CN113220866B - 基于用户社交网络和产品相似度的推荐方法 - Google Patents

基于用户社交网络和产品相似度的推荐方法 Download PDF

Info

Publication number
CN113220866B
CN113220866B CN202110468866.5A CN202110468866A CN113220866B CN 113220866 B CN113220866 B CN 113220866B CN 202110468866 A CN202110468866 A CN 202110468866A CN 113220866 B CN113220866 B CN 113220866B
Authority
CN
China
Prior art keywords
user
product
similarity
feature vector
characteristic 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.)
Active
Application number
CN202110468866.5A
Other languages
English (en)
Other versions
CN113220866A (zh
Inventor
郭洁
周妍
王昊
宋彬
陈璐
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202110468866.5A priority Critical patent/CN113220866B/zh
Publication of CN113220866A publication Critical patent/CN113220866A/zh
Application granted granted Critical
Publication of CN113220866B publication Critical patent/CN113220866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于用户社交网络和产品相似度的推荐方法，包括：初始化用户特征向量和产品特征向量；构建用户‑用户社交关系图、用户‑产品交互图和产品知识图谱；通过用户‑产品交互图和用户‑用户社交关系图分别得到两个用户特征向量，比较两个用户特征向量，通过预设的第一相似度阈值指导用户特征向量迭代更新，得到优化的用户特征向量；相似地，通过用户‑产品交互图和产品知识图谱指导产品特征向量迭代更新，得到优化的产品特征向量；根据优化的用户特征向量和优化的产品特征向量，进行用户的偏好预测，得到推荐结果。本发明的方法可以得到更完备、更能表征用户产品关系的用户特征向量和产品特征向量，以实现精准的推荐。

