CN113641920B - 基于社区发现和图神经网络的商品个性化推荐方法及系统 - Google Patents

基于社区发现和图神经网络的商品个性化推荐方法及系统 Download PDF

Info

Publication number
CN113641920B
CN113641920B CN202111189859.8A CN202111189859A CN113641920B CN 113641920 B CN113641920 B CN 113641920B CN 202111189859 A CN202111189859 A CN 202111189859A CN 113641920 B CN113641920 B CN 113641920B
Authority
CN
China
Prior art keywords
user
commodity
node
nodes
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
CN202111189859.8A
Other languages
English (en)
Other versions
CN113641920A (zh
Inventor
王斌
侯正昂
盛津芳
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202111189859.8A priority Critical patent/CN113641920B/zh
Publication of CN113641920A publication Critical patent/CN113641920A/zh
Application granted granted Critical
Publication of CN113641920B publication Critical patent/CN113641920B/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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于社区发现和图神经网络的商品个性化推荐方法及系统，该方法包括：获取用户和商品的交互信息，以用户和商品映射为节点，交互信息映射为边，构建用户交互网络；在构建的用户交互网络中进行社区发现，根据用户所属社区重新赋予用户节点的属性；将具有属性的用户节点与商品交互信息重新构建二部图，将用户节点和商品节点映射为向量表示；将用户向量表示和商品向量表示及构建的二部图输入嵌入传播层进行图表示学习，优化用户向量表示和商品向量表示；对优化后的用户向量和商品向量进行内积操作，根据内积结果，预测用户点击商品的概率；得到针对用户的个性化商品推荐序列。本发明能缓解推荐的冷启动问题，达到较好的推荐效果。

