CN113505305A - 基于解耦式双通道超图神经网络的协同过滤推荐方法和系统 - Google Patents

基于解耦式双通道超图神经网络的协同过滤推荐方法和系统 Download PDF

Info

Publication number
CN113505305A
CN113505305A CN202110512215.1A CN202110512215A CN113505305A CN 113505305 A CN113505305 A CN 113505305A CN 202110512215 A CN202110512215 A CN 202110512215A CN 113505305 A CN113505305 A CN 113505305A
Authority
CN
China
Prior art keywords
user
article
hypergraph
item
representation
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.)
Pending
Application number
CN202110512215.1A
Other languages
English (en)
Inventor
高跃
林浩杰
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110512215.1A priority Critical patent/CN113505305A/zh
Publication of CN113505305A publication Critical patent/CN113505305A/zh
Pending legal-status Critical Current

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
    • G06F16/9536—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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

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

Abstract

本申请提出了一种基于解耦式双通道超图神经网络的协同过滤推荐方法和系统，涉及推荐系统技术领域，其中，该方法包括：获取用户‑物品交互图，随机初始化得到用户特征、物品特征；采用双通道超图构建方法构建用户超图结构和物品超图结构；采用意图感知的特征提取模块获得用户特征表示和物品特征表示；采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；对新的用户特征和物品特征进行特征融合得到用户最终特征表示和物品最终特征表示；以用户最终特征表示和物品最终特征表示的点乘结果来表示用户对该物品的偏好，点乘结果越大用户对物品偏好越大。本发明对用户与物品交互时存在的多种潜在意图进行建模，更准确地描述用户和物品间的关系。