Description

基于用户社交网络和产品相似度的推荐方法
技术领域
本发明属于数据挖掘技术领域，具体涉及一种基于用户社交网络和产品相似度的推荐方法。
背景技术
近年来，随着互联网技术的广泛应用，信息过载问题越来越严重，为了满足用户的个性化需求，在海量的数据中对信息进行筛选，推荐系统应运而生。通过推荐系统，可以将不同的产品精准地推荐给用户，大大节省了用户选购各种产品的时间，同时有利于产品的价值最大化。
传统的产品推荐系统主要包括两大类：基于产品内容属性相似度的内容过滤(Content-Based Filtering，CB)算法以及基于用户产品交互记录挖掘各自相似度的协同过滤(Collaboration Filtering，CF)算法。CB算法忽略了用户和产品之间复杂的交互关系，CF算法过于依赖历史交互记录，无法应对数据稀疏和冷启动问题，而且面对大规模网络时缺乏时效性。针对以上问题，基于知识图谱的推荐算法被提出。知识图谱(Knowledgegraph，KG)作为一种异构图，可以表征用户以及产品之间的内在属性关系，把用户以及产品的属性作为边缘信息引入推荐系统，得到用户以及产品之间的高阶隐式连接关系，可以很好的解决冷启动问题。
一直以来，知识图谱以及用户-产品交互图都是分别作为一个独立的图结构来优化推荐系统，随着互联网的普及，社交网络成为衡量用户属性以及用户之间关系的重要因素，用户之间的关系很大程度上会影响用户对于产品的选择。在现有方法中，传统产品相似度推荐和社交网络推荐是两个独立的推荐系统，对于每种图结构数据的使用都是独立的，随着数据爆炸性的增长，推荐系统的准确性和实时性都面临巨大的挑战。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于用户社交网络和产品相似度的推荐方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于用户社交网络和产品相似度的推荐方法，包括：
S1：初始化用户特征向量和产品特征向量；
S2：构建用户-用户社交关系图、用户-产品交互图和产品知识图谱；
S3：将所述用户特征向量分别输入所述用户-产品交互图和所述用户-用户社交关系图中，得到第一用户特征向量和第二用户特征向量，计算所述第一用户特征向量与所述第二用户特征向量的用户相似度，根据所述用户相似度以及预设的第一相似度阈值，迭代更新用户特征向量，得到优化的用户特征向量；
S4：将所述产品特征向量分别输入所述用户-产品交互图和所述产品知识图谱中，得到第一产品特征向量和第二产品特征向量，计算所述第一产品特征向量与所述第二产品特征向量的产品相似度，根据所述产品相似度以及预设的第二相似度阈值，迭代更新产品特征向量，得到优化的产品特征向量；
S5：根据所述优化的用户特征向量和所述优化的产品特征向量，进行用户的偏好预测，得到推荐结果。
在本发明的一个实施例中，所述S1包括：
将离散的节点特征向量映射为连续的向量，学习节点特征向量的低维潜在表示，其中，所述节点特征向量包括用户特征向量和产品特征向量。
在本发明的一个实施例中，所述S2包括：
S21：利用用户与用户之间的社交关系，构建得到所述用户-用户社交关系图：
Figure BDA0003044977340000031
其中，uo表示社交发起者，ue表示社交参与者，yuu表示用户与用户之间的社交关系，U表示用户集；
S22：利用用户与产品的历史交互记录，构建得到所述用户-产品交互图：
Figure BDA0003044977340000032
其中，I表示产品集，u表示用户集U中的任何一个用户，i表示产品集I中的任何一个产品，yui表示用户u和产品i之间的连接关系；
S23：利用产品的属性特征，构建得到所述产品知识图谱：
Figure BDA0003044977340000033
其中，h表示头实体，t表示尾实体，r表示实体之间的关系，R表示关系集。
在本发明的一个实施例中，所述S3包括：
S31：将所述用户特征向量输入所述用户-产品交互图中，通过图协同过滤算法对所述用户特征向量进行传播和聚合，得到所述第一用户特征向量；
S32：将所述用户特征向量输入所述用户-用户社交关系图中，通过图协同过滤算法对所述用户特征向量进行传播和聚合，得到所述第二用户特征向量；
S33：根据下式计算得到所述第一用户特征向量与所述第二用户特征向量的用户相似度，
Figure BDA0003044977340000041
其中，
Figure BDA0003044977340000042
表示第一用户特征向量，
Figure BDA0003044977340000043
表示第二用户特征向量；
S34：根据所述用户相似度，按照下式对所述第一用户特征向量与所述第二用户特征向量进行加权级联，得到优化的用户特征向量，
Figure BDA0003044977340000044
S35：比较所述用户相似度与所述第一相似度阈值，若所述用户相似度小于所述第一相似度阈值，则重复步骤S31-S34，对所述用户特征向量进行迭代更新，直至所述用户相似度达到所述第一相似度阈值，停止迭代。
