CN113434756A - 基于图双向聚合网络链接预测模型的个性化评论推荐方法 - Google Patents

基于图双向聚合网络链接预测模型的个性化评论推荐方法 Download PDF

Info

Publication number
CN113434756A
CN113434756A CN202110683196.9A CN202110683196A CN113434756A CN 113434756 A CN113434756 A CN 113434756A CN 202110683196 A CN202110683196 A CN 202110683196A CN 113434756 A CN113434756 A CN 113434756A
Authority
CN
China
Prior art keywords
user
comment
formula
graph
aggregation
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
CN202110683196.9A
Other languages
English (en)
Other versions
CN113434756B (zh
Inventor
舒明雷
王沐晨
王英龙
李钊
高天雷
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.)
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
Original Assignee
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
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 Qilu University of Technology, Shandong Computer Science Center National Super Computing Center in Jinan, Shandong Institute of Artificial Intelligence filed Critical Qilu University of Technology
Priority to CN202110683196.9A priority Critical patent/CN113434756B/zh
Publication of CN113434756A publication Critical patent/CN113434756A/zh
Priority to PCT/CN2021/131595 priority patent/WO2022262190A1/zh
Application granted granted Critical
Publication of CN113434756B publication Critical patent/CN113434756B/zh
Priority to US18/105,891 priority patent/US11748426B2/en
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
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • 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)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于图双向聚合网络链接预测模型的个性化评论推荐方法，在用户‑评论二部图中，聚合评论特征至用户特征。再结合社交网络，融合用户邻居特征得到用户的嵌入表示。然后将用户嵌入表示去除用户原始特征后聚合到评论中，通过对比评论聚合前后的差值来调整用户的嵌入表示。在此基础上，结合转发网络，通过边两端用户节点特征的内积计算边的得分，最后根据分数的高低进行推荐。通过推荐系统协助用户进行无视，将评论的推荐任务转化为小范围内用户之间的链接预测任务。并提供能够处理异类型数据的特征提取方法，使得最终结果更具可表示性。