Description

基于解耦式双通道超图神经网络的协同过滤推荐方法和系统
技术领域
本申请涉及推荐系统技术领域，尤其涉及一种基于解耦式双通道超图神经网络的协同过滤推荐方法和系统。
背景技术
作为解决信息过载问题的有效方式，推荐系统已经被广泛地应用于电子商务等领域。在推荐系统中，基于用户历史行为信息的协同过滤方法是其中一种广泛使用的方法。对于协同过滤而言，如何准确地建模用户和物品的关系并挖掘协同信息则是其中的关键问题。近年来，由于超图神经网络在建模复杂数据关联时体现出了更强的表达能力和灵活性，一些研究人员提出基于超图神经网络的协同过滤算法。然而，现有方法在建模用户和物品的关系时未能充分地考虑其交互时存在的不同意图，难以准确地描述用户和物品间的关系。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于解耦式双通道超图神经网络的协同过滤推荐方法，解决了现有方法在建模用户和物品的关系时未能充分地考虑其交互时存在的不同意图，难以准确地描述用户和物品间关系的技术问题，实现了使用多个概率超图对用户与物品交互时存在的多种潜在意图进行建模，并且通过提出一个超图解耦模块使得不同意图的超图结构和节点特征尽可能地具有差异性，从而关注于不同意图下的信息，更准确地描述用户和物品间的关系；同时，对待推荐物品进行过滤，提高推荐物品的准确性。
本申请的第二个目的在于提出一种基于解耦式双通道超图神经网络的协同过滤推荐系统。
为达上述目的，本申请第一方面实施例提出了一种基于解耦式双通道超图神经网络的协同过滤推荐方法，包括：获取用户-物品交互图，并随机初始化得到用户特征、物品特征；根据用户-物品交互图，采用双通道超图构建方法构建用户超图结构和物品超图结构；根据用户特征和物品特征，采用意图感知的特征提取模块获得用户特征表示和物品特征表示；根据用户超图结构、物品超图结构、用户特征表示、物品特征表示，采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；对新的用户特征和新的物品特征进行特征融合，得到用户最终特征表示和物品最终特征表示；使用用户最终特征表示和物品最终特征表示的点乘结果来表示用户对该物品的偏好，其中，点乘结果越大，代表用户对物品偏好越大。
可选地，在本申请的一个实施例中，采用双通道超图构建方法构建用户超图结构，包括以下步骤：
定义物品的k阶可达矩阵为：
Figure RE-GDA0003234597110000021
其中，
Figure RE-GDA0003234597110000022
邻接矩阵H为用户-物品交互图，M为物品数量；
基于物品的k阶可达矩阵，对应的用户的超边组邻接矩阵表示为：
Figure RE-GDA0003234597110000023
其中，
Figure RE-GDA0003234597110000024
N为用户数量，M为物品数量；
使用用户的超边组邻接矩阵中的一阶矩阵和二阶矩阵进行超边组拼接得到最终的用户超图，用户超图表示为：
Figure RE-GDA0003234597110000025
其中，
Figure RE-GDA0003234597110000026
为用户的超边组邻接矩阵中的一阶矩阵，
Figure RE-GDA0003234597110000027
为用户的超边组邻接矩阵中的二阶矩阵；
根据用户超图得到用户超图结构，用户超图结构表示为：
Figure RE-GDA0003234597110000028
其中，Hu为用户超图，
采用双通道超图构建方法构建物品超图结构，包括以下步骤：
定义用户的k阶可达矩阵为：
Figure RE-GDA0003234597110000029
其中，
Figure RE-GDA00032345971100000210
邻接矩阵H为用户-物品交互图，M为物品数量，N为用户数量；
基于用户的k阶可达矩阵，对应的物品的超边组邻接矩阵表示为：
Figure RE-GDA00032345971100000211
其中，
Figure RE-GDA00032345971100000212
使用物品的超边组邻接矩阵中的一阶矩阵和二阶矩阵进行超边组拼接得到最终的物品超图，物品超图表示为：
Figure RE-GDA00032345971100000213
其中，
Figure RE-GDA0003234597110000031
为用户的超边组邻接矩阵中的一阶矩阵，
Figure RE-GDA0003234597110000032
为用户的超边组邻接矩阵中的二阶矩阵；
根据物品超图得到物品超图结构，物品超图结构表示为：
Figure RE-GDA0003234597110000033
其中，Hi为物品超图。
可选地，在本申请的一个实施例中，采用意图感知的特征提取模块获得用户特征表示和物品特征表示，具体表示为：
Figure RE-GDA0003234597110000034
Figure RE-GDA0003234597110000035
Figure RE-GDA0003234597110000036
Figure RE-GDA0003234597110000037
其中，
Figure RE-GDA0003234597110000038
表示对于用户uj及其特征
Figure RE-GDA0003234597110000039
该用户在第k个意图的潜在特征，
Figure RE-GDA00032345971100000310
和
Figure RE-GDA00032345971100000311
为可训练参数，
Figure RE-GDA00032345971100000312
表示对于物品it及其特征
Figure RE-GDA00032345971100000313
该物品在第k个意图的潜在特征，
Figure RE-GDA00032345971100000314
和
Figure RE-GDA00032345971100000315
为可训练参数，R为实数域，D为特征维度，K为意图数量，σ为激活函数。
可选地，在本申请的一个实施例中，采用多个叠加的超图解耦模块获取新的用户特征和物品特征，包括以下步骤：
根据用户特征表示、物品特征表示对相应的用户超图结构、物品超图结构中的非零元素进行更新，对更新后的用户超图结构、物品超图结构归一化，得到新的用户超图结构和新的物品超图结构；
根据更新后的用户超图结构、更新后的物品超图结构对用户特征表示、物品特征表示进行超图卷积操作，得到更新后的用户特征、物品特征；
使用基于距离关联的损失函数来计算更新后的用户特征、物品特征中不同意图特征之间的关联性损失。
可选地，在本申请的一个实施例中，根据用户特征表示、物品特征表示对相应的用户超图结构、物品超图结构中的非零元素进行更新，更新后的用户超图结构、物品超图结构表示为：
Figure RE-GDA00032345971100000316