Description

基于社区发现和图神经网络的商品个性化推荐方法及系统
技术领域
本发明涉及商品推荐技术领域，尤其涉及一种基于社区发现和图神经网络的商品个性化推荐方法及系统。
背景技术
近年来，随着云计算、大数据、物联网等技术的迅猛发展，互联网空间中各类应用的层出不穷引发了数据规模的爆炸式增长。大数据中蕴含着丰富的价值与巨大的潜力，将给人类社会带来变革性的发展，但同时也带来了严重的“信息过载”问题，如何快速有效地从纷繁复杂的数据中获取有价值的信息成为了当前大数据发展的关键难题。
推荐系统作为解决“信息过载”问题的有效方法，已经成为学术界和工业界的关注热点并得到了广泛应用，形成了众多相关研究成果．推荐系统根据用户需求和兴趣等，通过推荐算法从海量数据中挖掘出用户感兴趣的项目（如信息、服务、物品等），并将结果以个性化列表的形式推荐给用户。已有的相关研究表明，一个准确而高效的商品推荐方法及系统可以提高用户购物体验，并为商家带来更高的效益。
但现有推荐方法中由于用户与商品交互相比于商品总量过于稀疏，并且对于高阶交互信息应用不足，从而导致推荐效果不理想。
发明内容
本发明提供了一种基于社区发现和图神经网络的商品个性化推荐方法及系统，用以解决现有推荐方法中由于用户与商品交互相比于商品总量过于稀疏的技术问题。
为解决上述技术问题，本发明提出的技术方案为：
一种基于社区发现和图神经网络的商品个性化推荐方法，包括以下步骤：
获取用户和商品的交互信息，以用户和商品映射为节点，交互信息映射为边，构建用户交互网络；在构建的用户交互网络中进行社区发现，根据用户所属社区重新赋予用户节点的属性；
将具有属性的用户节点与商品交互信息重新构建二部图，将用户节点和商品节点映射为向量表示；
将用户向量表示和商品向量表示及构建的二部图输入嵌入传播层进行图表示学习，优化用户向量表示和商品向量表示；
对优化后的用户向量和商品向量进行内积操作，根据内积结果，预测用户点击商品的概率；得到针对用户的个性化商品推荐序列。
优选地，构建用户交互网络的方式，计算公式如下：
Figure 659995DEST_PATH_IMAGE001
Figure 99067DEST_PATH_IMAGE002
其中C为两节点之间的连接情况，若有连边则为1，无连边则为0，x为两节点之间的连边数量，U为用户节点，i，j为节点编号，n为交互的商品的数量，I表示商品，当两个用户共同对某个商品产生交互时，则这两个用户之间产生连边，构建用户与用户间的交互网络。
优选地，在构建的用户交互网络中进行社区发现，包括以下步骤：
通过计算节点的重要性，形成关键节点序列；
将每一个节点都视为一个社区，对网络进行初始化；
根据关键节点序列，按照关键性从高到低的顺序，尝试将当前节点的邻居节点纳入当前节点的社团，计算社团的增益情况，若增加，则将其纳入当前社团；重复直至社区判定函数数值不再增加为止。
优选地，节点的重要性计算方式为：
先在网络中创建一个地节点g，并为除地节点外的每个节点初始化重要性值s为1，并按照以下方式进行随机游走，直到各节点重要性值不再变化为止：
Figure 391639DEST_PATH_IMAGE003
其中i，j为节点，s为节点的重要性值，t为迭代的次数，
Figure 890753DEST_PATH_IMAGE004
为节点i，j的连接情况， 若直接相连则为1，若不相连则为0，
Figure 252465DEST_PATH_IMAGE005
表示节点i随机游走到节点j的概率；n为图中节点的 数量，
Figure 495227DEST_PATH_IMAGE006
为在t+1次迭代时i节点的重要性值，
Figure 642306DEST_PATH_IMAGE007
为在t次迭代时j节点的重要性值；迭 代结束算法收敛后，删除g节点；对每个节点的重要性值进行排序，得到一个节点的重要性 序列。
优选地，计算社团的增益情况，采用以下的增益函数Q：
Figure 46742DEST_PATH_IMAGE008
其中，m为网络中边的总数，
Figure 161329DEST_PATH_IMAGE004
为节点i，j的连接情况，若直接相连则为1，若不相连 则为0；
Figure 942203DEST_PATH_IMAGE009
和
Figure 193056DEST_PATH_IMAGE010
表示节点i和节点j的度；
Figure 781776DEST_PATH_IMAGE011
和
Figure 118079DEST_PATH_IMAGE012
分别表示节点i，j所属的社区；函数
Figure 702644DEST_PATH_IMAGE013
表示 i，j所属社区情况，若所属同一社区，即
Figure 73583DEST_PATH_IMAGE011
=
Figure 819822DEST_PATH_IMAGE012
，则函数值为1，反之则为0。