Description

基于图双向聚合网络链接预测模型的个性化评论推荐方法
技术领域
本发明涉及个性化评论推荐技术领域，具体涉及一种基于图双向聚合网络链接预测模型的个性化评论推荐方法。
背景技术
网络“喷子”是一个很早就被观察到的现象。有关研究发现应对“喷子”的最佳策略，是避免回应，最好的办法就是无视。尽管通过时间倒序、热度高低、人工审核等方式对评论本身进行过筛选，但“喷子”问题仍未得到改善。推荐系统的发展为这一问题的解决提供帮助，但推荐结果的好坏很大程度上取决于输入特征的好坏。现有方法大多是针对独立且同类型的数据进行提取，虽具备一定的表达能力，但因缺失关联信息，仅通过同类型数据获取到的特征已不能满足推荐系统发展的需求，特别是对于推荐系统中普遍存在的异类数据的特征提取方法相对较少。
发明内容
本发明为了克服以上技术的不足，提供了一种能够处理一类数据，使最终结果更具可表示性的基于图双向聚合网络链接预测模型的个性化评论推荐方法。
本发明克服其技术问题所采用的技术方案是：
一种基于图双向聚合网络链接预测模型的个性化评论推荐方法，包括如下步骤：a)在有评论具体内容、用户关注关系以及评论转发关系的基础上构建用户-评论二部图、社交网络及转发网络；
b)将用户发表的评论转换成N维的评论原始特征hcom，初始化用户原始特征huser；
c)在用户-评论二部图中随机删去评论节点，通过公式
Figure BDA0003120872510000011
计算聚合得到的第i个用户特征
Figure BDA0003120872510000012
聚合后的所有用户特征为agghuser，SELU(·)为激活函数，Wagg为特征提取部分的权重，concat(·)为拼接函数，
Figure BDA0003120872510000021
为第i个节点的用户特征，
Figure BDA0003120872510000022
为第j个节点的评论特征，Ncom(i)为与第i个用户节点相关联的评论节点数量，aggregate为聚合函数，
Figure BDA0003120872510000023
式中ReLU(·)为激活函数，w为聚合函数内的权重，b为聚合函数内的偏置；
d)通过公式
Figure BDA0003120872510000024
计算融合得到的第i个用户邻居节点特征
Figure BDA0003120872510000025
式中αij为关联第i个用户和第j个评论边的注意力系数，
Figure BDA0003120872510000026
为第j个节点的用户特征；
e)通过公式
Figure BDA0003120872510000027
计算第i个用户的新的评论特征
Figure BDA0003120872510000028
所有用户的新的评论特征为agghcom，式中
Figure BDA0003120872510000029
为融合得到的第j个用户邻居节点的特征，Nuesr(i)为与第i个评论节点相关联的用户节点数量；
f)通过公式
Figure BDA00031208725100000210
计算得出特征聚合部分的损失函数值lossagg，式中
Figure BDA00031208725100000211
为损失函数，hcom为所有节点的评论特征，完成特征提取部分的模型建立；
g)通过公式preh＝GraphSAGE(gretweet,agghuser)利用GraphSAGE算法聚合邻居特征得到用户特征preh，式中gretweet为转发网络图结构；
h)通过公式score＝prehu·prehv以内积的形式计算正样本转发网络总各个边的得分score，式中prehu为正样本边的左侧端的用户节点特征，prehv为正样本边的右侧端的用户节点特征，通过公式score′＝prehu′·prehv′以内积的形式计算正样本转发网络总各个边的得分score′，式中prehu′为负样本边的左侧端的用户节点特征，prehv′为负样本边的右侧端的用户节点特征；
i)通过公式losspre＝max(0,M-score+score′)计算得到链接预测部分的损失函数值losspre，式中M为边界值，使M＝1，完成链接预测部分的模型建立；
j)通过公式Loss＝lossagg×agg+losspre×pre计算得到总损失Loss，式中agg为特征提取部分的权重，pre为连接预测部分的权重；
k)重复步骤c)至j)大于等于N次，完成模型的训练优化；
l)按照步骤h)中得分score的高低，由高到低生成推荐列表，按照该列表进行推荐。
优选的，步骤a)中通过负采样算法构建转发网络的负样本，K为负采样中的参数，K＝5。
进一步的，步骤b)中用户发表的评论经Doc2Vec转换成64维的评论原始特征hcom。
进一步的，步骤c)中在用户-评论二部图中以60％的概率随机删去评论节点。
进一步的，步骤d)中的αij采用GAT算法中注意力权重的计算方式计算得到。
优选的，步骤j)中agg＝1，pre＝2。
优选的，步骤k)中N的取值为100。
本发明的有益效果是：在用户-评论二部图中，聚合评论特征至用户特征。再结合社交网络，融合用户邻居特征得到用户的嵌入表示。然后将用户嵌入表示去除用户原始特征后聚合到评论中，通过对比评论聚合前后的差值来调整用户的嵌入表示。在此基础上，结合转发网络，通过边两端用户节点特征的内积计算边的得分，最后根据分数的高低进行推荐。通过推荐系统协助用户进行无视，将评论的推荐任务转化为小范围内用户之间的链接预测任务。并提供能够处理异类型数据的特征提取方法，使得最终结果更具可表示性。
附图说明
图1为本发明的特征提取流程图；