在本发明的一个实施例中，所述S4包括：
S41：将所述产品特征向量输入所述用户-产品交互图中，利用图卷积网络对所述产品特征向量进行传播和聚合，得到所述第一产品特征向量；
S42：将所述产品特征向量输入所述产品知识图谱中，利用图卷积网络对所述产品特征向量进行传播和聚合，得到所述第二产品特征向量；
S43：根据下式计算得到所述第一产品特征向量与所述第二产品特征向量的产品相似度，
Figure BDA0003044977340000045
其中，
Figure BDA0003044977340000046
表示第一产品特征向量，
Figure BDA0003044977340000047
表示第二产品特征向量；
S44：根据所述产品相似度，按照下式对所述第一产品特征向量与所述第二产品特征向量进行加权级联，得到优化的产品特征向量，
Figure BDA0003044977340000048
S45：比较所述产品相似度与所述第二相似度阈值，若所述产品相似度小于所述第二相似度阈值，则重复步骤S41-S44，对所述产品特征向量进行迭代更新，直至所述产品相似度达到所述第二相似度阈值，停止迭代。
在本发明的一个实施例中，所述S5包括：
将所述优化的用户特征向量和所述优化的产品特征向量，输入预设的预测函数
Figure BDA0003044977340000051
得到用户对产品的偏好分数，根据偏好分数的排名，得到所述推荐结果，其中，所述预测函数
Figure BDA0003044977340000052
为执行内积操作的函数。
与现有技术相比，本发明的有益效果在于：
1.本发明的基于用户社交网络和产品相似度的推荐方法，利用用户之间的社交关系构建了用户-用户社交关系图，通过用户社交关系、产品属性以及用户与产品的交互记录对用户特征向量和产品特征向量进行同步并行更新，与现有技术相比，可以得到更完备、更能表征用户产品关系的用户特征向量和产品特征向量，以实现精准的推荐。
2.本发明的基于用户社交网络和产品相似度的推荐方法，将用户之间的社交关系引入到基于产品相似度的推荐方法中，利用社交关系挖掘相关用户对产品的偏好程度，实现社交网络推荐与产品相似度推荐的完美衔接，改善了数据稀疏和冷启动问题，进一步提高了推荐的精准度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明实施例提供的一种基于用户社交网络和产品相似度的推荐方法的流程图；
图2是本发明实施例提供的用户特征向量更新示意图；
图3是本发明实施例提供的产品特征向量更新示意图；
图4是传统的基于用户的协同过滤算法示意图；
图5是本发明实施例提供的基于用户-产品交互图的图协同过滤算法示意图；
图6是本发明实施例提供的图结构数据示意图；
图7是本发明实施例提供的仿真实验的召回率的结果图；
图8是本发明实施例提供的仿真实验的命中率的结果图；
图9是本发明实施例提供的仿真实验的精确率的结果图；
图10是本发明实施例提供的仿真实验的归一化折损累计增益的结果图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种基于用户社交网络和产品相似度的推荐方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
实施例一
请参见图1，图1是本发明实施例提供的一种基于用户社交网络和产品相似度的推荐方法的流程图。如图所示，本实施例的基于用户社交网络和产品相似度的推荐方法，包括：
S1：初始化用户特征向量和产品特征向量；
具体地，将离散的节点特征向量映射为连续的向量，学习节点特征向量的低维潜在表示，其中，节点特征向量包括用户特征向量和产品特征向量。
可选地，采用简单的BPRMF模型对用户特征向量和产品的特征向量进行预训练，以得到初始化的用户特征向量和产品特征向量。将初始化的用户特征向量和产品特征向量作为后续网络的输入，对其进行更新迭代。同时考虑到方便与传统推荐模型进行对比，本实施例中，采用Xavier初始化器来初始化网络的各个参数，采用自适应矩估计(Adam)作为网络训练的优化器，设置网络的学习率为0.0001。
S2：构建用户-用户社交关系图、用户-产品交互图和产品知识图谱；
具体地，包括：
S21：利用用户与用户之间的社交关系，构建得到用户-用户社交关系图：
Figure BDA0003044977340000071
其中，uo表示社交发起者，ue表示社交参与者，yuu表示用户与用户之间的社交关系，U表示用户集；
S22：利用用户与产品的历史交互记录，构建得到用户-产品交互图：
Figure BDA0003044977340000072
其中，I表示产品集，u表示用户集U中的任何一个用户，i表示产品集I中的任何一个产品，yui表示用户u和产品i之间的连接关系；
S23：利用产品的属性特征，构建得到产品知识图谱：
Figure BDA0003044977340000073
