CN113297490A - 基于图卷积神经网络的双向推荐方法 - Google Patents

基于图卷积神经网络的双向推荐方法 Download PDF

Info

Publication number
CN113297490A
CN113297490A CN202110624821.2A CN202110624821A CN113297490A CN 113297490 A CN113297490 A CN 113297490A CN 202110624821 A CN202110624821 A CN 202110624821A CN 113297490 A CN113297490 A CN 113297490A
Authority
CN
China
Prior art keywords
node
characteristic value
class
data
neural 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
Application number
CN202110624821.2A
Other languages
English (en)
Other versions
CN113297490B (zh
Inventor
肖国强
翟尤
王晓蒙
唐小琴
马文卓
勾鑫晔
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.)
Southwest University
Original Assignee
Southwest 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 Southwest University filed Critical Southwest University
Priority to CN202110624821.2A priority Critical patent/CN113297490B/zh
Publication of CN113297490A publication Critical patent/CN113297490A/zh
Application granted granted Critical
Publication of CN113297490B publication Critical patent/CN113297490B/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
    • G06F16/90—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图卷积神经网络的双向推荐方法，包括步骤：S1.将双方中的一方作为A类节点，并确定A类节点的特征值；S2.将双方中的另一方作为B类节点，并确定B类节点的特征值；S3.根据A类节点与B类节点之间的关联关系，构建A类节点与B类节点之间的连通图；S4.将所述连通图中的每个节点作为目标节点，并基于图卷积神经网络对所述目标节点的特征值进行卷积操作处理，得到目标节点的推荐节点。本发明的一种基于图卷积神经网络的双向推荐方法，能够有效实现双向推荐，提高了匹配效率，节约了计算资源，具有更好的推荐效果。