图2为本发明的链接预测流程图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种基于图双向聚合网络链接预测模型的个性化评论推荐方法，包括如下步骤：
a)在确保有评论具体内容、用户关注关系以及评论转发关系的基础上构建用户-评论二部图、社交网络及转发网络。
b)将用户发表的评论转换成N维的评论原始特征hcom，初始化用户原始特征huser。
c)在用户-评论二部图中，聚合评论节点特征至用户节点，具体的：在用户-评论二部图中随机删去评论节点，通过公式
Figure BDA0003120872510000041
计算聚合得到的第i个用户特征
Figure BDA0003120872510000042
聚合后的所有用户特征为agghuser，SELU(·)为激活函数，Wagg为特征提取部分的权重，concat(·)为拼接函数，
Figure BDA0003120872510000043
为第i个节点的用户特征，
Figure BDA0003120872510000044
为第j个节点的评论特征，Ncom(i)为与第i个用户节点相关联的评论节点数量，aggregate为聚合函数，
Figure BDA0003120872510000045
式中ReLU(·)为激活函数，w为聚合函数内的权重，b为聚合函数内的偏置。
d)在社交网络中，进一步融合邻居节点特征，构建用户的最终嵌入表示，具体的：通过公式
Figure BDA0003120872510000046
计算融合得到的第i个用户邻居节点特征
Figure BDA0003120872510000047
式中αij为关联第i个用户和第j个评论边的注意力系数，
Figure BDA0003120872510000051
为第j个节点的用户特征。
e)为了确保特征提取结果的有效性，从用户最终表示中去除用户特征后，融合用户特征至评论节点，生成新的评论特征agghcom，具体的：通过公式
Figure BDA0003120872510000052
计算第i个用户的新的评论特征
Figure BDA0003120872510000053
所有用户的新的评论特征为agghcom，式中
Figure BDA0003120872510000054
为融合得到的第j个用户邻居节点的特征，Nuesr(i)为与第i个评论节点相关联的用户节点数量。
f)对比原始评论特征与生成评论特征的不同，通过公式
Figure BDA0003120872510000055
计算得出特征聚合部分的损失函数值lossagg，式中
Figure BDA0003120872510000056
为损失函数，hcom为所有节点的评论特征。至此完成特征提取部分的模型建立。
g)在转发网络中，聚合邻居节点特征得到用户特征，具体的：通过公式preh＝GraphSAGE(gretweet,agghuser)利用GraphSAGE算法聚合邻居特征得到用户特征preh，式中gretweet为转发网络图结构。
h)通过公式score＝prehu·prehv以内积的形式计算正样本转发网络总各个边的得分score，式中prehu为正样本边的左侧端的用户节点特征，prehv为正样本边的右侧端的用户节点特征，通过公式score′＝prehu′·prehv′以内积的形式计算正样本转发网络总各个边的得分score′，式中prehu′为负样本边的左侧端的用户节点特征，prehv′为负样本边的右侧端的用户节点特征；
i)通过公式losspre＝max(0,M-score+score′)计算得到链接预测部分的损失函数值losspre，式中M为边界值，使M＝1，完成链接预测部分的模型建立；
j)通过公式Loss＝lossagg×agg+losspre×pre计算得到总损失Loss，式中agg为特征提取部分的权重，pre为连接预测部分的权重；
k)重复步骤c)至j)大于等于N次，完成模型的训练优化；
l)按照步骤h)中得分score的高低，由高到低生成推荐列表，按照该列表进行推荐。
在用户-评论二部图中，聚合评论特征至用户特征。再结合社交网络，融合用户邻居特征得到用户的嵌入表示。然后将用户嵌入表示去除用户原始特征后聚合到评论中，通过对比评论聚合前后的差值来调整用户的嵌入表示。在此基础上，结合转发网络，通过边两端用户节点特征的内积计算边的得分，最后根据分数的高低进行推荐。本发明着眼于评论推荐中的“喷子”问题，通过推荐系统协助用户进行无视，将评论的推荐任务转化为小范围内用户之间的链接预测任务。并提供能够处理异类型数据的特征提取方法，使得最终结果更具可表示性。
实施例1：
步骤a)中通过负采样算法构建转发网络的负样本，K为负采样中的参数，K＝5。
实施例2：
步骤b)中用户发表的评论经Doc2Vec转换成64维的评论原始特征hcom。
实施例3：
步骤c)中在用户-评论二部图中以60％的概率随机删去评论节点。
实施例4：
步骤d)中的αij采用GAT算法中注意力权重的计算方式计算得到。
实施例5：
步骤j)中agg＝1，pre＝2。
实施例6：
步骤k)中N的取值为100。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图双向聚合网络链接预测模型的个性化评论推荐方法，其特征在于，包括如下步骤：
a)在有评论具体内容、用户关注关系以及评论转发关系的基础上构建用户-评论二部图、社交网络及转发网络；
b)将用户发表的评论转换成N维的评论原始特征hcom，初始化用户原始特征huser；
c)在用户-评论二部图中随机删去评论节点，通过公式