Figure RE-GDA0003234597110000041
其中，j，m分别为用户和超边的编号，ci，k(m)为构建用户超边Hu，k(：，m)时所使用的物品的编号，a(·)为计算关联的函数，可以使用点乘，
Figure RE-GDA0003234597110000042
表示对于用户uj及其特征
Figure RE-GDA00032345971100000422
该用户在第k个意图的潜在特征，
Figure RE-GDA0003234597110000044
为构建用户超边时所用的对应物品的特征，cu，k(m)为构建超边Hi，k(：，m)时的中心用户编号，
Figure RE-GDA0003234597110000045
为构建物品超边时所用的对应用户的特征，
Figure RE-GDA0003234597110000046
表示对于物品it及其特征
Figure RE-GDA0003234597110000047
该物品在第k个意图的潜在特征；
采用Softmax函数对更新后的用户超图结构、物品超图结构进行跨意图的归一化，表示为：
Figure RE-GDA0003234597110000048
Figure RE-GDA0003234597110000049
其中，K为意图特征个数，
Figure RE-GDA00032345971100000410
为所述更新后的用户超图结构，
Figure RE-GDA00032345971100000411
为第t 个用户超图结构，
Figure RE-GDA00032345971100000412
为所述更新后的物品超图结构，
Figure RE-GDA00032345971100000413
为第t个物品超图结构，j为用户编号，m为超边编号。
可选地，在本申请的一个实施例中，更新后的用户特征、物品特征表示为：
Figure RE-GDA00032345971100000414
Figure RE-GDA00032345971100000415
其中，
Figure RE-GDA00032345971100000416
为用户超图的节点度矩阵，Hu，k表示所述更新后的用户超图结构，
Figure RE-GDA00032345971100000417
为可训练参数，R为实数域，D为特征维度，K为意图数量，
Figure RE-GDA00032345971100000418
为用户超图的超边度矩阵，Eu，k (l)为所述用户特征表示，
Figure RE-GDA00032345971100000419
为物品超图的超边度矩阵，Hi，k表示所述更新后的物品超图结构，
Figure RE-GDA00032345971100000420
为物品超图的超边度矩阵，Ei，k (l)为所述物品特征表示，
更新后的用户特征、物品特征中不同意图特征之间的关联性损失表示为：
Figure RE-GDA00032345971100000421
其中，
Figure RE-GDA00032345971100000423
和ek′ (l)为用户或物品关于意图k和意图k′在第l层的特征表示，K为意图数量，d(·)为距离关联，d(·)表示为：
Figure RE-GDA0003234597110000051
其中，dCov(·)和dVar(·)分别表示协方差和方差。
可选地，在本申请的一个实施例中，对新的用户特征、新的物品特征进行特征融合，融合后的特征表示为：
Figure RE-GDA0003234597110000052
Figure RE-GDA0003234597110000053
其中，
Figure RE-GDA0003234597110000054
Figure RE-GDA0003234597110000055
表示第l层用户的特征，
Figure RE-GDA0003234597110000056
Figure RE-GDA0003234597110000057
表示第l层物品的特征。
可选地，在本申请的一个实施例中，点乘结果为：
Figure RE-GDA0003234597110000058
其中，
Figure RE-GDA0003234597110000059
表示用户最终特征表示，
Figure RE-GDA00032345971100000510
表示物品最终特征表示。
为达上述目的，本发明第二方面实施例提出了一种基于解耦式双通道超图神经网络的协同过滤推荐系统，包括：第一获取模块，用于获取用户和物品信息，并随机初始化得到用户特征、物品特征和用户-物品交互图；构建模块，用于根据用户-物品交互图，采用双通道超图构建方法构建用户超图结构和物品超图结构；第二获取模块，用于根据用户特征和物品特征，采用意图感知的特征提取模块获得用户特征表示和物品特征表示；第三获取模块，用于根据用户超图结构、物品超图结构、用户特征表示、物品特征表示，采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；融合模块，用于对新的用户特征和新的物品特征进行特征融合，得到用户最终特征表示和物品最终特征表示；确定模块，用于使用用户最终特征表示和物品最终特征表示的点乘结果来表示用户对该物品的偏好，其中，点乘结果越大，代表用户对物品偏好越大。
可选地，在本申请的一个实施例中，对系统进行训练，具体过程为采用贝叶斯个性化排序，通过以下函数进行学习：
Figure RE-GDA00032345971100000511
其中，μ为距离关联损失的权重系数，L为距离相关损失函数，
Figure RE-GDA00032345971100000512
σ为Sigmoid函数，Θ为模型可训练参数，λ为正则项超参数，o为用于训练的训练集三元组集合，
Figure RE-GDA0003234597110000061
为训练集中出现过的交互，
Figure RE-GDA0003234597110000062
为中未出现过的交互，u为用户，i为训练集中用户u点击过的物品，j为训练集中用户未点击过的物品。
本申请实施例的基于解耦式双通道超图神经网络的协同过滤推荐方法和系统，使用多个概率超图对用户与物品交互时存在的多种潜在意图进行建模，并且通过提出一个超图解耦模块使得不同意图的超图结构和节点特征尽可能地具有差异性，从而关注于不同意图下的信息，实现更准确地描述用户和物品间的关系；同时，对待推荐物品进行过滤，根据用户对物品的偏好程度，将点乘结果小于预设阈值的待推荐物品剔除，提高了推荐物品的准确性，体现了基于解耦式双通道超图神经网络的协同过滤推荐方法和系统的优越性能。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一所提供的一种基于解耦式双通道超图神经网络的协同过滤推荐方法的流程图；