Description

基于图卷积神经网络的双向推荐方法
技术领域
本发明涉及推荐领域，具体涉及一种基于图卷积神经网络的双向推荐方法。
背景技术
当今时代，互联网技术的飞速发展导致了信息的爆炸式增长，在这些海量的信息中，如何筛选出有价值的信息便成为了一个重要的问题，为了解决这个问题，人们提出了推荐系统。
推荐系统旨在通过分析复杂的、多维的信息，为用户做出合适的推荐。比如，在电商系统中，通过分析客户往常的购物习惯、近期的浏览历史和加入购物车的商品，向顾客推荐合适的商品。在社交网站中，通过分析用户对某些问题的发言和浏览时间，向用户推荐感兴趣的话题等。在人才市场中，通过分析人才的自身信息，知识领域和工作或实习经验，向企业推荐合适的人才。
目前市面上已经有很多成熟的方案来解决单向的推荐问题，然而，在现实生活中，对于处于合作关系等的两个实体或对象，采用双向推荐具有更重要的意义。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于图卷积神经网络的双向推荐方法，能够有效实现双向推荐，提高了匹配效率，节约了计算资源，具有更好的推荐效果。
本发明的基于图卷积神经网络的双向推荐方法，包括如下步骤：
S1.将双方中的一方作为A类节点，并确定A类节点的特征值；
S2.将双方中的另一方作为B类节点，并确定B类节点的特征值；
S3.根据A类节点与B类节点之间的关联关系，构建A类节点与B类节点之间的连通图；
S4.将所述连通图中的每个节点作为目标节点，并基于图卷积神经网络对所述目标节点的特征值进行卷积操作处理，得到目标节点的推荐节点。
进一步，根据如下步骤确定A类节点的特征值：
S11.按照数据类型对所述A类节点对应的数据进行分类，得到结构化数据以及非结构化数据；
S12.使用one hot编码对所述结构化数据进行处理，得到结构化数据的特征值；
S13.使用自然语言对所述非结构化数据进行处理，得到非结构化数据的特征值；
S14.对结构化数据的特征值与非结构化数据的特征值进行合并处理，得到A类节点对应数据的特征值；
S15.将所述A类节点对应数据的特征值作为A类节点的特征值。
进一步，根据如下公式确定非结构化数据的特征值：
Figure BDA0003100580000000021
其中，fus为非结构化数据的特征值；M为非结构化数据的总数；ci为第i项非结构化数据；wi为ci对应的权重；W为第二次卷积操作的总权重。
进一步，根据如下公式确定A类节点对应数据的特征值：
Fsum＝a1fus+a2fs；
其中，Fsum为A类节点对应数据的特征值；a1为非结构化数据对应的权重；fus为非结构化数据的特征值；a2为结构化数据对应的权重；fs为结构化数据的特征值。
进一步，所述步骤S4，具体包括：
S41.输出所述目标节点的特征值进行卷积操作后的特征值Fout；
S42.将所述特征值Fout转为一维向量f；
所述一维向量f＝[k1,k2,…,kj,…,kn]；其中，kj为目标节点对应的第j个关联节点的预测得分；
S43.获取一维向量f中预测得分的最大值，并将预测得分的最大值对应的关联节点作为目标节点的推荐节点。
进一步，根据如下公式确定卷积操作后的特征值Fout：
Fout＝Relu(Finw)；
其中，Fout为卷积操作后的特征值；Fin为卷积输入的特征值；w为神经网络参数；Relu()为激活函数。
本发明的有益效果是：本发明公开的一种基于图卷积神经网络的双向推荐方法，通过同时提取推荐对象的结构化特征和非结构化特征，进而实现对推荐对象的全方位描述，并根据需求增加或减少对推荐对象的描述条目，可以提高匹配效率；通过将不同的特征赋予不同的权重，可以获得更好的推荐效果；同时，将相互推荐的双方视为地位相同的两个主体分别进行计算，节省了计算资源。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图；
图2为本发明的节点数据信息与节点连通的示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图所示：
本发明的基于图卷积神经网络的双向推荐方法，包括如下步骤：
S1.将双方中的一方作为A类节点，并确定A类节点的特征值；其中，所述双方为相互之间具有买卖关系或合作关系等的两方；比如，双方可为买家与卖家或者为用户与平台或者为人才与企业；
S2.将双方中的另一方作为B类节点，并确定B类节点的特征值；
S3.根据A类节点与B类节点之间的关联关系，构建A类节点与B类节点之间的连通图；
S4.将所述连通图中的每个节点作为目标节点，并基于图卷积神经网络对所述目标节点的特征值进行卷积操作处理，得到目标节点的推荐节点。
这里将人才与企业作为双方进行举例说明，也即是将人才作为A类节点，将企业作为B类节点。
本实施例中，根据如下步骤确定A类节点的特征值：
S11.按照数据类型对所述A类节点对应的数据进行分类，得到结构化数据以及非结构化数据；其中，如图2所示，A类节点为人才时，人才的学历、学位以及专业代码为结构化数据；而与人才关联的研究方向以及项目信息等没有固定识别码，均为非结构化数据；
S12.使用one hot编码对所述结构化数据进行处理，得到结构化数据的特征值；其中，通过使用one hot编码可将类别变量转换为机器学习中易于利用的二进制形式，实现将相同类别映射为相同的二进制向量，使得不同类别之间拉开距离；所述one hot编码采用现有技术，在此不再赘述；
S13.使用自然语言对所述非结构化数据进行处理，得到非结构化数据的特征值；也即是，将人才中的非结构化数据使用卷积神经网络提取对应的特征值，该特征值是一个表示对应语句的数字矩阵；