Figure FDA0003120872500000011
计算聚合得到的第i个用户特征
Figure FDA0003120872500000012
聚合后的所有用户特征为agghuser，SELU(·)为激活函数，Wagg为特征提取部分的权重，concat(·)为拼接函数，
Figure FDA0003120872500000013
为第i个节点的用户特征，
Figure FDA0003120872500000014
为第j个节点的评论特征，Ncom(i)为与第i个用户节点相关联的评论节点数量，aggregate为聚合函数，
Figure FDA0003120872500000015
式中ReLU(·)为激活函数，w为聚合函数内的权重，b为聚合函数内的偏置；
d)通过公式
Figure FDA0003120872500000016
计算融合得到的第i个用户邻居节点特征
Figure FDA0003120872500000017
式中αij为关联第i个用户和第j个评论边的注意力系数，
Figure FDA0003120872500000018
为第j个节点的用户特征；
e)通过公式
Figure FDA0003120872500000019
计算第i个用户的新的评论特征
Figure FDA00031208725000000110
所有用户的新的评论特征为agghcom，式中
Figure FDA00031208725000000111
为融合得到的第j个用户邻居节点的特征，Nuesr(i)为与第i个评论节点相关联的用户节点数量；
f)通过公式
Figure FDA0003120872500000021
计算得出特征聚合部分的损失函数值lossagg，式中
Figure FDA0003120872500000022
为损失函数，hcom为所有节点的评论特征，完成特征提取部分的模型建立；
g)通过公式preh＝GraphSAGE(gretweet,agghuser)利用GraphSAGE算法聚合邻居特征得到用户特征preh，式中gretweet为转发网络图结构；
h)通过公式score＝prehu·prehv以内积的形式计算正样本转发网络总各个边的得分score，式中prehu为正样本边的左侧端的用户节点特征，prehv为正样本边的右侧端的用户节点特征，通过公式score′＝prehu′·prehv′以内积的形式计算正样本转发网络总各个边的得分score′，式中prehu′为负样本边的左侧端的用户节点特征，prehv′为负样本边的右侧端的用户节点特征；
i)通过公式losspre＝max(0,M-score+score′)计算得到链接预测部分的损失函数值losspre，式中M为边界值，使M＝1，完成链接预测部分的模型建立；
j)通过公式Loss＝lossagg×agg+losspre×pre计算得到总损失Loss，式中agg为特征提取部分的权重，pre为连接预测部分的权重；
k)重复步骤c)至j)大于等于N次，完成模型的训练优化；
l)按照步骤h)中得分score的高低，由高到低生成推荐列表，按照该列表进行推荐。
2.根据权利要求1所述的基于图双向聚合网络链接预测模型的个性化评论推荐方法，其特征在于：步骤a)中通过负采样算法构建转发网络的负样本，K为负采样中的参数，K＝5。
3.根据权利要求1所述的基于图双向聚合网络链接预测模型的个性化评论推荐方法，其特征在于：步骤b)中用户发表的评论经Doc2Vec转换成64维的评论原始特征hcom。
4.根据权利要求1所述的基于图双向聚合网络链接预测模型的个性化评论推荐方法，其特征在于：步骤c)中在用户-评论二部图中以60％的概率随机删去评论节点。
5.根据权利要求1所述的基于图双向聚合网络链接预测模型的个性化评论推荐方法，其特征在于：步骤d)中的αij采用GAT算法中注意力权重的计算方式计算得到。
6.根据权利要求1所述的基于图双向聚合网络链接预测模型的个性化评论推荐方法，其特征在于：步骤j)中agg＝1，pre＝2。
7.根据权利要求1所述的基于图双向聚合网络链接预测模型的个性化评论推荐方法，其特征在于：步骤k)中N的取值为100。
CN202110683196.9A 2021-06-18 2021-06-18 基于图双向聚合网络链接预测模型的个性化评论推荐方法 Active CN113434756B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110683196.9A CN113434756B (zh) 2021-06-18 2021-06-18 基于图双向聚合网络链接预测模型的个性化评论推荐方法
PCT/CN2021/131595 WO2022262190A1 (zh) 2021-06-18 2021-11-19 基于图双向聚合网络链接预测模型的个性化评论推荐方法
US18/105,891 US11748426B2 (en) 2021-06-18 2023-02-06 Personalized comment recommendation method based on link prediction model of graph bidirectional aggregation network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110683196.9A CN113434756B (zh) 2021-06-18 2021-06-18 基于图双向聚合网络链接预测模型的个性化评论推荐方法

