CN113688974B - 一种基于轻量化图卷积网络的移动应用推荐方法 - Google Patents
一种基于轻量化图卷积网络的移动应用推荐方法 Download PDFInfo
- Publication number
- CN113688974B CN113688974B CN202110853793.1A CN202110853793A CN113688974B CN 113688974 B CN113688974 B CN 113688974B CN 202110853793 A CN202110853793 A CN 202110853793A CN 113688974 B CN113688974 B CN 113688974B
- Authority
- CN
- China
- Prior art keywords
- mobile application
- embedding
- user
- matrix
- layer
- 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 32
- 230000003993 interaction Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- FCQJEPASRCXVCB-UHFFFAOYSA-N flavianic acid Chemical compound C1=C(S(O)(=O)=O)C=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FCQJEPASRCXVCB-UHFFFAOYSA-N 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种基于轻量化图卷积网络的移动应用推荐方法,首先利用二部图建模APP与用户的交互关系,利用高阶连通性(树形图)进行初始的嵌入;然后,在轻量化图卷积层中,使用嵌入传播沿着图结构捕获协同过滤信号以进一步细化移动应用与用户的嵌入;最后,通过内积预测出用户对于不同移动应用的偏好,完成推荐任务。本发明属于移动应用技术领域,具体是指一种基于轻量化图卷积网络的移动应用推荐方法。
Description
技术领域
本发明属于移动应用技术领域,具体是指一种基于轻量化图卷积网络的移动应用推荐方法。
背景技术
随着移动应用数量和类型的快速增长,如何准确地向用户推荐移动应用成为一个新的挑战。图卷积神经网络是一种典型的移动应用推荐技术。然而,现有的基于图卷积神经网络的移动应用推荐中存在着非线性激活、特征变换等操作,这些操作用于对用户与移动应用之间的高阶交互关系进行建模和表征会增加模型训练的难度,导致过平滑效应,降低了推荐性能。
其中,轻量化图卷积网络:LGC;
发明内容
为了解决上述难题,本发明提供了一种基于轻量化图卷积网络的移动应用推荐方法。
本发明采取的技术方案如下:一种基于轻量化图卷积网络的移动应用推荐方法,包括如下步骤:
1)初始嵌入层:嵌入向量ei∈Rd代表用户u的嵌入矩阵,ei∈Rd代表移动应用i嵌入矩阵,其中d为移动应用或用户的嵌入维度大小;因两者的嵌入维度一致,将参数矩阵构建整合为一个嵌入的大矩阵,具体如公式(1)、(2)所示:
2)轻量化图卷积层:在LGC层,对下一层进行归一化邻域嵌入求和,在LGC层的组合过程中,对每一层的嵌入进行求和,得到最终的向量表示;通过将移动应用节点和用户节点的特征聚合在图上,学习新节点的向量表示,将模型迭代地进行图卷积,即将邻域的特征聚合为目标节点的新向量表示,这种邻域聚合可以抽象为:
其中,AGG表示线性聚合函数,LGC仅从邻居传播信息,通过传播来自其连接用户的信息来获得移动应用i的表征/>LGC中的传播规则为:
根据公式(4)和(5),以二阶传播嵌入为例,得知:
在LGC中,eu(0):表示所有用户、ei(0):表示所有移动应用,当给定第0层嵌入时,通过公式(4)和(5)中定义的LGC传播规则计算更高层的嵌入,通过堆叠K个嵌入传播层,用户或移动应用接收从其K跳邻居传播的消息,以形成用户和移动应用节点的最终向量表征:
其中,αk为可学习的权重系数;
另外,矩阵形式的传播规则:用户-移动应用交互矩阵为其中,M和N分别表示用户数量和移动应用数量,如果u与i交互,则Rui为1,否则为0;用户-移动应用交互的邻接矩阵为:
其中T是嵌入大小,给定第0层的嵌入矩阵,得到LGC矩阵的等价形式:
其中,D是一个(M+N)×(M+N)的对角正定矩阵,也称为邻接矩阵A的度矩阵;为对称归一化矩阵。
