层沿用了经典图注意力卷积神经网络的思想,在中心节点直接连接的邻 居节点上执行注意力机制;对于聚合多跳领域节点的信息,GGAT层通过使用 门控机制对多跳领域节点的信息进行选择和过滤。
(3)GGAT层加入了关系信息。GGAT层可以同时处理节点信息和关系 信息,因此这里提出的多注意力机制不仅可以作用在节点上,还可以作用在节 点之间的关系上。扩展的GGAT层使得以不同关系连接的实体能够具有不同 的表示和不同的重要性程度,这样可以在模型训练过程中增加节点之间的差异 性,使得链接预测任务更加真实准确。
实施例2
参见图5,本实施例提供了一种基于图卷积神经网络的博文推荐系统,该 系统包括:
微博社交网络获取模块501,用于用于获取微博社交网络;所述微博社交 网络包括实体和实体间的关系,所述实体包括用户和博文;当两用户之间为第 一关系属性时,则在所述微博社交网络中所述两用户之间存在一条边;当用户 与博文之间为第二关系属性时,则在所述微博社交网络中所述用户与所述博文 之间存在一条边。
隐含关系预测模块502,用于将所述微博社交网络输入经训练的隐含关系 预测模型,确定所述目标用户与博文的隐含关系;所述隐含关系预测模型包括 一个编码器结构和一个解码器结构,所述编码器结构用于对所述微博社交网络 中实体间的隐含关系进行预测,所述解码器结构用于判断解码器预测的所述隐 含关系是否成立;所述编码器结构包括门控图注意力网络模型,所述门控图注 意力网络模型包括一个图注意力层和一个门控层,所述图注意力层用于以不同 重要性程度聚合微博社交网络中不同实体的信息,所述门控层用于对聚合后得 到的信息进行选择和过滤;所述解码器结构包括一个最优评分函数,所述最优 评分函数用于对所述隐含关系进行评分以判断所述隐含关系是否成立。
推荐博文确定模块503,用于根据被判断为成立的隐含关系确定向所述目 标用户推荐的博文。
作为本实施例的一种实施方式,基于图卷积神经网络的博文推荐系统还包 括:微博社交网络更新模块,用于更新所述微博社交网络:在所述微博社交网 络中添加所述隐含关系。
作为本实施例的一种实施方式,第一关系属性包括关注、好友。
作为本实施例的一种实施方式,第二关系属性至少包括发表、收藏、转发、 点赞、访问、评论中的一种。
作为本实施例的一种实施方式,所述预测评分模型为ConvKB模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是 与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较 简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的 一般技术人员,依据本发明的思想,在具体实施方式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)
1.一种基于图卷积神经网络的博文推荐方法,其特征在于,包括:
获取微博社交网络;所述微博社交网络包括实体和实体间的关系,所述实体包括用户和博文;当两用户之间为第一关系属性时,则在所述微博社交网络中所述两用户之间存在一条边;当用户与博文之间为第二关系属性时,则在所述微博社交网络中所述用户与所述博文之间存在一条边;
将所述微博社交网络输入经训练的隐含关系预测模型,确定目标用户与博文的隐含关系;所述隐含关系预测模型包括一个编码器结构和一个解码器结构,所述编码器结构用于对所述微博社交网络中实体间的隐含关系进行预测,所述解码器结构用于判断解码器预测的所述隐含关系是否成立;所述编码器结构包括门控图注意力网络模型,所述门控图注意力网络模型包括一个图注意力层和一个门控层,所述图注意力层用于以不同重要性程度聚合微博社交网络中不同实体的信息,所述门控层用于对聚合后得到的信息进行选择和过滤;所述解码器结构包括一个最优评分函数,所述最优评分函数用于对所述隐含关系进行评分以判断所述隐含关系是否成立;
根据被判断为成立的隐含关系确定向所述目标用户推荐的博文。
2.根据权利要求1所述的基于图卷积神经网络的博文推荐方法,其特征在于,所述第一关系属性包括关注和好友。
3.根据权利要求1所述的基于图卷积神经网络的博文推荐方法,其特征在于,所述第二关系属性至少包括发表、收藏、转发、点赞、评论中的一种。
4.根据权利要求1所述的基于图卷积神经网络的博文推荐方法,其特征在于,所述解码器结构为ConvKB模型。
5.根据权利要求1所述的基于图卷积神经网络的博文推荐方法,其特征在于,在所述确定目标用户与博文的隐含关系之后,还包括:
更新所述微博社交网络:在所述微博社交网络中添加所述隐含关系。
6.一种基于图卷积神经网络的博文推荐系统,其特征在于,包括:
微博社交网络获取模块,用于获取微博社交网络;所述微博社交网络包括实体和实体间的关系,所述实体包括用户和博文;当两用户之间为第一关系属性时,则在所述微博社交网络中所述两用户之间存在一条边;当用户与博文之间为第二关系属性时,则在所述微博社交网络中所述用户与所述博文之间存在一条边;