S14.对结构化数据的特征值与非结构化数据的特征值进行合并处理，得到A类节点对应数据的特征值；
S15.将所述A类节点对应数据的特征值作为A类节点的特征值。
本实施例中，根据如下公式确定非结构化数据的特征值：
Figure BDA0003100580000000041
其中，fus为非结构化数据的特征值；M为非结构化数据的总数；ci为第i项非结构化数据；wi为ci对应的权重；W为第二次卷积操作的总权重。其中，所述wi和W都是神经网络训练中通过学习获得的参数值。
本实施例中，根据如下公式确定A类节点对应数据的特征值：
Fsum＝a1fus+a2fs；
其中，Fsum为A类节点对应数据的特征值；a1为非结构化数据对应的权重；fus为非结构化数据的特征值；a2为结构化数据对应的权重；fs为结构化数据的特征值。其中，根据非结构化数据与结构化数据在实际场景中重要程度的不同，所述a1取值为0.8，所述a2取值为0.2。
本实施例中，步骤S2中，确定B类节点的特征值的实现原理与确定A类节点的特征值的实现原理相同，在此不再赘述。
本实施例中，步骤S3中，如图2所示，通过查询往期项目，如果企业和人才曾经有过合作，则连接对应节点，进而得到连通图。
本实施例中，所述步骤S4，具体包括：
S41.输出所述目标节点的特征值进行卷积操作后的特征值Fout；其中，通过将连通图中目标节点的特征值输入到图卷积神经网络，可由图卷积神经网络输出所述特征值Fout；
S42.将所述特征值Fout转为一维向量f；其中，通过一个全连接层将所述特征值Fout转为一维向量f；
所述一维向量f＝[k1,k2,…,kj,…,kn]；其中，kj为目标节点对应的第j个关联节点的预测得分；若目标节点为人才，则所述关联节点为企业；若目标节点为企业，则所述关联节点为人才；本实施例中，通过构建评估向量，可以得到所述kj的取值范围为(0-1)；
S43.获取一维向量f中预测得分的最大值，并将预测得分的最大值对应的关联节点作为目标节点的推荐节点。
本实施例中，根据如下公式确定卷积操作后的特征值Fout：
Fout＝Relu(Finw)；
其中，Fout为卷积操作后的特征值；Fin为卷积输入的特征值；w为神经网络参数；Relu()为激活函数；其中，所述神经网络参数w可在图卷积神经网络训练中通过学习获得。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于图卷积神经网络的双向推荐方法，其特征在于：包括如下步骤：
S1.将双方中的一方作为A类节点，并确定A类节点的特征值；
S2.将双方中的另一方作为B类节点，并确定B类节点的特征值；
S3.根据A类节点与B类节点之间的关联关系，构建A类节点与B类节点之间的连通图；
S4.将所述连通图中的每个节点作为目标节点，并基于图卷积神经网络对所述目标节点的特征值进行卷积操作处理，得到目标节点的推荐节点。
2.根据权利要求1所述的基于图卷积神经网络的双向推荐方法，其特征在于：根据如下步骤确定A类节点的特征值：
S11.按照数据类型对所述A类节点对应的数据进行分类，得到结构化数据以及非结构化数据；
S12.使用one hot编码对所述结构化数据进行处理，得到结构化数据的特征值；
S13.使用自然语言对所述非结构化数据进行处理，得到非结构化数据的特征值；
S14.对结构化数据的特征值与非结构化数据的特征值进行合并处理，得到A类节点对应数据的特征值；
S15.将所述A类节点对应数据的特征值作为A类节点的特征值。
3.根据权利要求2所述的基于图卷积神经网络的双向推荐方法，其特征在于：根据如下公式确定非结构化数据的特征值：
Figure FDA0003100579990000011
其中，fus为非结构化数据的特征值；M为非结构化数据的总数；ci为第i项非结构化数据；wi为ci对应的权重；W为第二次卷积操作的总权重。
4.根据权利要求2所述的基于图卷积神经网络的双向推荐方法，其特征在于：根据如下公式确定A类节点对应数据的特征值：
Fsum＝a1fus+a2fs；
其中，Fsum为A类节点对应数据的特征值；a1为非结构化数据对应的权重；fus为非结构化数据的特征值；a2为结构化数据对应的权重；fs为结构化数据的特征值。
5.根据权利要求1所述的基于图卷积神经网络的双向推荐方法，其特征在于：所述步骤S4，具体包括：
S41.输出所述目标节点的特征值进行卷积操作后的特征值Fout；
S42.将所述特征值Fout转为一维向量f；
所述一维向量f＝[k1,k2,…,kj,…,kn]；其中，kj为目标节点对应的第j个关联节点的预测得分；
S43.获取一维向量f中预测得分的最大值，并将预测得分的最大值对应的关联节点作为目标节点的推荐节点。
6.根据权利要求5所述的基于图卷积神经网络的双向推荐方法，其特征在于：根据如下公式确定卷积操作后的特征值Fout：
Fout＝Relu(Finw)；
其中，Fout为卷积操作后的特征值；Fin为卷积输入的特征值；w为神经网络参数；Relu()为激活函数。
CN202110624821.2A 2021-06-04 2021-06-04 基于图卷积神经网络的双向推荐方法 Active CN113297490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110624821.2A CN113297490B (zh) 2021-06-04 2021-06-04 基于图卷积神经网络的双向推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110624821.2A CN113297490B (zh) 2021-06-04 2021-06-04 基于图卷积神经网络的双向推荐方法

Publications (2)

Publication Number Publication Date
CN113297490A true CN113297490A (zh) 2021-08-24
CN113297490B CN113297490B (zh) 2022-08-02

Family

ID=77327171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110624821.2A Active CN113297490B (zh) 2021-06-04 2021-06-04 基于图卷积神经网络的双向推荐方法

Country Status (1)

Country Link
CN (1) CN113297490B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446413A (zh) * 2018-09-25 2019-03-08 上海交通大学 基于物品关联关系的序列化推荐方法
CN110263232A (zh) * 2019-05-21 2019-09-20 安徽建筑大学 一种基于广度学习和深度学习的混合推荐方法
CN110490717A (zh) * 2019-09-05 2019-11-22 齐鲁工业大学 基于用户会话及图卷积神经网络的商品推荐方法及系统
CN110674407A (zh) * 2019-09-30 2020-01-10 杭州电子科技大学 基于图卷积神经网络的混合推荐方法
US20200035225A1 (en) * 2017-04-07 2020-01-30 Naver Corporation Data collecting method and system
CN111859166A (zh) * 2020-07-28 2020-10-30 重庆邮电大学 一种基于改进的图卷积神经网络的物品评分预测方法
CN112001186A (zh) * 2020-08-26 2020-11-27 重庆理工大学 一种利用图卷积神经网络和中文句法的情感分类方法
CN112380435A (zh) * 2020-11-16 2021-02-19 北京大学 基于异构图神经网络的文献推荐方法及推荐系统
CN112712165A (zh) * 2020-12-30 2021-04-27 杭州电子科技大学 一种基于图卷积神经网络的卷烟配方智能维护方法
CN112819308A (zh) * 2021-01-23 2021-05-18 罗家德 一种基于双向图卷积神经网络的头部企业识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200035225A1 (en) * 2017-04-07 2020-01-30 Naver Corporation Data collecting method and system
CN109446413A (zh) * 2018-09-25 2019-03-08 上海交通大学 基于物品关联关系的序列化推荐方法
CN110263232A (zh) * 2019-05-21 2019-09-20 安徽建筑大学 一种基于广度学习和深度学习的混合推荐方法
CN110490717A (zh) * 2019-09-05 2019-11-22 齐鲁工业大学 基于用户会话及图卷积神经网络的商品推荐方法及系统
CN110674407A (zh) * 2019-09-30 2020-01-10 杭州电子科技大学 基于图卷积神经网络的混合推荐方法
CN111859166A (zh) * 2020-07-28 2020-10-30 重庆邮电大学 一种基于改进的图卷积神经网络的物品评分预测方法
CN112001186A (zh) * 2020-08-26 2020-11-27 重庆理工大学 一种利用图卷积神经网络和中文句法的情感分类方法
CN112380435A (zh) * 2020-11-16 2021-02-19 北京大学 基于异构图神经网络的文献推荐方法及推荐系统
CN112712165A (zh) * 2020-12-30 2021-04-27 杭州电子科技大学 一种基于图卷积神经网络的卷烟配方智能维护方法
CN112819308A (zh) * 2021-01-23 2021-05-18 罗家德 一种基于双向图卷积神经网络的头部企业识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐冰冰 等: "图卷积神经网络综述", 《计算机学报》 *
武海龙: "基于卷积神经网络的协同过滤算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN113297490B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN110674407B (zh) 基于图卷积神经网络的混合推荐方法
Xiao et al. Feature-selection-based dynamic transfer ensemble model for customer churn prediction
CN106021364A (zh) 图片搜索相关性预测模型的建立、图片搜索方法和装置
CN109241366B (zh) 一种基于多任务深度学习的混合推荐系统及其方法
WO2019233077A1 (zh) 业务对象的排序
CN112967112B (zh) 一种自注意力机制和图神经网络的电商推荐方法
CN105786838A (zh) 一种信息匹配处理方法和装置
CN111737578A (zh) 一种推荐方法及系统
CN112487199A (zh) 一种基于用户购买行为的用户特征预测方法
CN112183881A (zh) 一种基于社交网络的舆情事件预测方法、设备及存储介质
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
CN110866042A (zh) 表格智能查询方法、装置及计算机可读存储介质
US20230245210A1 (en) Knowledge graph-based information recommendation
CN115545832A (zh) 商品搜索推荐方法及其装置、设备、介质
CN117216281A (zh) 一种基于知识图谱的用户兴趣扩散推荐方法及系统
Zeng et al. Collaborative filtering via heterogeneous neural networks
CN117635238A (zh) 一种商品推荐方法、装置、设备及存储介质
CN116308683B (zh) 基于知识图谱的服装品牌定位推荐方法、设备及存储介质
CN110750717B (zh) 一种排序权重更新方法
CN112905906A (zh) 一种融合局部协同与特征交叉的推荐方法及系统
CN113297490B (zh) 基于图卷积神经网络的双向推荐方法
CN111782928B (zh) 信息推送方法、装置和计算机可读存储介质
CN114429384B (zh) 基于电商平台的产品智能推荐方法及系统
CN112559640B (zh) 图谱表征系统的训练方法及装置
Varasteh et al. An Improved Hybrid Recommender System: Integrating Document Context-Based and Behavior-Based Methods

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