其中，h表示头实体，t表示尾实体，r表示实体之间的关系，R表示关系集，也就是实体之间的关系组成的集合。
S3：将用户特征向量分别输入用户-产品交互图和用户-用户社交关系图中，得到第一用户特征向量和第二用户特征向量，计算第一用户特征向量与第二用户特征向量的用户相似度，根据用户相似度以及预设的第一相似度阈值，迭代更新用户特征向量，得到优化的用户特征向量；
请结合参见图2，图2是本发明实施例提供的用户特征向量更新示意图。如图所示，在本实施例中，通过构建的用户-产品交互图和用户-用户社交关系图分别得到两个用户特征向量，然后利用两个用户特征向量的相似度来指导用户特征向量的更新。
具体地，S3包括：
S31：将用户特征向量输入用户-产品交互图中，通过图协同过滤算法对用户特征向量进行传播和聚合，得到第一用户特征向量；
S32：将用户特征向量输入用户-用户社交关系图中，通过图协同过滤算法对用户特征向量进行传播和聚合，得到第二用户特征向量；
S33：根据下式计算得到第一用户特征向量与第二用户特征向量的用户相似度，
Figure BDA0003044977340000081
其中，
Figure BDA0003044977340000082
表示第一用户特征向量，
Figure BDA0003044977340000083
表示第二用户特征向量；
S34：根据用户相似度，按照下式对第一用户特征向量与第二用户特征向量进行加权级联，得到优化的用户特征向量，
Figure BDA0003044977340000084
S35：比较用户相似度与第一相似度阈值，若用户相似度小于第一相似度阈值，则重复步骤S31-S34，对用户特征向量进行迭代更新，直至用户相似度达到第一相似度阈值，停止迭代。
在本实施例中，第一相似度阈值设置为0.85。需要说明的是，在本实施例中，用户特征向量更新模块设置有两层图协同过滤层，以对用户特征向量进行传播和聚合，设置中间层的特征维度为64、32、16
进一步地，以用户-产品交互图为例对图协同过滤算法进行具体说明。请结合参见图4和图5，图4是传统的基于用户的协同过滤算法示意图；图5是本发明实施例提供的基于用户-产品交互图的图协同过滤算法示意图。如图所示，传统的基于用户的协同过滤算法是根据用户-产品交互记录寻找具有相似行为的用户进行推荐。但传统的基于用户的协同过滤算法无法利用高阶关系来挖掘用户和产品的隐式连接。而本实施例的基于用户-产品交互图的协同过滤算法，将协同过滤算法的思想用在图网络的拓扑结构上，更利于表示用户和产品之间的高阶协同关系，得到更完备的用户特征向量。
具体地，在本实施例中，l阶用户特征向量通过以下公式计算：
Figure BDA0003044977340000091
其中，LeakyReLU为激活函数，
Figure BDA0003044977340000092
为用户自身通过高阶特征传播得到的特征向量，
Figure BDA0003044977340000093
为通过用户到产品的高阶特征传播得到的特征向量。
S4：将产品特征向量分别输入用户-产品交互图和产品知识图谱中，得到第一产品特征向量和第二产品特征向量，计算第一产品特征向量与第二产品特征向量的产品相似度，根据产品相似度以及预设的第二相似度阈值，迭代更新产品特征向量，得到优化的产品特征向量；
请结合参见图3，图3是本发明实施例提供的产品特征向量更新示意图。如图所示，在本实施例中，通过构建的用户-产品交互图和产品知识图谱分别得到两个产品特征向量，然后利用两个产品特征向量的相似度来指导产品特征向量的更新。
具体地，S4包括：
S41：将产品特征向量输入用户-产品交互图中，利用图卷积网络对产品特征向量进行传播和聚合，得到第一产品特征向量；
S42：将产品特征向量输入产品知识图谱中，利用图卷积网络对产品特征向量进行传播和聚合，得到第二产品特征向量；
S43：根据下式计算得到第一产品特征向量与第二产品特征向量的产品相似度，
Figure BDA0003044977340000101
其中，
Figure BDA0003044977340000102
表示第一产品特征向量，
Figure BDA0003044977340000103
表示第二产品特征向量；
S44：根据产品相似度，按照下式对第一产品特征向量与第二产品特征向量进行加权级联，得到优化的产品特征向量，
Figure BDA0003044977340000104
S45：比较产品相似度与第二相似度阈值，若产品相似度小于第二相似度阈值，则重复步骤S41-S44，对产品特征向量进行迭代更新，直至产品相似度达到第二相似度阈值，停止迭代。
在本实施例中，第二相似度阈值设置为0.85。
在本实施例中，产品特征向量更新模块设置有两层图卷积网络层，以产品特征向量进行传播和聚合。需要说明的是，为了保持用户特征向量更新模块与产品特征向量更新模块的矩阵维度的一致，产品特征向量更新模块设置中间层的特征维度为64、32、16。
进一步地，对图卷积网络进行具体说明。请参见图6，图6是本发明实施例提供的图结构数据示意图。图卷积即在图结构数据上执行卷积操作，如图6所示代表一个简单的图结构数据，其邻接矩阵可以表示为：
