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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 119
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 230000002452 interceptive effect Effects 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
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:
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:
其中i,j为节点,s为节点的重要性值,t为迭代的次数,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,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,为在t+1次迭代时i节点的重要性值,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:
其中,m为网络中边的总数,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;和表示节点i和节点j的度;和分别表示节点i,j所属的社区;函数表示
i,j所属社区情况,若所属同一社区,即=,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:
其中为用户节点连接到商品节点所传递的信息,为消息构建部分为用户节
点u的向量表示,为商品节点i的向量表示,和为节点i和u的度,为消息衰减因子,和分别为节点本身信息的权重和与亲和性信息的权重;为用户节点u的嵌入向
量表示的一阶聚合,PReLu为激活函数,为向量本身的原始信息。
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:
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:
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:
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:
其中, i,j为节点,s为节点的重要性值,t为迭代的次数,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,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,为在t+1次迭代时i节点的重要性值,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:
其中m为网络中边的总数,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,和表示节点i和节点j的度,和分别表示节点i,j所属的社区,函数表示
i,j所属社区情况,若所属同一社区,即=,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:
其中,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,表示所有指向区域C
中的节点的边的权值和,所有从节点j的邻居节点i指向社区C的边的权值和,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:
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:
其中,为用户节点连接到商品节点所传递的信息,为消息构建部分为用户节
点u的向量表示,为商品节点i的向量表示,和为节点i和u的度,为消息衰减因子,和分别为节点本身信息的权重和与亲和性信息的权重。为用户节点u的嵌入向
量表示的一阶聚合,PReLu为激活函数,为向量本身的原始信息。
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:
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:
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:
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:
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:
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。
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)
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)
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 |
-
2021
- 2021-10-13 CN CN202111189859.8A patent/CN113641920B/zh active Active
Patent Citations (3)
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)
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 |