图2为本申请实施例的基于解耦式双通道超图神经网络的协同过滤推荐方法的另一个流程图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于解耦式双通道超图神经网络的协同过滤推荐方法。
图1为本申请实施例一所提供的一种基于解耦式双通道超图神经网络的协同过滤推荐方法的流程图。
如图1所示，该基于解耦式双通道超图神经网络的协同过滤推荐方法包括以下步骤：
步骤101，获取用户-物品交互图，并随机初始化得到用户特征、物品特征；
步骤102，根据用户-物品交互图，采用双通道超图构建方法构建用户超图结构和物品超图结构；
步骤103，根据用户特征和物品特征，采用意图感知的特征提取模块获得用户特征表示和物品特征表示；
步骤104，根据用户超图结构、物品超图结构、用户特征表示、物品特征表示，采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；
步骤105，对新的用户特征和新的物品特征进行特征融合，得到用户最终特征表示和物品最终特征表示；
步骤106，使用用户最终特征表示和物品最终特征表示的点乘结果来表示用户对该物品的偏好，其中，点乘结果越大，代表用户对物品偏好越大。
步骤107，根据用户对该物品的偏好，对待推荐物品进行推荐，其中，利用用户对物品的偏好对待推荐物品进行过滤，将点乘结果小于预设阈值的待推荐物品从待推荐物品中剔除。
本申请实施例的基于解耦式双通道超图神经网络的协同过滤推荐方法，通过获取用户- 物品交互图，并随机初始化得到用户特征、物品特征；根据用户-物品交互图，采用双通道超图构建方法构建用户超图结构和物品超图结构；根据用户特征和物品特征，采用意图感知的特征提取模块获得用户特征表示和物品特征表示；根据用户超图结构、物品超图结构、用户特征表示、物品特征表示，采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；对新的用户特征和新的物品特征进行特征融合，得到用户最终特征表示和物品最终特征表示；使用用户最终特征表示和物品最终特征表示的点乘结果来表示用户对该物品的偏好，其中，点乘结果越大，代表用户对物品偏好越大。由此，能够解决现有方法在建模用户和物品的关系时未能充分地考虑其交互时存在的不同意图，难以准确地描述用户和物品间关系的技术问题，实现了使用多个概率超图对用户与物品交互时存在的多种潜在意图进行建模，并且通过提出一个超图解耦模块使得不同意图的超图结构和节点特征尽可能地具有差异性，从而关注于不同意图下的信息，更准确地描述用户和物品间的关系；同时，对待推荐物品进行过滤，根据用户对物品的偏好程度，将点乘结果小于预设阈值的待推荐物品剔除，提高了推荐物品的准确性，体现了基于解耦式双通道超图神经网络的协同过滤推荐方法和系统的优越性能。
进一步地，在本申请实施例中，给定一组包含N个用户的集合
Figure RE-GDA0003234597110000071
和一组包含M个物品的集合
Figure RE-GDA0003234597110000072
分别用
Figure RE-GDA0003234597110000073
和
Figure RE-GDA0003234597110000074
表示用户和物品初始化的特征，其中D为用户和物品的特征维度。用A∈{0，1}N×M表示模型输入的用户与物品的交互图，其中非零元素Ai，j表示用户i和物品j之间存在交互，此外，假设意图数量为K。交互图A被视为邻接矩阵H。
采用双通道超图构建方法构建用户超图结构，包括以下步骤：
定义物品的k阶可达矩阵为：
Figure RE-GDA0003234597110000081
其中，
Figure RE-GDA0003234597110000082
邻接矩阵H为用户-物品交互图，M为物品数量；
基于物品的k阶可达矩阵，对应的用户的超边组邻接矩阵表示为：
Figure RE-GDA0003234597110000083
其中，
Figure RE-GDA0003234597110000084
N为用户数量，M为物品数量；
使用用户的超边组邻接矩阵中的一阶矩阵和二阶矩阵进行超边组拼接得到最终的用户超图，用户超图表示为：
Figure RE-GDA0003234597110000085
其中，
Figure RE-GDA0003234597110000086
为用户的超边组邻接矩阵中的一阶矩阵，
Figure RE-GDA0003234597110000087
为用户的超边组邻接矩阵中的二阶矩阵；
根据用户超图得到用户超图结构，用户超图结构表示为：
Figure RE-GDA0003234597110000088
其中，Hu为用户超图。
同样的，对于物品而言，将用户的k阶可达矩阵定义为：
Figure RE-GDA0003234597110000089
其中，
Figure RE-GDA00032345971100000810
基于用户的k阶可达矩阵，物品相应的超边组邻接矩阵为：
Figure RE-GDA00032345971100000811
其中，
Figure RE-GDA00032345971100000812
使用基于用户的一阶和二阶可达物品信息进行物品超边组构建，并通过超边组拼接得到最终的物品超图Hi，即：
Figure RE-GDA00032345971100000813
对于意图k，我们初始化其为：
Figure RE-GDA00032345971100000814
进一步地，在本申请实施例中，采用意图感知的特征提取模块获得用户特征表示，具体表示为：
Figure RE-GDA00032345971100000815
Figure RE-GDA0003234597110000091
其中，euj，k表示对于用户uj及其特征
Figure RE-GDA0003234597110000092
该用户在第k个意图的潜在特征，
Figure RE-GDA0003234597110000093
和
Figure RE-GDA0003234597110000094
为可训练参数，R为实数域，D为特征维度，K为意图数量。
对于物品it及其特征
Figure RE-GDA0003234597110000095
通过以下方式提取该物品在第k个意图的潜在特征：
Figure RE-GDA0003234597110000096
Figure RE-GDA0003234597110000097
其中σ为激活函数，
Figure RE-GDA0003234597110000098
和
Figure RE-GDA0003234597110000099
为可训练参数。
同样地，对于用户it及其特征
Figure RE-GDA00032345971100000910
我们通过以下方式提取该用户在第k个意图的潜在特征：
Figure RE-GDA00032345971100000911
Figure RE-GDA00032345971100000912
其中σ为激活函数，