隐含关系预测模块,用于将所述微博社交网络输入经训练的隐含关系预测模型,确定目标用户与博文的隐含关系;所述隐含关系预测模型包括一个编码器结构和一个解码器结构,所述编码器结构用于对所述微博社交网络中实体间的隐含关系进行预测,所述解码器结构用于判断解码器预测的所述隐含关系是否成立;所述编码器结构包括门控图注意力网络模型,所述门控图注意力网络模型包括一个图注意力层和一个门控层,所述图注意力层用于以不同重要性程度聚合微博社交网络中不同实体的信息,所述门控层用于对聚合后得到的信息进行选择和过滤;所述解码器结构包括一个最优评分函数,所述最优评分函数用于对所述隐含关系进行评分以判断所述隐含关系是否成立;
推荐博文确定模块,用于根据被判断为成立的隐含关系确定向所述目标用户推荐的博文。
7.根据权利要求6所述的基于图卷积神经网络的博文推荐系统,其特征在于,所述第一关系属性包括关注和好友。
8.根据权利要求6所述的基于图卷积神经网络的博文推荐系统,其特征在于,所述第二关系属性至少包括发表、收藏、转发、点赞、评论中的一种。
9.根据权利要求6所述的基于图卷积神经网络的博文推荐系统,其特征在于,所述解码器结构为ConvKB模型。
10.根据权利要求6所述的基于图卷积神经网络的博文推荐系统,其特征在于,所述基于图卷积神经网络的博文推荐系统,还包括:
微博社交网络更新模块,用于更新所述微博社交网络:在所述微博社交网络中添加所述隐含关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495025.3A CN113139128B (zh) | 2021-05-07 | 2021-05-07 | 一种基于图卷积神经网络的博文推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495025.3A CN113139128B (zh) | 2021-05-07 | 2021-05-07 | 一种基于图卷积神经网络的博文推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139128A true CN113139128A (zh) | 2021-07-20 |
CN113139128B CN113139128B (zh) | 2024-03-01 |
Family
ID=76816855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110495025.3A Active CN113139128B (zh) | 2021-05-07 | 2021-05-07 | 一种基于图卷积神经网络的博文推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139128B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491150A (zh) * | 2022-03-28 | 2022-05-13 | 苏州浪潮智能科技有限公司 | 一种视频推荐方法、系统、设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190080383A1 (en) * | 2017-09-08 | 2019-03-14 | NEC Laboratories Europe GmbH | Method and system for combining user, item and review representations for recommender systems |
CN111126674A (zh) * | 2019-12-04 | 2020-05-08 | 浙江工业大学 | 基于深度模型的传播预测方法及其系统 |
CN111522962A (zh) * | 2020-04-09 | 2020-08-11 | 苏州大学 | 序列推荐方法、装置及计算机可读存储介质 |
CN112347362A (zh) * | 2020-11-16 | 2021-02-09 | 安徽农业大学 | 一种基于图自编码器的个性化推荐方法 |
CN112749757A (zh) * | 2021-01-21 | 2021-05-04 | 厦门大学 | 基于门控图注意力网络的论文分类模型构建方法及系统 |
-
2021
- 2021-05-07 CN CN202110495025.3A patent/CN113139128B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190080383A1 (en) * | 2017-09-08 | 2019-03-14 | NEC Laboratories Europe GmbH | Method and system for combining user, item and review representations for recommender systems |