优选地，根据用户所属社区重新赋予用户节点的属性，包括：统计用户所属社区的所有用户的喜好标签；将统计的喜好标签重新赋予该用户，作为该用户节点的属性。
优选地，优化用户和商品节点的向量表示时，采用图神经网络的思想，对于节点每一阶的邻居信息采用消息构建和消息聚合两部分来实现，计算方式如下：
Figure 659733DEST_PATH_IMAGE014
Figure 516830DEST_PATH_IMAGE015
Figure 742275DEST_PATH_IMAGE016
其中
Figure 190574DEST_PATH_IMAGE017
为用户节点连接到商品节点所传递的信息，为消息构建部分
Figure 235891DEST_PATH_IMAGE018
为用户节 点u的向量表示，
Figure 912991DEST_PATH_IMAGE019
为商品节点i的向量表示，
Figure 258521DEST_PATH_IMAGE020
和
Figure 612142DEST_PATH_IMAGE021
为节点i和u的度，
Figure 144755DEST_PATH_IMAGE022
为消息衰减因子，
Figure 874814DEST_PATH_IMAGE023
和
Figure 825583DEST_PATH_IMAGE024
分别为节点本身信息的权重和
Figure 84526DEST_PATH_IMAGE018
与
Figure 370014DEST_PATH_IMAGE019
亲和性信息的权重；
Figure 372605DEST_PATH_IMAGE025
为用户节点u的嵌入向 量表示的一阶聚合，PReLu为激活函数，
Figure 427149DEST_PATH_IMAGE026
为向量
Figure 135954DEST_PATH_IMAGE018
本身的原始信息。
优选地，优化用户向量表示和商品向量表示时，共记录节点的三阶邻居信息，高阶向量表示具体计算方式如下：
Figure 643159DEST_PATH_IMAGE027
Figure 449441DEST_PATH_IMAGE028
Figure 624070DEST_PATH_IMAGE029
其中，
Figure 241128DEST_PATH_IMAGE030
为向量的阶数，范围为1-3，
Figure 501208DEST_PATH_IMAGE031
为节点u的
Figure 111181DEST_PATH_IMAGE030
阶向量表示，
Figure 874737DEST_PATH_IMAGE023
和
Figure 177543DEST_PATH_IMAGE024
分别为节点 上一阶消息本身的权重和上一阶商品向量与用户向量亲和性信息的权重；
对应地，将节点优化后的向量表示进行拼接，包括将对一到三阶的向量表示进行拼合，将用户节点或商品节点的各阶的向量表示对应拼接为用户向量或商品向量。
优选地，对优化后的用户向量和物品向量进行内积，包括：对拼接后的用户向量或商品向量进行内积，计算其相似程度，预测用户点击商品的概率，得到用户的个性化推荐序列，具体计算方式如下：
Figure 410072DEST_PATH_IMAGE032
其中，res(u,i)表示用户u和商品i的向量表示的内积结果，结果值越大，两者越相 似，用户点击该商品的概率越大；
Figure 558156DEST_PATH_IMAGE033
为拼接后的商品节点i的向量表示；
Figure 441799DEST_PATH_IMAGE034
为拼接后的用户节 点u的向量表示。
本发明还提供一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果：
1、本发明的基于社区发现和图神经网络的商品个性化推荐方法及系统，在构建用户节点向量表示时引入通过社区发现的方式挖掘用户的隐式偏好，并结合图卷积神经网络将用户-商品交互信息编码进其向量中，通过内积预测用户对商品点击的概率，能解决针对不同用户进行商品个性化商品推荐问题。并通过社区属性优化用户的初始的嵌入向量表示，降低了数据的稀疏性，缓解推荐的冷启动问题，达到较好的推荐效果。
2、在优选方案中，本发明使用图神经网络的方式对用户与商品向量进行优化，可以记录其高阶的交互信息，避免高阶交互信息应用不足所导致的推荐效果不理想的后果，可达到提高推荐效果的目的。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明优选实施例中的基于社区发现和图神经网络的商品个性化推荐方法的流程图；
图2为本发明优选实施例中的构建用户间的交互网络的示意图；
图3为本发明优选实施例中的某电商数据集所构建网络的社区划分结果的示意图；
图4 为本发明优选实施例中的某电商数据集重新赋予用户节点的示意图；
图5为本发明优选实施例中的社区发现算法流程图；