Figure RE-GDA00032345971100000913
和
Figure RE-GDA00032345971100000914
为可训练参数，R为实数域，D为特征维度， K为意图数量。
进一步地，在本申请实施例中，采用多个叠加的超图解耦模块获取新的用户特征和物品特征，包括以下步骤：
根据用户特征表示、物品特征表示对相应的用户超图结构、物品超图结构中的非零元素进行更新，对更新后的用户超图结构、物品超图结构归一化，得到新的用户超图结构和新的物品超图结构；
根据更新后的用户超图结构、更新后的物品超图结构对用户特征表示、物品特征表示进行超图卷积操作，得到更新后的用户特征、物品特征；
使用基于距离关联的损失函数来计算更新后的用户特征、物品特征中不同意图特征之间的关联性损失。
进一步地，在本申请实施例中，根据用户特征表示对相应的用户超图结构进行更新，意图感知的超图结构更新：基于不同意图下的节点特征对其相应的超图结构进行更新，从而使得不同的超图结构关注其相应意图下的关联信息。对于用户，给定不同意图下用户的特征表示{Eu，1，...，Eu，K}，不同意图下物品的特征表示{Ei，1，...，Ei，K}，用户在不同意图下关联的超图关联矩阵{Hu，1，...，Hu，K}以及用于表示在构建用户超边时所使用的物品编号的向量 {ci，1，...，ci，K}，我们首先使用以下方式对超图关联矩阵中非零元素进行更新：
Figure RE-GDA0003234597110000101
其中，j，m分别为用户和超边的编号，ci，k(m)为构建超边Hu，k(：，m)时所使用的物品的编号，a(·)为计算关联的函数，可以使用点乘，
Figure RE-GDA0003234597110000102
表示对于用户uj及其特征
Figure RE-GDA0003234597110000103
该用户在第k个意图的潜在特征，
Figure RE-GDA0003234597110000104
为构建用户超边时所用的对应物品的特征。
在通过对各个意图下的用户超图关联矩阵更新完后，我们采用Softmax函数进行跨意图的超图结构归一化：
Figure RE-GDA0003234597110000105
同样地，对于物品，给定物品和用户的特征表示{Ei，1，...，Ei，K}和{Eu，1，...，Eu，K}，物品超图的关联矩阵{Hi，1，...，Hi，K}以及用于表示在构建物品超图时所使用的用户编号的向量 {cu，1，...，cu，K}，我们使用以下方式对超图关联矩阵中非零元素进行更新：
Figure RE-GDA0003234597110000106
其中j，m分别为物品和超边的编号，cu，k(m)为构建超边Hi，k(：，m)时的中心用户编号，
Figure RE-GDA0003234597110000107
表示对于物品it及其特征
Figure RE-GDA0003234597110000108
Figure RE-GDA0003234597110000109
为构建物品超边时所用的对应用户的特征，
该物品在第k个意图的潜在特征在更新完后，我们同样进行跨意图超图结构归一化
Figure RE-GDA00032345971100001010
。
进一步地，在本申请实施例中，基于更新后的超图结构信息，在不同意图的超图结构上进行超图卷积，将该超图卷积操作分别应用于不同意图下的物品超图中以更新相应的物品节点特征，更新后的用户特征、物品特征表示为：
Figure RE-GDA00032345971100001011
Figure RE-GDA00032345971100001012
其中，
Figure RE-GDA00032345971100001013
为用户超图的节点度矩阵，Hu，k表示所述更新后的用户超图结构，
Figure RE-GDA00032345971100001014
为可训练参数，R为实数域，D为特征维度，K为意图数量，
Figure RE-GDA00032345971100001015
为用户超图的超边度矩阵，Eu，k (l)为所述用户特征表示，
Figure RE-GDA00032345971100001016
为物品超图的超边度矩阵，Hi，k表示所述更新后的物品超图结构，
Figure RE-GDA00032345971100001017
为物品超图的超边度矩阵，
Figure RE-GDA00032345971100001018
为所述物品特征表示，
更新后的用户特征、物品特征中不同意图特征之间的关联性损失表示为：
Figure RE-GDA0003234597110000111
其中，
Figure RE-GDA0003234597110000112
和ek′(l)为用户或物品关于意图k和意图k′在第l层的特征表示，K为意图数量，d(·)为距离关联，d(·)表示为：
Figure RE-GDA0003234597110000113
其中，dCov(·)和dVar(·)分别表示协方差和方差。
进一步地，在本申请实施例中，对新的用户特征、新的物品特征进行特征融合，对网络各层中不同意图的特征进行融合，再通过将不同层次的特征进行融合从而得到用户和物品的最终特征表示。
对于第l层的用户j和物品t，其在第l层的特征分别可以通过以下获得：
Figure RE-GDA0003234597110000114
Figure RE-GDA0003234597110000115
用户和物品的最终特征可以通过以下获得：
Figure RE-GDA0003234597110000116
Figure RE-GDA0003234597110000117
进一步地，在本申请实施例中，点乘结果为：
Figure RE-GDA0003234597110000118
其中，
Figure RE-GDA0003234597110000119
表示用户最终特征表示，
Figure RE-GDA00032345971100001110
表示物品最终特征表示。
使用用户特征和物品特征的点乘结果来表示用户对该物品的偏好，该数值越大则表示用户对该物品的偏好程度越大。
图2为本申请实施例的基于解耦式双通道超图神经网络的协同过滤推荐方法的另一个流程图。
如图2所示，该基于解耦式双通道超图神经网络的协同过滤推荐方法，包括：采用常用的双通道超图构建方法来构建不同意图下用户和物品的超图；通过使用意图感知的特征提取模块，获得用户和物品在不同意图下的特征表示；基于用户和物品在不同意图下的超图结构和节点特征信息，叠加多个超图解耦模块来捕捉用户和物品在不同层次下的关联信息；对网络各层中不同意图的特征进行融合，再通过将不同层次的特征进行融合从而得到用户和物品的最终特征表示；对于模型的训练，主要采用贝叶斯个性化排序进行学习。