Figure BDA0003044977340000111
其中，1表示节点之间具有显式连接关系，否则为0。
在本实施例中，通过在用户-产品交互图和产品知识图谱上执行图卷积操作，对产品特征向量进行传播和聚合，对产品特征向量进行更新。
具体地，l阶产品特征向量通过以下公式计算：
Figure BDA0003044977340000112
其中，LeakyReLU为激活函数，Ni为节点i的邻居节点的集合，
Figure BDA0003044977340000113
为正则化参数，
Figure BDA0003044977340000114
di为节点i的度，dj为节点j的度，
Figure BDA0003044977340000115
为转移函数的参数矩阵。
S5：根据优化的用户特征向量和优化的产品特征向量，进行用户的偏好预测，得到推荐结果。
具体地，将优化的用户特征向量和优化的产品特征向量，输入预设的预测函数
Figure BDA0003044977340000116
得到用户对产品的评分，根据评分排名，得到推荐结果，其中，预测函数
Figure BDA0003044977340000117
为执行内积操作的函数。
本实施例的基于用户社交网络和产品相似度的推荐方法，利用用户之间的社交关系构建了用户-用户社交关系图，通过用户社交关系、产品属性以及用户与产品的交互记录对用户特征向量和产品特征向量进行同步并行更新，与现有技术相比，可以得到更完备、更能表征用户产品关系的用户特征向量和产品特征向量，以实现精准的推荐。将用户之间的社交关系引入到基于产品相似度的推荐方法中，利用社交关系挖掘相关用户对产品的偏好程度，实现社交网络推荐与产品相似度推荐的完美衔接，改善了数据稀疏和冷启动问题，进一步提高了推荐的精准度。
实施例二
本实施例对实施例一的基于用户社交网络和产品相似度的推荐方法，进行仿真实验，并与现有推荐方法对比进一步说明本发明的效果。
1.仿真实验条件：
操作系统：ubuntu 16.04，python3.6
实验平台：Tensorflow-GPU-1.12.0
处理器：Intel Core i7-7700k CPU@4.20GHZ×4
显卡：NVIDIA GeForce 1080Ti GPU
内存：32GB
2.仿真实验内容：
仿真实验一：社交网络推荐和产品相似度推荐的有效性实验
请参见图7-图10，图7是本发明实施例提供的仿真实验的召回率的结果图；图8是本发明实施例提供的仿真实验的命中率的结果图；图9是本发明实施例提供的仿真实验的精确率的结果图；图10是本发明实施例提供的仿真实验的归一化折损累计增益的结果图。
需要说明的是，在相同的实验仿真环境中，图7-图10中，基准方法和本发明提出的基于社交网络和产品相似度的推荐方法都属于基于知识图谱的推荐算法。
从图中可以看出，以top-15为例，本发明提出的方法在召回率(Recall)、命中率(Hit-Ratio)、精确率(Precision)、归一化折损累计增益(NDCG)分别可以达到0.155、0.337、0.027、0.039，与现有推荐方法(图中集中方法)相比分别实现了11.51％、11.21％、12.50％、9.45％的提升。即就是在4个推荐常用指标上，本实施例的方法均提升约10％，表明将社交网络引入产品相似度推荐方法中以及利用特征向量的相似度指导其自身的更新可以大幅提升推荐的精准度。
特别地，从图上也可以清晰地对比看到，本发明提出的推荐方法中的基于社交网络和产品相似度的推荐方法以及仅利用产品相似度的推荐方法都对推荐的精准度有大幅度的提高。
仿真实验二：系统收敛性能以及时间复杂度实验
在相同的实验环境中，将epoch设置为1700，观察基准方法与本发明提出的方法收敛性，从表1可以看出，基准方法约在epoch＝1400时趋于收敛，本发明提出的方法约在epoch＝1000时已趋于收敛，后逐渐稳定，本发明的方法与基准方法相比在训练时间上约缩短了25％。
表1时间复杂度(单位为秒)对比
方法 基准方法 本发明提出的方法
时间(秒) 1576.3 1179.2
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于用户社交网络和产品相似度的推荐方法，其特征在于，包括：
S1：初始化用户特征向量和产品特征向量；
S2：构建用户-用户社交关系图、用户-产品交互图和产品知识图谱；
S3：将所述用户特征向量分别输入所述用户-产品交互图和所述用户-用户社交关系图中，得到第一用户特征向量和第二用户特征向量，计算所述第一用户特征向量与所述第二用户特征向量的用户相似度，根据所述用户相似度以及预设的第一相似度阈值，迭代更新用户特征向量，得到优化的用户特征向量；
S4：将所述产品特征向量分别输入所述用户-产品交互图和所述产品知识图谱中，得到第一产品特征向量和第二产品特征向量，计算所述第一产品特征向量与所述第二产品特征向量的产品相似度，根据所述产品相似度以及预设的第二相似度阈值，迭代更新产品特征向量，得到优化的产品特征向量；