3)移动应用推荐层:通过LGC层的嵌入传播,得到用户u和移动应用i的多个向量表示;根据生成的节点向量表示,计算内积可以根据下式(11)预测用户对移动应用的偏好得分:
本发明采取上述结构取得有益效果如下:本发明提供的一种基于轻量化图卷积网络的移动应用推荐方法,在该方法中,首先利用二部图建模APP与用户的交互关系,利用高阶连通性(树形图)进行初始的嵌入;然后,在轻量化图卷积层中,使用嵌入传播沿着图结构捕获协同过滤信号以进一步细化移动应用与用户的嵌入;最后,通过内积预测出用户对于不同移动应用的偏好,完成推荐任务。通过在kaggle真实数据集上的对比实验证明了MR-LGC方法的合理性和有效性。引入关联图注意力网络,挖掘用户与APP之间的深层次交互关系,并利用自注意力机制计算不同邻居节点的权重及影响力,实现更为精准的移动应用推荐。
附图说明
图1为本发明一种基于轻量化图卷积网络的移动应用推荐方法的模型图;
图2为本发明一种基于轻量化图卷积网络的移动应用推荐方法的传播图;
图3为本发明一种基于轻量化图卷积网络的移动应用推荐方法的不同正则化系数下三层LGC在移动应用数据集上的性能。
具体实施方式
下面结合具体实施对本发明的技术方案进行进一步详细地说明,本发明所述的技术特征或连接关系没有进行详细描述的部分均为采用的现有技术。
以下结合实施例,对本发明做进一步详细说明。
如图1-3所示,本发明采取的技术方案如下:一种基于轻量化图卷积网络的移动应用推荐方法,包括如下步骤:
1)初始嵌入层:嵌入向量ei∈Rd代表用户u的嵌入矩阵,ei∈Rd代表移动应用i嵌入矩阵,其中d为移动应用或用户的嵌入维度大小;因两者的嵌入维度一致,将参数矩阵构建整合为一个嵌入的大矩阵,具体如公式(1)、(2)所示:
2)轻量化图卷积层:在LGC层,对下一层进行归一化邻域嵌入求和,在LGC层的组合过程中,对每一层的嵌入进行求和,得到最终的向量表示;通过将移动应用节点和用户节点的特征聚合在图上,学习新节点的向量表示,将模型迭代地进行图卷积,即将邻域的特征聚合为目标节点的新向量表示,这种邻域聚合可以抽象为:
其中,AGG表示线性聚合函数,LGC仅从邻居传播信息,通过传播来自其连接用户的信息来获得移动应用i的表征/>LGC中的传播规则为:
根据公式(4)和(5),以二阶传播嵌入为例,得知:
在LGC中,eu(0):表示所有用户、ei(0):表示所有移动应用,当给定第0层嵌入时,通过公式(4)和(5)中定义的LGC传播规则计算更高层的嵌入,通过堆叠K个嵌入传播层,用户或移动应用接收从其K跳邻居传播的消息,以形成用户和移动应用节点的最终向量表征:
其中,αk为可学习的权重系数;
另外,矩阵形式的传播规则:用户-移动应用交互矩阵为其中,M和N分别表示用户数量和移动应用数量,如果u与i交互,则Rui为1,否则为0;用户-移动应用交互的邻接矩阵为:
其中T是嵌入大小,给定第0层的嵌入矩阵,得到LGC矩阵的等价形式:
其中,D是一个(M+N)×(M+N)的对角正定矩阵,也称为邻接矩阵A的度矩阵;为对称归一化矩阵。
3)移动应用推荐层:通过LGC层的嵌入传播,得到用户u和移动应用i的多个向量表示;根据生成的节点向量表示,计算内积可以根据下式(11)预测用户对移动应用的偏好得分:
以上对本发明及其实施方式进行了描述,这种描述没有限制性。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
具体使用时,
1、初始嵌入层
嵌入向量ei∈Rd代表用户u的嵌入矩阵,代表移动应用i嵌入矩阵,其中d为移动应用或用户的嵌入维度大小。因两者的嵌入维度一致,可以看作是将参数矩阵构建整合为一个嵌入的大矩阵,具体如公式(1)、(2)所示:
2、轻量化图卷积层
在LGC层,只对下一层进行归一化邻域嵌入求和,去除了自连接、特征变换和非线性激活等操作,大大简化了GCN。在LGC层的组合过程中,对每一层的嵌入进行求和,得到最终的向量表示。基本思想是通过将移动应用节点和用户节点的特征聚合在图上,学习新节点的向量表示。为了实现这一目标,该模型迭代地进行图卷积,即将邻域的特征聚合为目标节点的新向量表示。这种邻域聚合可以抽象为:
其中,AGG表示线性聚合函数,LGC仅从邻居传播信息,去除了常见的自连接操作。类似地,可以通过传播来自其连接用户的信息来获得移动应用i的表征/>
直观地说,用户与移动应用的交互能直接体现出用户的偏好;类似地,使用过移动应用的用户可以被视为相应移动应用的特征,并用于衡量两个移动应用的协作相似性。在LightGCN中,采用简单的加权和聚合器,放弃了特征变换和非线性激活函数的使用。LightGCN中的传播规则为:
根据公式(4)和(5),以二阶传播嵌入为例,得知:
从上式(6)中,不难发现:
·移动应用节点与用户节点之间的公共交互项越多,对特征更新的影响越显著。
·移动应用节点与用户节点交互的流行度越低(即交互移动应用的流行度越低,能够更好地反映用户的个性化偏好),对特征更新的影响就越显著。
·v的活跃度越低,对特征更新的影响越显著。
在LGC层中,不同层的嵌入捕获不同的语义。例如,第一层对具有交互的用户和APP进行平滑处理,第二层对具有重叠交互APP(用户)的用户(APP)进行平滑处理,并且将不同层的嵌入与加权和相结合,可以捕捉到图卷积与自连接的效果。简化后的网络,通过聚合不同层的嵌入,可以缓解图卷积聚合操作中的过度平滑问题。
例如,对于用户u1来说,首先由三跳邻居i2、i4、i5开始进行上述的加权,然后聚合二跳邻居u1和u2进行加权(此时u1完成了更新)并更新i2。同样地,其它的移动应用i1和i3也会进行相应的更新。最后,由i1 、i2和i3一起更新u1。由此,通过这种相互更新与相互迭代,完成了LGC层的高阶交互特征更新学习及嵌入传播。
在LightGCN中,唯一可训练的模型参数是第0层的嵌入,即eu (0)(表示所有用户)、(表示所有移动应用)。当给定第0层嵌入时,就可以通过公式(4)和(5)中定义的LGC传播规则计算更高层的嵌入。通过堆叠K个嵌入传播层,用户(或移动应用)能够接收从其K跳邻居传播的消息,以形成用户和移动应用节点的最终向量表征:
其中,αk为可学习的权重系数,可通过神经网络训练进行调整优化。经过多次实验发现,当αk取值为1/(K+1)时,实验性能最佳;
为了提供嵌入传播的整体视图并便于批量实现,本文给出矩阵形式的传播规则。令用户-移动应用交互矩阵为其中,M和N分别表示用户数量和移动应用数量,如果u与i交互,则Rui为1,否则为0。由此,用户-移动应用交互的邻接矩阵为:
其中T是嵌入大小。给定第0层的嵌入矩阵,可以得到LGC矩阵的等价形式:
其中,D是一个(M+N)×(M+N)的对角正定矩阵,也称为邻接矩阵A的度矩阵;为对称归一化矩阵。
3、移动应用推荐层
通过LGC层的嵌入传播,可以得到用户u和移动应用i的多个向量表示。根据生成的节点向量表示,计算内积可以根据下式(11)预测用户对移动应用的偏好得分:
从数据集中,我们观察到大多数用户与移动应用程序的交互记录很少,而且通常只有一两条记录。为了便于实验过程测试集的验证,消除了没有用户信息的交互记录。从清理后的数据集中选择用户与移动应用之间有4条或4条以上交互记录的数据作为最终数据集,其中75%作为训练集,25%作为测试集。
评价指标
为了评价Top-K推荐和用户偏好排序的有效性,实验中采用了三种常用的评价指标,即NDCG@K,Precision@K和Recall@K.具体情况如下:
准确率(Precision):推荐正确相关的移动应用Recom(Ai)占所有相关移动应用Real(Ai)的比例,公式如下:
召回率(Recall):推荐正确相关的移动应用Recom(Ai)占整个推荐的移动应用Real(Ai)的比例,公式如下:
归一化折损累积增益(Normalized Discounted Cumulative Gain:NDCG@N):衡量排序质量的指标,在此用来衡量推荐列表中推荐移动应用排名优劣。与推荐越相关的移动应用排序越靠前,NDCG@K值就越大,因此移动应用推荐列表排序结果越好。公式如下:
其中reli是用户对移动应用i的评价,DCG使得排名较高的结果影响最终结果,IDCG是理想情况下DCG的最大值。
为了验证实验性能,采用以下方法作为比较方法:
矩阵分解(MF):首先根据用户与移动应用之间的历史交互信息建立矩阵,然后通过SVD等分解策略将用户或移动应用的ID作为向量直接嵌入,最后利用内积对用户与移动应用之间的交互进行建模。
神经矩阵分解(NeuMF):提取用户与移动应用之间的潜在特征,然后用更复杂的操作代替简单的向量内积来完成特征交互,以弥补目标不能完全拟合的缺陷。该模型可以结合MF的线性关系和DNNS的非线性关系,建立用户与移动应用之间的潜在交互模型。
图卷积神经网络(GCN):将节点信息和拓扑结构自然结合,表现为用户社交网络和用户移动应用图,了解用户和移动应用的潜在特征。使用图卷积的局部一阶近似来确定用户和移动应用的向量表示。
图卷积矩阵补全(GC-MC)[20]:从链路预测的角度出发,考虑到移动应用推荐的矩阵补码,采用了一种基于双向交互图上可区分消息的图自动编码框架。