为了实现上述实施例，本申请还提出一种基于解耦式双通道超图神经网络的协同过滤推荐系统，包括：第一获取模块，用于获取用户和物品信息，根据用户和物品信息得到用户特征、物品特征和用户-物品交互图；构建模块，用于根据用户-物品交互图，采用双通道超图构建方法构建用户超图结构和物品超图结构；第二获取模块，用于根据用户特征和物品特征，采用意图感知的特征提取模块获得用户特征表示和物品特征表示；第三获取模块，用于根据用户超图结构、物品超图结构、用户特征表示、物品特征表示，采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；融合模块，用于对新的用户特征和新的物品特征进行特征融合，得到用户最终特征表示和物品最终特征表示；确定模块，用于使用用户最终特征表示和物品最终特征表示的点乘结果来表示用户对该物品的偏好，其中，点乘结果越大，代表用户对物品偏好越大。
进一步地，在本申请实施例中，对该基于解耦式双通道超图神经网络进行训练，采用贝叶斯个性化排序，通过以下函数进行学习：
Figure RE-GDA0003234597110000121
其中，
Figure RE-GDA0003234597110000122
σ为Sigmoid函数，Θ为模型可训练参数，λ为正则项超参数，o为用于训练的训练集三元组集合，
Figure RE-GDA0003234597110000123
Figure RE-GDA0003234597110000124
为训练集中出现过的交互，
Figure RE-GDA0003234597110000125
为中未出现过的交互，μ为距离关联损失的权重系数，L为关联性损失函数，u为用户，i为训练集中用户u 点击过的物品，j为训练集中用户未点击过的物品。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于解耦式双通道超图神经网络的协同过滤推荐方法，其特征在于，包括以下步骤：
获取用户-物品交互图，并随机初始化得到用户特征、物品特征；
根据所述用户-物品交互图，采用双通道超图构建方法构建用户超图结构和物品超图结构；
根据所述用户特征和物品特征，采用意图感知的特征提取模块获得用户特征表示和物品特征表示；
根据所述用户超图结构、所述物品超图结构、所述用户特征表示、所述物品特征表示，采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；
对所述新的用户特征和所述新的物品特征进行特征融合，得到用户最终特征表示和物品最终特征表示；
使用所述用户最终特征表示和所述物品最终特征表示的点乘结果来表示用户对该物品的偏好，其中，所述点乘结果越大，代表所述用户对所述物品偏好越大。
2.如权利要求1所述的方法，其特征在于，采用双通道超图构建方法构建所述用户超图结构，包括以下步骤：
定义物品的k阶可达矩阵为：
Figure FDA0003060817370000011
其中，
Figure FDA0003060817370000012
邻接矩阵H为所述用户-物品交互图，M为物品数量；
基于所述物品的k阶可达矩阵，对应的用户的超边组邻接矩阵表示为：
Figure FDA0003060817370000013
其中，
Figure FDA0003060817370000014
N为用户数量，M为物品数量；
使用所述用户的超边组邻接矩阵中的一阶矩阵和二阶矩阵进行超边组拼接得到最终的用户超图，所述用户超图表示为：
Figure FDA0003060817370000015
其中，
Figure FDA0003060817370000017
为所述用户的超边组邻接矩阵中的一阶矩阵，
Figure FDA0003060817370000018
为所述用户的超边组邻接矩阵中的二阶矩阵；
根据所述用户超图得到用户超图结构，所述用户超图结构表示为：
Figure FDA0003060817370000016
其中，Hu为所述用户超图，
采用双通道超图构建方法构建所述物品超图结构，包括以下步骤：
定义用户的k阶可达矩阵为：
Figure FDA0003060817370000021
其中，
Figure FDA0003060817370000022
邻接矩阵H为所述用户-物品交互图，M为物品数量，N为用户数量；
基于所述用户的k阶可达矩阵，对应的物品的超边组邻接矩阵表示为：
Figure FDA0003060817370000023
其中，
Figure FDA0003060817370000024
使用所述物品的超边组邻接矩阵中的一阶矩阵和二阶矩阵进行超边组拼接得到最终的物品超图，所述物品超图表示为：
Figure FDA0003060817370000025
其中，
Figure FDA0003060817370000026
为所述用户的超边组邻接矩阵中的一阶矩阵，
Figure FDA0003060817370000027
为所述用户的超边组邻接矩阵中的二阶矩阵；
根据所述物品超图得到物品超图结构，所述物品超图结构表示为：
Figure FDA0003060817370000028
其中，Hi为所述物品超图。
3.如权利要求1所述的方法，其特征在于，采用意图感知的特征提取模块获得用户特征表示和物品特征表示，具体表示为：
Figure FDA0003060817370000029
Figure FDA00030608173700000210
Figure FDA00030608173700000211
Figure FDA00030608173700000212
其中，
Figure FDA00030608173700000213
表示对于用户uj及其特征
Figure FDA00030608173700000214
该用户在第k个意图的潜在特征，
Figure FDA00030608173700000215
和
Figure FDA00030608173700000216
为可训练参数，
Figure FDA00030608173700000217
表示对于物品it及其特征
Figure FDA00030608173700000218
该物品在第k个意图的潜在特征，
Figure FDA00030608173700000219
和
Figure FDA00030608173700000220
为可训练参数，R为实数域，D为特征维度，K为意图数量，σ为激活函数。
4.如权利要求1所述的方法，其特征在于，采用所述多个叠加的超图解耦模块获取新的用户特征和物品特征，包括以下步骤：
根据所述用户特征表示、所述物品特征表示对相应的用户超图结构、物品超图结构中的非零元素进行更新，对更新后的用户超图结构、物品超图结构归一化，得到新的用户超图结构和新的物品超图结构；
根据所述更新后的用户超图结构、所述更新后的物品超图结构对所述用户特征表示、所述物品特征表示进行超图卷积操作，得到更新后的用户特征、物品特征；
使用基于距离关联的损失函数来计算所述更新后的用户特征、物品特征中不同意图特征之间的关联性损失。