Publications (2)

Publication Number Publication Date
CN113434756A true CN113434756A (zh) 2021-09-24
CN113434756B CN113434756B (zh) 2022-05-27

Family

ID=77756748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110683196.9A Active CN113434756B (zh) 2021-06-18 2021-06-18 基于图双向聚合网络链接预测模型的个性化评论推荐方法

Country Status (3)

Country Link
US (1) US11748426B2 (zh)
CN (1) CN113434756B (zh)
WO (1) WO2022262190A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113868537A (zh) * 2021-10-19 2021-12-31 山东省人工智能研究院 一种基于多行为会话图融合的推荐方法
WO2022262190A1 (zh) * 2021-06-18 2022-12-22 山东省人工智能研究院 基于图双向聚合网络链接预测模型的个性化评论推荐方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556148B (zh) * 2024-01-11 2024-08-09 南京邮电大学 一种基于网络数据驱动的个性化跨域推荐方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210065278A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Asymmetrically hierarchical networks with attentive interactions for interpretable review-based recommendation
CN112650929A (zh) * 2020-12-31 2021-04-13 安徽农业大学 一种融入评论信息的图神经网络推荐方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7461073B2 (en) * 2006-02-14 2008-12-02 Microsoft Corporation Co-clustering objects of heterogeneous types
CN103116639B (zh) * 2013-02-20 2016-05-11 新浪网技术(中国)有限公司 基于用户-物品二分图模型的物品推荐方法及系统
CN103309972A (zh) * 2013-06-08 2013-09-18 清华大学 基于链路预测的推荐方法和系统
US20150242967A1 (en) * 2014-02-27 2015-08-27 Linkedin Corporation Generating member profile recommendations based on community overlap data in a social graph
US11176460B2 (en) * 2018-11-19 2021-11-16 Fujifilm Business Innovation Corp. Visual analysis framework for understanding missing links in bipartite networks
US11227323B2 (en) * 2020-03-30 2022-01-18 EMC IP Holding Company LLC Smart software recommendation using an application network
CN112069402B (zh) * 2020-08-28 2021-04-20 山东省人工智能研究院 一种基于情感和图卷积神经网络的个性化评论推荐方法
US11748772B2 (en) * 2021-02-11 2023-09-05 Yahoo Assets Llc Hierarchy aware graph representation learning
US12099955B2 (en) * 2021-04-05 2024-09-24 Mastercard International Incorporated Machine learning models based methods and systems for determining prospective acquisitions between business entities
CN113434756B (zh) * 2021-06-18 2022-05-27 山东省人工智能研究院 基于图双向聚合网络链接预测模型的个性化评论推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210065278A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Asymmetrically hierarchical networks with attentive interactions for interpretable review-based recommendation
CN112650929A (zh) * 2020-12-31 2021-04-13 安徽农业大学 一种融入评论信息的图神经网络推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINGNAN XU 等: "Personalized Recommendation Based on Reviews and Ratings Alleviating the Sparsity Problem of Collaborative Filtering", 《2012 IEEE NINTH INTERNATIONAL CONFERENCE ON E-BUSINESS ENGINEERING》, 25 February 2013 (2013-02-25) *
余刚 等: "基于奇异值分解的个性化评论推荐", 《电子科技大学学报》, 31 July 2015 (2015-07-31) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022262190A1 (zh) * 2021-06-18 2022-12-22 山东省人工智能研究院 基于图双向聚合网络链接预测模型的个性化评论推荐方法
US11748426B2 (en) 2021-06-18 2023-09-05 Shandong Artificial Intelligence Institute Personalized comment recommendation method based on link prediction model of graph bidirectional aggregation network
CN113868537A (zh) * 2021-10-19 2021-12-31 山东省人工智能研究院 一种基于多行为会话图融合的推荐方法
CN113868537B (zh) * 2021-10-19 2022-07-05 山东省人工智能研究院 一种基于多行为会话图融合的推荐方法