S5：根据所述优化的用户特征向量和所述优化的产品特征向量，进行用户的偏好预测，得到推荐结果。
2.根据权利要求1所述的基于用户社交网络和产品相似度的推荐方法，其特征在于，所述S1包括：
将离散的节点特征向量映射为连续的向量，学习节点特征向量的低维潜在表示，其中，所述节点特征向量包括用户特征向量和产品特征向量。
3.根据权利要求1所述的基于用户社交网络和产品相似度的推荐方法，其特征在于，所述S2包括：
S21：利用用户与用户之间的社交关系，构建得到所述用户-用户社交关系图：
Figure FDA0003044977330000021
其中，uo表示社交发起者，ue表示社交参与者，yuu表示用户与用户之间的社交关系，U表示用户集；
S22：利用用户与产品的历史交互记录，构建得到所述用户-产品交互图：
Figure FDA0003044977330000022
其中，I表示产品集，u表示用户集U中的任何一个用户，i表示产品集I中的任何一个产品，yui表示用户u和产品i之间的连接关系；
S23：利用产品的属性特征，构建得到所述产品知识图谱：
Figure FDA0003044977330000023
其中，h表示头实体，t表示尾实体，r表示实体之间的关系，R表示关系集。
4.根据权利要求1所述的基于用户社交网络和产品相似度的推荐方法，其特征在于，所述S3包括：
S31：将所述用户特征向量输入所述用户-产品交互图中，通过图协同过滤算法对所述用户特征向量进行传播和聚合，得到所述第一用户特征向量；
S32：将所述用户特征向量输入所述用户-用户社交关系图中，通过图协同过滤算法对所述用户特征向量进行传播和聚合，得到所述第二用户特征向量；
S33：根据下式计算得到所述第一用户特征向量与所述第二用户特征向量的用户相似度，
Figure FDA0003044977330000024
其中，
Figure FDA0003044977330000031
表示第一用户特征向量，
Figure FDA0003044977330000032
表示第二用户特征向量；
S34：根据所述用户相似度，按照下式对所述第一用户特征向量与所述第二用户特征向量进行加权级联，得到优化的用户特征向量，
Figure FDA0003044977330000033
S35：比较所述用户相似度与所述第一相似度阈值，若所述用户相似度小于所述第一相似度阈值，则重复步骤S31-S34，对所述用户特征向量进行迭代更新，直至所述用户相似度达到所述第一相似度阈值，停止迭代。
5.根据权利要求1所述的基于用户社交网络和产品相似度的推荐方法，其特征在于，所述S4包括：
S41：将所述产品特征向量输入所述用户-产品交互图中，利用图卷积网络对所述产品特征向量进行传播和聚合，得到所述第一产品特征向量；
S42：将所述产品特征向量输入所述产品知识图谱中，利用图卷积网络对所述产品特征向量进行传播和聚合，得到所述第二产品特征向量；
S43：根据下式计算得到所述第一产品特征向量与所述第二产品特征向量的产品相似度，
Figure FDA0003044977330000034
其中，
Figure FDA0003044977330000035
表示第一产品特征向量，
Figure FDA0003044977330000036
表示第二产品特征向量；
S44：根据所述产品相似度，按照下式对所述第一产品特征向量与所述第二产品特征向量进行加权级联，得到优化的产品特征向量，
Figure FDA0003044977330000037
S45：比较所述产品相似度与所述第二相似度阈值，若所述产品相似度小于所述第二相似度阈值，则重复步骤S41-S44，对所述产品特征向量进行迭代更新，直至所述产品相似度达到所述第二相似度阈值，停止迭代。
6.根据权利要求1所述的基于用户社交网络和产品相似度的推荐方法，其特征在于，所述S5包括：
将所述优化的用户特征向量和所述优化的产品特征向量，输入预设的预测函数
Figure FDA0003044977330000041
得到用户对产品的偏好分数，根据偏好分数的排名，得到所述推荐结果，其中，所述预测函数
Figure FDA0003044977330000042
为执行内积操作的函数。
CN202110468866.5A 2021-04-28 2021-04-28 基于用户社交网络和产品相似度的推荐方法 Active CN113220866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110468866.5A CN113220866B (zh) 2021-04-28 2021-04-28 基于用户社交网络和产品相似度的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110468866.5A CN113220866B (zh) 2021-04-28 2021-04-28 基于用户社交网络和产品相似度的推荐方法