基于用户交互的移动应用推荐(MR-UI)[19]:将用户项的高阶连通性引入到移动应用推荐任务中,并使用交互函数来弥补移动应用和用户的嵌入式表示的不足。MR-UI将作为实验和分析的主要对比方法。
比较所有方法的性能并分析实验结果。在该方法中,嵌入传播层的数目为3,K等于20。各种方法的实验结果可以发现:
在所有的比较方法中,MF的性能最差。矩阵分解是一种早期的模型,它直接将用户的单个ID投影到嵌入中。其内积无法充分拟合移动应用与用户之间的复杂交互关系,在一定程度上限制了模型的性能。NeuMF总是优于MF,这说明了神经注意力机制在移动应用相似度计算中区分了移动应用在交互历史中的重要性。然而,从用户-项目交互图的角度来看,这种改进可以被看作是来自于使用用户的子图结构——更具体地说,是它的一跳邻居来改进嵌入学习,但没有显式地对嵌入学习过程中的连接进行建模。
在大多数情况下,GC-MC通常比GCN具有更好的性能,这可能是由于具有矩阵补全的自编码框架可以生成更精确的用户和移动应用的嵌入式表示。
整体上,MR-LGC保持着较好的性能。特别地,当K=20时,MR-LGC相比于MF、NeuMF、GCN和GC-MC在Recall@K上分别有166.55%、50.77%、116.75%和113.6%的提升,在NDCG@K上分别有74.32%、12.12%、46.48%和43.90%的提升,显著的改善是在Precision@K上分别有127.46%、44.51%、127.05%和93.67%的提升。通过叠加多个嵌入传播层,MR-LGC可以显式地探索高阶连通性,而GCN和GC-MC只使用一阶邻域来获得移动应用和用户的表示。这证明了在嵌入函数中捕获协作信号的重要性。
相比于MR-UI方法,实验详细测试了K=20、40和60、嵌入传播层数L分别为1、2和3时MR-LGC的实验性能。实验结果可以发现:
LGC可以通过叠加卷积层来捕获高阶连通性。LGC中不同层的实验性能也验证了这一点。当卷积层数从1层设置为3层时,各指标的实验性能不断提高。同时也证明了在移动应用推荐任务中提取重叠项和高阶连通性语义的必要性。
与MR-UI相比,MR-LGC在使用不同的嵌入传播层的情况下在性能上都有更好的表现Recall@K,Precision@K以及NDCG@K.MR-LGC在任何度量上都优于MR-UI,这验证了MR-LGC不仅可以通过多层嵌入传播提取交互甚至重叠项的语义,而且验证了简化的NGCF模型在移动应用推荐任务中可以带来更好的性能。
模型训练
在移动应用推荐场景中,推荐系统需要向千万个移动应用中的用户推荐个位数的移动应用。为了学习模型中的参数,我们需要一个损失函数,它可以根据每个用户的偏好对每个用户对应的所有移动应用进行排序,更好地反映用户的偏好。交互项应该有较高的预测值。因此,选择了在移动应用推荐中得到广泛应用的BPR损失函数,并使用Adam作为mini-batch优化器。具体损失函数如下:
其中,λ控制L2正则化的权重以防止过度拟合。LGC的可训练参数只嵌入第0层,即E(0)。这使得模型的复杂度与矩阵分解的复杂度相同,即O(|Ω|K)对于所有观测实体的一次遍历。
不同正则化系数下三层LGC在移动应用数据集上的性能
为了分析超参数λ对模型精度的影响。实验将针对不同的λ开展,λ设定为1e-3时,模型的精度最高。当λ从0到1e-3时,模型训练效果稳步提高。但是,当λ设置为1e-2到1e-1时,训练效果明显下降,这可能是由于模型过拟合效应造成的。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (1)
1.一种基于轻量化图卷积网络的移动应用推荐方法,其特征在于,包括如下步骤:
1)初始嵌入层:嵌入向量ei∈Rd代表用户u的嵌入矩阵,ei∈Rd代表移动应用i嵌入矩阵,其中d为移动应用或用户的嵌入维度大小;因两者的嵌入维度一致,将参数矩阵构建整合为一个嵌入的大矩阵,具体如公式(1)、(2)所示:
2)轻量化图卷积层:在LGC层,对下一层进行归一化邻域嵌入求和,在LGC层的组合过程中,对每一层的嵌入进行求和,得到最终的向量表示;通过将移动应用节点和用户节点的特征聚合在图上,学习新节点的向量表示,将模型迭代地进行图卷积,即将邻域的特征聚合为目标节点的新向量表示,这种邻域聚合可以抽象为:
其中,AGG表示线性聚合函数,LGC仅从邻居传播信息,通过传播来自其连接用户的信息来获得移动应用i的表征/>
LGC中的传播规则为:
根据公式(4)和(5),以二阶传播嵌入为例,得知:
在LGC中,eu(0):表示所有用户、ei(0):表示所有移动应用,当给定第0层嵌入时,通过公式(4)和(5)中定义的LGC传播规则计算更高层的嵌入,通过堆叠K个嵌入传播层,用户或移动应用接收从其K跳邻居传播的消息,以形成用户和移动应用节点的最终向量表征:
其中,αk为可学习的权重系数;
另外,矩阵形式的传播规则:用户-移动应用交互矩阵为其中,M和N分别表示用户数量和移动应用数量,如果u与i交互,则Rui为1,否则为0;用户-移动应用交互的邻接矩阵为:
其中T是嵌入大小,给定第0层的嵌入矩阵,得到LGC矩阵的等价形式:
其中,D是一个(M+N)×(M+N)的对角正定矩阵,也称为邻接矩阵A的度矩阵;为对称归一化矩阵;
3)移动应用推荐层:通过LGC层的嵌入传播,得到用户u和移动应用i的多个向量表示;根据生成的节点向量表示,计算内积可以根据下式(11)预测用户对移动应用的偏好得分:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853793.1A CN113688974B (zh) | 2021-07-28 | 2021-07-28 | 一种基于轻量化图卷积网络的移动应用推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853793.1A CN113688974B (zh) | 2021-07-28 | 2021-07-28 | 一种基于轻量化图卷积网络的移动应用推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688974A CN113688974A (zh) | 2021-11-23 |
CN113688974B true CN113688974B (zh) | 2023-10-24 |
Family
ID=78578008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853793.1A Active CN113688974B (zh) | 2021-07-28 | 2021-07-28 | 一种基于轻量化图卷积网络的移动应用推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688974B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861072B (zh) * | 2022-07-05 | 2022-11-29 | 浙商银行股份有限公司 | 一种基于层间组合机制的图卷积网络推荐方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3080373A1 (en) * | 2019-05-10 | 2020-11-10 | Royal Bank Of Canada | System and method for machine learning architecture with privacy-preserving node embeddings |
CN112115378A (zh) * | 2020-09-16 | 2020-12-22 | 长沙理工大学 | 基于图卷积协同过滤的推荐预测系统以及推荐预测方法 |
CN112836125A (zh) * | 2021-02-08 | 2021-05-25 | 东北师范大学 | 一种基于知识图谱和图卷积网络的推荐方法及其系统 |
CN112905900A (zh) * | 2021-04-02 | 2021-06-04 | 辽宁工程技术大学 | 基于图卷积注意力机制的协同过滤推荐算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11373233B2 (en) * | 2019-02-01 | 2022-06-28 | Target Brands, Inc. | Item recommendations using convolutions on weighted graphs |
CN112000819B (zh) * | 2019-05-27 | 2023-07-11 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-07-28 CN CN202110853793.1A patent/CN113688974B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3080373A1 (en) * | 2019-05-10 | 2020-11-10 | Royal Bank Of Canada | System and method for machine learning architecture with privacy-preserving node embeddings |