5.如权利要求4所述的方法，其特征在于，根据所述用户特征表示、所述物品特征表示对相应的用户超图结构、物品超图结构中的非零元素进行更新，更新后的用户超图结构、物品超图结构表示为：
Figure FDA0003060817370000031
Figure FDA0003060817370000032
其中，j，m分别为用户和超边的编号，ci,k(m)为构建用户超边Hu,k(:,m)时所使用的物品的编号，a(·)为计算关联的函数，可以使用点乘，
Figure FDA0003060817370000033
表示对于用户uj及其特征
Figure FDA0003060817370000034
该用户在第k个意图的潜在特征，
Figure FDA0003060817370000035
为构建用户超边时所用的对应物品的特征，cu,k(m)为构建超边Hi,k(:,m)时的中心用户编号，
Figure FDA0003060817370000036
为构建物品超边时所用的对应用户的特征，
Figure FDA0003060817370000037
表示对于物品it及其特征
Figure FDA0003060817370000038
该物品在第k个意图的潜在特征；
采用Softmax函数对所述更新后的用户超图结构、物品超图结构进行跨意图的归一化，表示为：
Figure FDA0003060817370000039
Figure FDA00030608173700000310
其中，K为意图特征个数，
Figure FDA00030608173700000311
为所述更新后的用户超图结构，
Figure FDA00030608173700000312
为第t个用户超图结构，
Figure FDA00030608173700000313
为所述更新后的物品超图结构，
Figure FDA00030608173700000314
为第t个物品超图结构，j为用户编号，m为超边编号。
6.如权利要求4或5所述的方法，其特征在于，所述更新后的用户特征、物品特征表示为：
Figure FDA0003060817370000041
Figure FDA0003060817370000042
其中，
Figure FDA0003060817370000043
为用户超图的节点度矩阵，Hu,k表示所述更新后的用户超图结构，
Figure FDA0003060817370000044
为可训练参数，R为实数域，D为特征维度，K为意图数量，
Figure FDA0003060817370000045
为用户超图的超边度矩阵，Eu,k (l)为所述用户特征表示，
Figure FDA0003060817370000046
为物品超图的超边度矩阵，Hi,k表示所述更新后的物品超图结构，
Figure FDA0003060817370000047
为物品超图的超边度矩阵，Ei,k (l)为所述物品特征表示，
所述更新后的用户特征、物品特征中不同意图特征之间的关联性损失表示为：
Figure FDA0003060817370000048
其中，
Figure FDA0003060817370000049
和ek′ (l)为用户或物品关于意图k和意图k′在第l层的特征表示，K为意图数量，d(·)为距离关联，d(·)表示为：
Figure FDA00030608173700000410
其中，dCov(·)和dVar(·)分别表示协方差和方差。
7.如权利要求1所述的方法，其特征在于，对所述新的用户特征、所述新的物品特征
Figure FDA00030608173700000411
Figure FDA00030608173700000412
其中，
Figure FDA00030608173700000413
Figure FDA00030608173700000414
表示第l层用户的特征，
Figure FDA00030608173700000415
Figure FDA00030608173700000416
表示第l层物品的特征。
8.如权利要求1所述的方法，其特征在于，所述点乘结果为：
Figure FDA0003060817370000051
其中，
Figure FDA0003060817370000052
表示所述用户最终特征表示，
Figure FDA0003060817370000053
表示所述物品最终特征表示。
9.一种基于解耦式双通道超图神经网络的协同过滤推荐系统，其特征在于，包括：
第一获取模块，用于获取用户-物品交互图，并随机初始化得到用户特征、物品特征；
构建模块，用于根据所述用户-物品交互图，采用双通道超图构建方法构建用户超图结构和物品超图结构；
第二获取模块，用于根据所述用户特征和物品特征，采用意图感知的特征提取模块获得用户特征表示和物品特征表示；
第三获取模块，用于根据所述用户超图结构、所述物品超图结构、所述用户特征表示、所述物品特征表示，采用多个叠加的超图解耦模块获取新的用户特征和新的物品特征；
融合模块，用于对所述新的用户特征和所述新的物品特征进行特征融合，得到用户最终特征表示和物品最终特征表示；
确定模块，用于使用所述用户最终特征表示和所述物品最终特征表示的点乘结果来表示用户对该物品的偏好，其中，所述点乘结果越大，代表所述用户对所述物品偏好越大。
10.如权利要求9所述的系统，其特征在于，对所述系统进行训练，具体过程为采用贝叶斯个性化排序，通过以下函数进行学习：
Figure FDA0003060817370000054
其中，μ为距离关联损失的权重系数，L为距离相关损失函数，
Figure FDA0003060817370000055
σ为Sigmoid函数，Θ为模型可训练参数，λ为正则项超参数，o为用于训练的训练集三元组集合，
Figure FDA0003060817370000056
Figure FDA0003060817370000057
为训练集中出现过的交互，
Figure FDA0003060817370000058
为中未出现过的交互，u为用户，i为训练集中用户u点击过的物品，j为训练集中用户未点击过的物品。
CN202110512215.1A 2021-05-11 2021-05-11 基于解耦式双通道超图神经网络的协同过滤推荐方法和系统 Pending CN113505305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110512215.1A CN113505305A (zh) 2021-05-11 2021-05-11 基于解耦式双通道超图神经网络的协同过滤推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110512215.1A CN113505305A (zh) 2021-05-11 2021-05-11 基于解耦式双通道超图神经网络的协同过滤推荐方法和系统

Publications (1)

Publication Number Publication Date
CN113505305A true CN113505305A (zh) 2021-10-15

Family

ID=78008457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110512215.1A Pending CN113505305A (zh) 2021-05-11 2021-05-11 基于解耦式双通道超图神经网络的协同过滤推荐方法和系统

Country Status (1)

Country Link
CN (1) CN113505305A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817663A (zh) * 2022-05-05 2022-07-29 杭州电子科技大学 一种基于类别感知图神经网络的服务建模与推荐方法
CN117932278A (zh) * 2024-03-22 2024-04-26 四川省生态环境科学研究院 一种智慧城市环保监控系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140358665A1 (en) * 2013-05-31 2014-12-04 Wal-Mart Stores, Inc. Predictive Item Bundling Recommendation Systems And Methods
CN107633430A (zh) * 2017-09-20 2018-01-26 哈尔滨工业大学 一种基于群体社区的商品推荐方法
CN111125358A (zh) * 2019-12-17 2020-05-08 北京工商大学 一种基于超图的文本分类方法
CN111428699A (zh) * 2020-06-10 2020-07-17 南京理工大学 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统
CN111881350A (zh) * 2020-07-23 2020-11-03 清华大学 一种基于混合图结构化建模的推荐方法与系统
CN111881342A (zh) * 2020-06-23 2020-11-03 北京工业大学 一种基于图孪生网络的推荐方法
CN112417219A (zh) * 2020-11-16 2021-02-26 吉林大学 基于超图卷积的超边链接预测方法
CN112613602A (zh) * 2020-12-25 2021-04-06 神行太保智能科技(苏州)有限公司 基于知识感知超图神经网络的推荐方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140358665A1 (en) * 2013-05-31 2014-12-04 Wal-Mart Stores, Inc. Predictive Item Bundling Recommendation Systems And Methods
CN107633430A (zh) * 2017-09-20 2018-01-26 哈尔滨工业大学 一种基于群体社区的商品推荐方法
CN111125358A (zh) * 2019-12-17 2020-05-08 北京工商大学 一种基于超图的文本分类方法
CN111428699A (zh) * 2020-06-10 2020-07-17 南京理工大学 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统
CN111881342A (zh) * 2020-06-23 2020-11-03 北京工业大学 一种基于图孪生网络的推荐方法
CN111881350A (zh) * 2020-07-23 2020-11-03 清华大学 一种基于混合图结构化建模的推荐方法与系统
CN112417219A (zh) * 2020-11-16 2021-02-26 吉林大学 基于超图卷积的超边链接预测方法
CN112613602A (zh) * 2020-12-25 2021-04-06 神行太保智能科技(苏州)有限公司 基于知识感知超图神经网络的推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817663A (zh) * 2022-05-05 2022-07-29 杭州电子科技大学 一种基于类别感知图神经网络的服务建模与推荐方法
CN117932278A (zh) * 2024-03-22 2024-04-26 四川省生态环境科学研究院 一种智慧城市环保监控系统及方法

Similar Documents

Publication Publication Date Title
CN111310063B (zh) 基于神经网络的记忆感知门控因子分解机物品推荐方法
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
Honegger Shedding light on black box machine learning algorithms: Development of an axiomatic framework to assess the quality of methods that explain individual predictions
Guan et al. An adaptive neuro-fuzzy inference system based approach to real estate property assessment
CN113177159B (zh) 基于多通道超图神经网络的捆绑推荐方法
CN111611472A (zh) 一种基于图卷积神经网络的捆绑推荐方法及系统
CN110084670B (zh) 一种基于lda-mlp的货架商品组合推荐方法
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
JP5234085B2 (ja) ニューラルネットワークの学習方法
CN113505305A (zh) 基于解耦式双通道超图神经网络的协同过滤推荐方法和系统
Yu et al. Simple and effective stochastic neural networks
US20230351471A1 (en) Selling system using correlation analysis network and method therefor
CN110232638A (zh) 一种基于节点重要性与局部扩展的重叠社区发现方法
Zhu et al. Portal nodes screening for large scale social networks
CN113792768A (zh) 超图神经网络分类方法和装置
CN115358809A (zh) 一种基于图对比学习的多意图推荐方法及装置
Dekhovich et al. Continual prune-and-select: class-incremental learning with specialized subnetworks
CN111027610B (zh) 图像特征融合方法、设备和介质
Pham et al. Unsupervised training of Bayesian networks for data clustering
CN115760271A (zh) 基于图神经网络的机电商品个性化推荐方法和系统
KR20230069578A (ko) 그래프 신경망을 이용한 부호 인지 추천 장치 및 방법
CN116204723A (zh) 一种基于动态超图表示学习的社交推荐方法
CN110109005B (zh) 一种基于序贯测试的模拟电路故障测试方法
González et al. Re-training deep neural networks to facilitate Boolean concept extraction
CN113554241B (zh) 一种基于用户用电投诉行为的用户分层方法及预测方法

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