Publications (2)

Publication Number Publication Date
CN113220866A CN113220866A (zh) 2021-08-06
CN113220866B true CN113220866B (zh) 2023-01-06

Family

ID=77089893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110468866.5A Active CN113220866B (zh) 2021-04-28 2021-04-28 基于用户社交网络和产品相似度的推荐方法

Country Status (1)

Country Link
CN (1) CN113220866B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592607A (zh) * 2021-08-12 2021-11-02 脸萌有限公司 产品推荐方法、装置、存储介质及电子设备
CN114398537A (zh) * 2021-12-06 2022-04-26 北京思特奇信息技术股份有限公司 一种基于动态关系嵌入的营销业务推荐方法及系统
CN114398558B (zh) * 2022-01-19 2023-05-23 北京百度网讯科技有限公司 信息推荐方法、装置、电子设备和存储介质
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
CN115114542B (zh) * 2022-08-26 2022-11-18 北京高德云信科技有限公司 一种对象推荐方法、系统、训练方法、介质及计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391906A (zh) * 2017-06-19 2017-11-24 华南理工大学 基于神经网络和图谱结构的健康饮食知识网络构建方法
CN109241449A (zh) * 2018-10-30 2019-01-18 国信优易数据有限公司 一种物品推荐方法及装置
CN109902186A (zh) * 2019-03-12 2019-06-18 北京百度网讯科技有限公司 用于生成神经网络的方法和装置
CN112149004A (zh) * 2020-10-30 2020-12-29 中国科学院计算技术研究所 一种基于协同知识图谱的个性化推荐方法
CN112364257A (zh) * 2020-11-13 2021-02-12 四川省人工智能研究院(宜宾) 一种基于知识图谱的用户群组推荐系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160104067A1 (en) * 2014-10-08 2016-04-14 Salesforce.Com, Inc. Recommendation platform

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391906A (zh) * 2017-06-19 2017-11-24 华南理工大学 基于神经网络和图谱结构的健康饮食知识网络构建方法
CN109241449A (zh) * 2018-10-30 2019-01-18 国信优易数据有限公司 一种物品推荐方法及装置
CN109902186A (zh) * 2019-03-12 2019-06-18 北京百度网讯科技有限公司 用于生成神经网络的方法和装置
CN112149004A (zh) * 2020-10-30 2020-12-29 中国科学院计算技术研究所 一种基于协同知识图谱的个性化推荐方法
CN112364257A (zh) * 2020-11-13 2021-02-12 四川省人工智能研究院(宜宾) 一种基于知识图谱的用户群组推荐系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Relation-Enhanced Multi-Graph Attention Network for Recommendation;Yu Fan，等;《2020 IEEE 11th International Conference on Software Engineering and Service Science (ICSESS)》;20201104;第11-16页 *
基于社交网络信任关系的服务推荐方法;王佳蕾，等;《计算机科学》;20181130;第45卷(第11A期);第402-407页 *

Also Published As

Publication number Publication date
CN113220866A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113220866B (zh) 基于用户社交网络和产品相似度的推荐方法
WO2020211566A1 (zh) 一种用户推荐方法和装置以及计算设备和存储介质
CN114048331A (zh) 一种基于改进型kgat模型的知识图谱推荐方法及系统
Wen et al. Distributionally-robust recommendations for improving worst-case user experience
CN111259263A (zh) 一种物品推荐方法、装置、计算机设备及存储介质
CN112131261B (zh) 基于社区网络的社区查询方法、装置和计算机设备
Behera et al. Handling data sparsity via item metadata embedding into deep collaborative recommender system
CN111339435B (zh) 一种基于潜在因子的矩阵分解补全混合推荐方法
Duan et al. A hybrid intelligent service recommendation by latent semantics and explicit ratings
CN111161009B (zh) 信息推送方法、装置、计算机设备和存储介质
Liu et al. REDRL: A review-enhanced Deep Reinforcement Learning model for interactive recommendation
CN115408605A (zh) 基于边信息和注意力机制的神经网络推荐方法及系统
Yu et al. A graph attention network under probabilistic linguistic environment based on Bi-LSTM applied to film classification
Liang et al. Individual diversity preference aware neural collaborative filtering
Yin et al. Deep collaborative filtering: a recommendation method for crowdfunding project based on the integration of deep neural network and collaborative filtering
CN115310004A (zh) 融合项目时序关系的图神经协同过滤推荐方法
CN115545834A (zh) 基于图神经网络与元数据的个性化服务推荐方法
Zhang et al. A CTR Prediction Model With Double Matrix-Level Cross-Features
Du et al. Learning structure perception MLPs on graphs: a layer-wise graph knowledge distillation framework
Yu et al. Construction of implicit social network and recommendation between users and items via the ISR-RRM algorithm
Chen et al. Incomplete data analysis
Zhang et al. Enhanced unsupervised graph embedding via hierarchical graph convolution network
CN110570048A (zh) 基于改进在线深度学习的用户需求预测方法
Shen et al. Graphs get personal: learning representation with contextual pretraining for collaborative filtering
CN114626379B (zh) 基于注意力机制挖掘目标实体的方法及装置

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