CN112115378A (zh) * | 2020-09-16 | 2020-12-22 | 长沙理工大学 | 基于图卷积协同过滤的推荐预测系统以及推荐预测方法 |
CN112836125A (zh) * | 2021-02-08 | 2021-05-25 | 东北师范大学 | 一种基于知识图谱和图卷积网络的推荐方法及其系统 |
CN112905900A (zh) * | 2021-04-02 | 2021-06-04 | 辽宁工程技术大学 | 基于图卷积注意力机制的协同过滤推荐算法 |
Non-Patent Citations (2)
Title |
---|
基于知识图谱嵌入与多神经网络的序列推荐算法;沈冬东;汪海涛;姜瑛;陈星;;计算机工程与科学(09);全文 * |
面向推荐系统的图卷积网络;葛尧;陈松灿;;软件学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688974A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428147B (zh) | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 | |
CN111611472B (zh) | 一种基于图卷积神经网络的捆绑推荐方法及系统 | |
CN111523047A (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN113672811B (zh) | 一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法、系统及计算机可读存储介质 | |
CN111695965B (zh) | 基于图神经网络的产品筛选方法、系统及设备 | |
CN114265986B (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和系统 | |
CN112364976A (zh) | 基于会话推荐系统的用户偏好预测方法 | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
CN113688974B (zh) | 一种基于轻量化图卷积网络的移动应用推荐方法 | |
CN115660147A (zh) | 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统 | |
CN114997476A (zh) | 一种融合商品关联关系的商品预测方法 | |
CN115905691A (zh) | 一种基于深度强化学习的偏好感知推荐方法 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN116304289A (zh) | 基于图神经网络的供应链的信息链推荐方法及装置 | |
CN113744023B (zh) | 一种基于图卷积网络的双通道协同过滤推荐方法 | |
CN113849725B (zh) | 一种基于图注意力对抗网络的社会化推荐方法及系统 | |
CN115545833A (zh) | 一种基于用户社交信息的推荐方法及系统 | |
CN115658971A (zh) | 基于注意力机制的多层异质网络节点重要度评估方法 | |
CN115481325A (zh) | 基于用户全局兴趣迁移感知的个性化新闻推荐方法及系统 | |
CN114943019A (zh) | 一种基于双层权重网络随机游走的top k非重叠多样化社区发现方法 | |
CN107016603A (zh) | 基于社交网络领袖人物进行App推荐的方法 | |
CN109345274A (zh) | 基于bp神经网络评分预测误差的近邻用户选择方法 | |
CN113704627B (zh) | 一种基于时间间隔图的会话推荐方法 | |
Chen et al. | High-Order Collaborative Filtering for Third-Party Library Recommendation |
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 |