图6为本发明优选实施例中的图神经网络推荐模型架构图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1，本发明的基于社区发现和图神经网络的商品个性化推荐方法，包括：
S1：获取用户和商品的交互信息，以用户和商品映射为节点，交互信息映射为边，构建用户交互网络；在构建的用户交互网络中进行社区发现，根据用户所属社区重新赋予用户节点的属性。
S101：获取用户与商品的交互信息，并根据其建立用户与商品之间的二分网络，用户和商品映射为节点，交互信息映射为边，若用户与商品进行过交互（购买/点击操作），则为两个节点之间建立连边，构成二分网络图G(V,E)，其中，V为节点的集合，E为边的集合。
S102：根据二分网络图G(V,E)，发现用户之间的共同交互，构建用户与用户之间的交互图，计算方式如下：
Figure 915506DEST_PATH_IMAGE001
Figure 619019DEST_PATH_IMAGE002
其中C为两节点之间的连接情况，若有连边则为1，无连边则为0,x为两节点之间的连边的数量，U为用户节点，i，j为节点编号，n为交互的商品的数量，I表示商品，当两个用户共同对某个商品产生交互时，则这两个用户之间产生连边，构建用户与用户间的交互网络。如图2所示，在构建的二分网络，其中用户1和用户2共同交互商品2，用户1和用户3共同交互商品3，用户2和用户4共同交互商品4，因此在用户1和用户2之间，用户1和用户3之间，用户2和用户4之间创建连边，构成户交互网络(用户与用户之间的交互网络)。
S103：在构建的用户交互网络中进行社区发现，如图3所示，社区发现方法具体流程如图5所示，如下：
（1）计算节点的重要性，形成关键节点序列；
对于一个节点的关键与否，考虑的要素主要有两点：节点本身的信息量以及节点和其它关键节点的连接情况。在实施中，节点本身的信息量可以用节点的度来衡量，若节点的度越大，则该节点本身的信息量越高；节点和其它关键节点的连接情况可以用信息传递的方式来衡量，如果一个节点处在关键路径中（即许多关键节点需要它来作为桥梁），则在信息传递的过程中收到更多的信息，具体计算方式如下：
先在网络中创建一个地节点g，并为除地节点外的每个节点初始化重要性值s为1，并按照以下方式进行随机游走，直到各节点重要性值不再变化为止：
Figure 321527DEST_PATH_IMAGE003
其中， i，j为节点，s为节点的重要性值，t为迭代的次数，
Figure 325255DEST_PATH_IMAGE004
为节点i，j的连接情 况，若直接相连则为1，若不相连则为0，
Figure 704284DEST_PATH_IMAGE035
表示节点i随机游走到节点j的概率，n为图中节点 的数量，
Figure 160673DEST_PATH_IMAGE006
为在t+1次迭代时i节点的重要性值，
Figure 663942DEST_PATH_IMAGE007
为在t次迭代时j节点的重要性值。 迭代结束算法收敛后，删除g节点。
最后，对每个节点的信息量，即s的值进行从大到小排序，可以得到一个节点的重要性序列。
（2）将每一个节点都视为一个社区，对网络进行初始化；
（3）遍历到一个节点j时，尝试将其邻居节点i纳入该节点所属社团，判断如果纳入之后社区判定函数的变化情况，社区判定函数是一个衡量网络内社区结构的衡量标准，社团判定函数如下所示：
Figure 991018DEST_PATH_IMAGE036
其中m为网络中边的总数，
Figure 806528DEST_PATH_IMAGE004
为节点i，j的连接情况，若直接相连则为1，若不相连 则为0，
Figure 750213DEST_PATH_IMAGE009
和
Figure 43791DEST_PATH_IMAGE010
表示节点i和节点j的度，
Figure 507265DEST_PATH_IMAGE011
和
Figure 228096DEST_PATH_IMAGE012
分别表示节点i，j所属的社区，函数
Figure 393498DEST_PATH_IMAGE037
表示 i，j所属社区情况，若所属同一社区，即
Figure 490767DEST_PATH_IMAGE011
=
Figure 323594DEST_PATH_IMAGE012
，则函数值为1，反之则为0。
对于每次迭代判定该函数的增益情况可以用如下公式来表示：
Figure 700480DEST_PATH_IMAGE038
其中，
Figure 618757DEST_PATH_IMAGE039
表示社区C的内部的所有边的权值和，社区C为当前遍历的节点j所属社 区由于初始网络无向无权图，所以权值为社区C内部边和的两倍，
Figure 254138DEST_PATH_IMAGE040
表示所有指向区域C 中的节点的边的权值和，
Figure 675892DEST_PATH_IMAGE041
所有从节点j的邻居节点i指向社区C的边的权值和，
Figure 4105DEST_PATH_IMAGE042
为节点 i的权值和。对于整个网络，在做尝试节点i和社区C的合并时，其它社区的划分没有任何变 化，因此其它社区不影响整个网络的模块度总和，只有社区C和节点i的合并会影响到整个 网络的模块度的变化。
（4）每次遍历完一轮后，对形成的社区进行折叠，把每个社区折叠成一个超级节点，分别计算这些新生成的超级节点之间的连边权重，以及将社区内的所有点之间的连边权重之和设为超级节点的自环的权重。用于下一轮的遍历，直到增益数值不再增加为止，停止迭代。
S104：根据所发现的社区结构，如图4所示，对用户节点的属性以标签的形式进行重新赋值，具体方法如下：
（1）将用户本身交互过的物品记录携带的标签作为原始的用户节点属性；参见图４（ｂ）上栏；
（2）统计社区内所有用户的标签形成一个标签池；该标签池的标签（社区总tag）为[羽绒服，鞋，黄色，户外，电子产品...]”，参见图4(a)；
（3）将社区内的用户节点的属性更改为标签池中的标签；参见图４（ｂ）下栏。
社区结构是复杂网络中的重要结构，每个社区内部的结点间的连接相对非常紧密，但是各个社区之间的连接相对来说却比较稀疏。揭示用户交互网络的社区结构，可以找到用户的隐式偏好，挖掘出更有价值的信息，对用户进行个性化推荐，提高推荐系统的准确率具有重要意义。在实际中，往往用户交互记录和商品数量差距较大，单个用户的交互记录的数量级远远小于商品的数量级，这导致了数据的稀疏性，本实施例通过社区发现与用户属性的重新赋值可以有效缓解数据稀疏性。也缓解推荐的冷启动问题，从而达到较好的推荐效果。
S2：将具有属性的用户节点与商品交互信息重新构建二部图，将用户节点和商品节点映射为向量表示。本实施例中，采用one-hot编码或mult-hot编码将用户节点和商品节点转化为初始的嵌入向量表示，建立参数矩阵作为向量查找表：
Figure 894832DEST_PATH_IMAGE043
其中
Figure 333903DEST_PATH_IMAGE018
，
Figure 875743DEST_PATH_IMAGE019
分别为用户和商品的初始化向量，
Figure 109278DEST_PATH_IMAGE044
,R为特征空间，d表示嵌 入向量维度的大小，设置为256。
S3：将用户向量表示和商品向量表示及构建的二部图输入嵌入传播层进行图表示学习，优化用户向量表示和商品向量表示。如图6所示，建立基于图神经网络的推荐模型，输出对用户交互的商品的概率评价分数，主要流程如下：
S301：将构建的商品向量表示和用户向量表示作为向量表示层的数据输入模型中；
S302：采用所构建的二分网络，进行一阶的消息构建和消息传播，对用户向量和商品向量进行学习，具体方式如下：
Figure 736569DEST_PATH_IMAGE045
Figure 727134DEST_PATH_IMAGE046
Figure 857901DEST_PATH_IMAGE047
其中，
Figure 527917DEST_PATH_IMAGE017
为用户节点连接到商品节点所传递的信息，为消息构建部分
Figure 642503DEST_PATH_IMAGE018
为用户节 点u的向量表示，
Figure 157798DEST_PATH_IMAGE019
为商品节点i的向量表示，
Figure 424963DEST_PATH_IMAGE020
和
Figure 265880DEST_PATH_IMAGE021
为节点i和u的度，
Figure 602183DEST_PATH_IMAGE022
为消息衰减因子，
Figure 186748DEST_PATH_IMAGE023
和
Figure 308419DEST_PATH_IMAGE024
分别为节点本身信息的权重和
Figure 54658DEST_PATH_IMAGE018
与
Figure 878258DEST_PATH_IMAGE019
亲和性信息的权重。
Figure 935DEST_PATH_IMAGE025
为用户节点u的嵌入向 量表示的一阶聚合，PReLu为激活函数，
Figure 226380DEST_PATH_IMAGE026
为向量
Figure 159832DEST_PATH_IMAGE018
本身的原始信息。
S303：根据低阶的向量学习结果学习更高阶的向量表示，共学习三阶向量表示，原因在于对于网络来说，每一阶向量学习在物理意义上相当于记录其邻居的信息，三阶向量记录该节点的三阶邻居信息，更高阶的邻居信息过于庞大且不利于突出该节点的个性特征。具体计算方式如下：
Figure 736306DEST_PATH_IMAGE048
Figure 397095DEST_PATH_IMAGE049
Figure 477046DEST_PATH_IMAGE050