Also Published As

Publication number Publication date
US20230185865A1 (en) 2023-06-15
WO2022262190A1 (zh) 2022-12-22
US11748426B2 (en) 2023-09-05
CN113434756B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN113434756B (zh) 基于图双向聚合网络链接预测模型的个性化评论推荐方法
WO2023000574A1 (zh) 一种模型训练方法、装置、设备及可读存储介质
CN112508085B (zh) 基于感知神经网络的社交网络链路预测方法
CN110889015B (zh) 面向图数据的独立解耦卷积神经网络表征方法
CN115082142A (zh) 一种基于异构关系图神经网络的推荐方法、装置及介质
CN112559764A (zh) 一种基于领域知识图谱的内容推荐方法
CN109523012B (zh) 基于变分解耦合方式对符号有向网络的表达学习方法
CN115168653A (zh) 基于领域间和领域内关系的跨领域推荐方法及系统
CN114693942A (zh) 一种仪器仪表智能运维的多模态故障理解及辅助标注方法
CN114565053A (zh) 基于特征融合的深层异质图嵌入模型
CN115630164A (zh) 基于正负向联合学习和原型表示的远程监督关系抽取方法
CN112667920A (zh) 基于文本感知的社交影响力预测方法、装置及设备
CN113705099A (zh) 基于对比学习的社交平台谣言检测模型构建方法及检测方法
CN112508181A (zh) 一种基于多通道机制的图池化方法
CN113228059A (zh) 面向跨网络的表示学习算法
CN113191144A (zh) 一种基于传播影响力的网络谣言识别系统及方法
CN113128667A (zh) 一种跨域自适应的图卷积平衡迁移学习方法与系统
CN115510319A (zh) 一种基于潜在兴趣多视图融合的推荐方法和系统
CN115631504A (zh) 一种基于双模态图网络信息瓶颈的情感识别方法
CN112905906A (zh) 一种融合局部协同与特征交叉的推荐方法及系统
CN116633589A (zh) 社交网络中恶意账户检测方法、设备及存储介质
CN114638342A (zh) 基于深度无监督自动编码器的图异常检测方法
CN115618017A (zh) 一种面向产业知识图谱的企业上下游关系预测方法
Sidek et al. Interacting through disclosing: Peer interaction patterns based on self-disclosure levels via Facebook
CN114037008A (zh) 基于属性连边的多粒度属性网络嵌入的节点分类方法及系统

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
CP03 Change of name, title or address

Address after: No.19 Keyuan Road, Lixia District, Jinan City, Shandong Province

Patentee after: Shandong Institute of artificial intelligence

Country or region after: China

Patentee after: Qilu University of Technology (Shandong Academy of Sciences)

Patentee after: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN)

Address before: No.19 Keyuan Road, Lixia District, Jinan City, Shandong Province

Patentee before: Shandong Institute of artificial intelligence

Country or region before: China

Patentee before: Qilu University of Technology

Patentee before: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN)