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 PDFInfo
- 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
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
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:
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:
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。
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。
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)
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 |
-
2021
- 2021-06-04 CN CN202110624821.2A patent/CN113297490B/zh active Active
Patent Citations (10)
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)
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 |