Figure 96247DEST_PATH_IMAGE030
为向量的阶数，范围为1-3，
Figure 376662DEST_PATH_IMAGE031
为节点u的
Figure 106720DEST_PATH_IMAGE030
阶向量表示，
Figure 41178DEST_PATH_IMAGE023
和
Figure 565701DEST_PATH_IMAGE024
分别为节点上一阶 消息本身的权重和上一阶商品向量与用户向量亲和性信息的权重。
使用图神经网络的方式对用户与商品向量进行优化，可以记录其高阶的交互信息，避免高阶交互信息应用不足所导致的推荐效果不理想的后果，可提高推荐效果。
S304：将用户(商品)节点各阶的向量表示聚合拼接为一个向量，计算方式如下：
Figure 851188DEST_PATH_IMAGE051
Figure 870091DEST_PATH_IMAGE052
其中+为拼接操作，对一到三阶的向量表示进行拼合，每个节点的向量保存其一到 三阶的交互信息，
Figure 659056DEST_PATH_IMAGE033
为拼接后的商品节点i的向量表示；
Figure 620058DEST_PATH_IMAGE034
为拼接后的用户节点u的向量表 示。
图神经网络是传统深度学习神经网络的一个分支，它可以将图结构（网络结构）这种非欧式空间的数据转化为低维的向量表示。推荐系统的数据往往是由用户信息，商品信息以及他们之间的交互信息组成，这些数据可以被处理成二部图的形式：用户和商品为节点，通过交互信息进行连边。采用图神经网络可以将这种复杂的二部图结构转化为向量的形式表示，通过用户向量与商品向量的操作可以计算用户点击商品的概率，达到推荐的效果。
S4：对聚合三阶邻居信息的用户向量和物品向量进行内积，计算其相似程度，预测用户点击商品的概率，得到用户的个性化推荐序列TopN，具体计算方式如下：
Figure 127263DEST_PATH_IMAGE053
res(u,i)表示用户u和商品i的向量表示的内积结果，结果值越大，则两者越相似，用户点击该商品的概率越大。
通过计算每个用户和将要推荐的商品序列的每个商品输入推荐模型计算res值，可以排序出N个用户最有可能点击的商品（N为人工参数，表示对用户推荐商品序列的长度），将这个序列中包含的商品推荐给用户，达到针对不同用户的商品个性化推荐的效果。
本发明还提供一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例的步骤。
综上所述，本发明中的基于社区发现和图神经网络的商品个性化推荐方法及系统，在构建用户节点向量表示时引入通过划分社区结构来赋予用户节点偏好属性，并结合图卷积神经网络将用户-商品交互信息编码进其向量中，通过内积预测用户对商品点击的概率，能解决针对不同用户进行商品个性化商品推荐问题。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，包括以下步骤：
获取用户和商品的交互信息，以用户和商品映射为节点，交互信息映射为边，构建用户交互网络；所述构建用户交互网络的方式，计算公式如下：
Figure FDA0003442305230000011
Figure FDA0003442305230000012
其中C为两节点之间的连接情况，若有连边则为1，无连边则为0，x为两节点之间的连边数量，U为用户节点，i，j为节点编号，n为交互的商品的数量，I表示商品，当两个用户共同对某个商品产生交互时，则这两个用户之间产生连边，构建用户与用户间的交互网络；
在构建的用户交互网络中进行社区发现，包括：通过计算节点的重要性，形成关键节点序列；节点的重要性包括：节点本身的信息量以及节点和其它关键节点的连接情况；将每一个节点都视为一个社区，对网络进行初始化；根据关键节点序列，按照关键性从高到低的顺序，尝试将当前节点的邻居节点纳入当前节点的社团，计算社团的增益情况，若增加，则将其纳入当前社团；重复直至增益数值不再增加为止；
根据用户所属社区重新赋予用户节点的属性；包括：将用户本身交互过的物品记录携带的标签作为原始的用户节点属性，统计用户所属社区的所有用户的喜好标签形成一个标签池；将社区内的用户节点的属性更改为标签池中的标签；
将具有属性的用户节点与商品交互信息重新构建二部图，将用户节点和商品节点映射为向量表示；
将用户向量表示和商品向量表示及构建的二部图输入嵌入传播层进行图表示学习，优化用户向量表示和商品向量表示；
对优化后的用户向量和商品向量进行内积操作，根据内积结果，预测用户点击商品的概率；得到针对用户的个性化商品推荐序列。
2.根据权利要求1所述的基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，节点的重要性计算方式为：