CN111126674A (zh) * | 2019-12-04 | 2020-05-08 | 浙江工业大学 | 基于深度模型的传播预测方法及其系统 |
CN111522962A (zh) * | 2020-04-09 | 2020-08-11 | 苏州大学 | 序列推荐方法、装置及计算机可读存储介质 |
CN112347362A (zh) * | 2020-11-16 | 2021-02-09 | 安徽农业大学 | 一种基于图自编码器的个性化推荐方法 |
CN112749757A (zh) * | 2021-01-21 | 2021-05-04 | 厦门大学 | 基于门控图注意力网络的论文分类模型构建方法及系统 |
Non-Patent Citations (1)
Title |
---|
李超逸;张仰森;佟玲玲: "一种基于社区发现的微博个性化推荐算法", 微电子学与计算机, vol. 34, no. 6, 5 June 2017 (2017-06-05), pages 40 - 44 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491150A (zh) * | 2022-03-28 | 2022-05-13 | 苏州浪潮智能科技有限公司 | 一种视频推荐方法、系统、设备及计算机可读存储介质 |
CN114491150B (zh) * | 2022-03-28 | 2022-07-15 | 苏州浪潮智能科技有限公司 | 一种视频推荐方法、系统、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113139128B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110955834B (zh) | 一种知识图谱驱动的个性化精准推荐方法 | |
CN111737535B (zh) | 一种基于元结构和图神经网络的网络表征学习方法 | |
CN113378048B (zh) | 一种基于多视角知识图谱注意力网络的个性化推荐方法 | |
CN112256981B (zh) | 一种基于线性和非线性传播的谣言检测方法 | |
CN105183767A (zh) | 一种基于企业网络的企业业务相似度计算方法与系统 | |
CN114265986B (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和系统 | |
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 | |
Kazienko et al. | New business client acquisition using social networking sites | |
CN110119478B (zh) | 一种结合多种用户反馈数据的基于相似度的物品推荐方法 | |
CN110674857A (zh) | 一种基于多尺度堆叠网络的广告点击分类方法 | |
CN112256916B (zh) | 一种基于图胶囊网络的短视频点击率预测方法 | |
CN115374347A (zh) | 一种基于知识图注意力网络的社交推荐方法 | |
CN110472115B (zh) | 一种基于深度学习的社交网络文本情感细粒度分类方法 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN115375382A (zh) | 一种商品推荐方法、装置及相关设备 | |
CN116244513A (zh) | 随机群组poi推荐方法、系统、设备及存储介质 | |
CN115470994A (zh) | 基于显式时间和级联注意力的信息流行度预测方法和系统 | |
Yin et al. | An efficient recommendation algorithm based on heterogeneous information network | |
CN113139128A (zh) | 一种基于图卷积神经网络的博文推荐方法及系统 | |
CN114676315A (zh) | 基于增强图卷积的属性融合交互推荐模型构建方法及系统 | |
Millham et al. | Social media and big data | |
CN105279699A (zh) | 一种基于协同过滤并结合多类别非信任关系的推荐方法 | |
Jovanovic et al. | Trends and challenges of real-time learning in large language models: A critical review | |
CN106296420A (zh) | 一种社区发现方法 | |
CN115168653A (zh) | 基于领域间和领域内关系的跨领域推荐方法及系统 |
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 |