先在网络中创建一个地节点g，并为除地节点外的每个节点初始化重要性值s为1，并按照以下方式进行随机游走，直到各节点重要性值不再变化为止：
Figure FDA0003442305230000013
其中i，j为节点，s为节点的重要性值，t为迭代的次数，aij为节点i，j的连接情况，若直接相连则为1，若不相连则为0，
Figure FDA0003442305230000021
表示节点i随机游走到节点j的概率；dj表示节点j的度；n为图中节点的数量，si(t+1)为在t+1次迭代时i节点的重要性值，sj(t)为在t次迭代时j节点的重要性值；迭代结束算法收敛后，删除g节点；对每个节点的重要性值进行排序，得到一个节点的重要性序列。
3.根据权利要求1所述的基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，计算社团的增益情况，采用以下的增益函数Q：
Figure FDA0003442305230000022
其中，m为网络中边的总数，aij为节点i，j的连接情况，若直接相连则为1，若不相连则为0；di和dj表示节点i和节点j的度；ci和cj分别表示节点i，j所属的社区；函数δ(ci,cj)表示i，j所属社区情况，若所属同一社区，即ci＝cj，则函数值为1，反之则为0。
4.根据权利要求1所述的基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，优化用户和商品节点的向量表示时，采用图神经网络的思想，对于节点每一阶的邻居信息采用消息构建和消息聚合两部分来实现，计算方式如下：
Figure FDA0003442305230000023
Figure FDA0003442305230000024
Mu←u＝W1eu
其中Mi←u为用户节点连接到商品节点所传递的信息，为消息构建部分；eu为用户节点u的向量表示，ei为商品节点i的向量表示，di和du为节点i和u的度，
Figure FDA0003442305230000025
为消息衰减因子，W1和W2分别为节点本身信息的权重和eu与ei亲和性信息的权重；
Figure FDA0003442305230000026
为用户节点u的嵌入向量表示的一阶聚合，PReLu为激活函数，Mu←u为向量eu本身的原始信息。
5.根据权利要求4所述的基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，优化用户向量表示和商品向量表示时，共记录节点的三阶邻居信息，高阶向量表示具体计算方式如下：
Figure FDA0003442305230000031
Figure FDA0003442305230000032
Figure FDA0003442305230000033
其中，l为向量的阶数，范围为1-3，
Figure FDA0003442305230000034
为节点u的l阶向量表示，W1和W2分别为节点上一阶消息本身的权重和上一阶商品向量与用户向量亲和性信息的权重；
对应地，将节点优化后的向量表示进行拼接，包括将对一到三阶的向量表示进行拼合，将用户节点或商品节点的各阶的向量表示对应拼接为用户向量或商品向量。
6.根据权利要求5所述的基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，对优化后的用户向量和物品向量进行内积，包括：对拼接后的用户向量或商品向量进行内积，计算其相似程度，预测用户点击商品的概率，得到用户的个性化推荐序列，具体计算方式如下：
Figure FDA0003442305230000035
其中，res(u,i)表示用户u和商品i的向量表示的内积结果，结果值越大，两者越相似，用户点击该商品的概率越大；
Figure FDA0003442305230000036
为拼接后的商品节点i的向量表示；
Figure FDA0003442305230000037
为拼接后的用户节点u的向量表示。
7.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6中任一所述方法的步骤。
CN202111189859.8A 2021-10-13 2021-10-13 基于社区发现和图神经网络的商品个性化推荐方法及系统 Active CN113641920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111189859.8A CN113641920B (zh) 2021-10-13 2021-10-13 基于社区发现和图神经网络的商品个性化推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111189859.8A CN113641920B (zh) 2021-10-13 2021-10-13 基于社区发现和图神经网络的商品个性化推荐方法及系统

Publications (2)

Publication Number Publication Date
CN113641920A CN113641920A (zh) 2021-11-12
CN113641920B true CN113641920B (zh) 2022-02-18

Family

ID=78426531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111189859.8A Active CN113641920B (zh) 2021-10-13 2021-10-13 基于社区发现和图神经网络的商品个性化推荐方法及系统

Country Status (1)

Country Link
CN (1) CN113641920B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417161B (zh) * 2022-01-21 2023-04-07 杭州碧游信息技术有限公司 基于异构图的虚拟物品时序推荐方法、装置、介质及设备
CN114202395A (zh) * 2022-01-21 2022-03-18 福州大学 基于关键商品识别的在线商品推荐方法及系统
CN114357312B (zh) * 2022-03-16 2022-06-10 中南大学 基于图神经网络自动建模的社区发现方法及个性推荐方法
CN114936892B (zh) * 2022-04-24 2024-06-18 福州大学 基于联邦迁移学习标签传播的线下商品推荐系统及方法
CN114692007B (zh) * 2022-06-01 2022-08-23 腾讯科技（深圳）有限公司 表示信息的确定方法、装置、设备及存储介质
CN114936907B (zh) * 2022-06-15 2024-04-30 山东大学 一种基于节点类型交互的商品推荐方法及系统
CN116402589B (zh) * 2023-06-05 2023-09-15 湖南师范大学 一种基于知识图和旋转编码的商品推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292008A (zh) * 2020-03-03 2020-06-16 电子科技大学 一种基于知识图谱的隐私保护数据发布风险评估方法
CN112131486A (zh) * 2020-08-31 2020-12-25 浙江工业大学 一种基于图卷积神经网络和相似性的电商网络平台用户社区发现方法
WO2021029945A1 (en) * 2019-08-15 2021-02-18 Microsoft Technology Licensing, Llc Message recommendation system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021029945A1 (en) * 2019-08-15 2021-02-18 Microsoft Technology Licensing, Llc Message recommendation system
CN111292008A (zh) * 2020-03-03 2020-06-16 电子科技大学 一种基于知识图谱的隐私保护数据发布风险评估方法
CN112131486A (zh) * 2020-08-31 2020-12-25 浙江工业大学 一种基于图卷积神经网络和相似性的电商网络平台用户社区发现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fast unfolding of communities in large networks;Vincent D. Blondel;《arXiv》;20180725;全文 *
SIGIR2019开源论文：基于图神经网络的协同过滤算法;PaperWeekly;《知乎》;20190921;正文第1-12页 *

Also Published As

Publication number Publication date
CN113641920A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113641920B (zh) 基于社区发现和图神经网络的商品个性化推荐方法及系统
CN111444395B (zh) 获取实体间关系表达的方法、系统和设备、广告召回系统
CN112364976B (zh) 基于会话推荐系统的用户偏好预测方法
CN106251174A (zh) 信息推荐方法及装置
CN110119474A (zh) 推荐模型训练方法、基于推荐模型的预测方法及装置
CN110910218A (zh) 一种基于深度学习的多行为迁移推荐方法
CN112950324B (zh) 一种知识图谱辅助的成对排序个性化电商推荐方法及系统
CN113592609B (zh) 一种利用时间因素的个性化服饰搭配推荐方法与系统
CN113255844B (zh) 基于图卷积神经网络交互的推荐方法及系统
Wang et al. Modelling local and global dependencies for next-item recommendations
CN112487199A (zh) 一种基于用户购买行为的用户特征预测方法
CN111949892B (zh) 一种多关系感知的时态交互网络预测方法
CN114386513A (zh) 一种集成评论与评分的交互式评分预测方法及系统
CN115186197A (zh) 一种基于端到端双曲空间的用户推荐方法
CN113868537B (zh) 一种基于多行为会话图融合的推荐方法
CN115858800A (zh) 一种基于类比推理的增强知识图谱补全方法
Wei et al. DLGNN: A Double-layer Graph Neural Network Model Incorporating Shopping Sequence Information for Commodity Recommendation.
CN112989182B (zh) 信息处理方法、装置、信息处理设备及存储介质
CN114429384B (zh) 基于电商平台的产品智能推荐方法及系统
CN116821519A (zh) 一种基于图结构的系统过滤和降噪的智能推荐方法
CN112734519B (zh) 一种基于卷积自编码器网络的商品推荐方法
CN114610967A (zh) 一种应用于用户画像领域的数据增广方法
Bai et al. Meta-graph embedding in heterogeneous information network for top-n recommendation
CN113569139A (zh) 一种个性化会话推荐方法和系统
CN113688315B (zh) 一种基于无信息损失图编码的序列推荐方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Bin

Inventor after: Hou Zhengang

Inventor after: Sheng Jinfang

Inventor before: Wang Bin

Inventor before: Hou Zhengang

Inventor before: Sheng Jinfang

GR01 Patent grant
GR01 Patent grant