CN113836425A - 基于异构图注意力网络的电影推荐方法、装置及设备 - Google Patents
基于异构图注意力网络的电影推荐方法、装置及设备 Download PDFInfo
- Publication number
- CN113836425A CN113836425A CN202111154492.6A CN202111154492A CN113836425A CN 113836425 A CN113836425 A CN 113836425A CN 202111154492 A CN202111154492 A CN 202111154492A CN 113836425 A CN113836425 A CN 113836425A
- Authority
- CN
- China
- Prior art keywords
- attention network
- movie recommendation
- embedded information
- preset
- entity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 144
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于异构图注意力网络的电影推荐方法,包括:获取用户的电影推荐数据;基于预设的向量映射模型将电影推荐数据映射为对应的实体向量;基于预设的节点级注意力神经网络计算实体向量之间的权重;根据实体向量和权重构建异构图注意力网络;将异构图注意力网络输出的嵌入信息输入至预设的MLP模型进行分析,得到用户对应的电影推荐结果。可见,本发明能够在电影推荐系统中,根据用户的电影推荐数据实时地更新异构图注意力网络,根据用户的电影推荐数据实时地对电影推荐过程进行调整,提高最终的电影推荐结果的准确度。本发明还涉及区块链技术领域。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于异构图注意力网络的电影推荐方法、装置、计算机设备以及存储介质。
背景技术
随着计算机技术的发展,计算机推荐系统已经被广泛地应用于各种生活场景中,计算机推荐系统也已经有越来越多的研究工作和落地实践。目前,计算机推荐系统的实现形式主要有以下三种:基于协同过滤的推荐系统(CF,Collaborative Filterin)、协同基于内容的推荐系统(CB,Content Base)和混合推荐系统。然而,这些实现形式大多都采用静态偏好推荐的形式,在一些灵活多变的应用场景中,这些实现形式的推荐系统大多表现得并不理想。例如,在应用于电影推荐的推荐系统中,用户真正感兴趣的电影很容易受到社会热点、朋友推荐、近期观看的其他电影等因素的影响,此时,基于静态偏好建模实现的推荐系统往往不能够实时地理解用户的偏好,容易导致最终的电影推荐结果的准确度降低。可见,目前的电影推荐系统的推荐准确度仍有进一步提升的空间。
发明内容
本发明所要解决的技术问题在于,目前的电影推荐系统的推荐准确度较低。
为了解决上述技术问题,本发明第一方面公开了一种基于异构图注意力网络的电影推荐方法,所述方法包括:
获取用户的电影推荐数据;
基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量;
基于预设的节点级注意力神经网络计算所述实体向量之间的权重;
根据所述实体向量和所述权重构建异构图注意力网络,其中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息;
将所述异构图注意力网络输出的嵌入信息输入至预设的MLP模型进行分析,得到所述用户对应的电影推荐结果。
本发明第二方面公开了一种基于异构图注意力网络的电影推荐装置,所述装置包括:
获取模块,用于获取用户的电影推荐数据;
映射模块,用于基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量;
计算模块,用于基于预设的节点级注意力神经网络计算所述实体向量之间的权重;
构建模块,用于根据所述实体向量和所述权重构建异构图注意力网络,其中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息;
分析模块,用于将所述异构图注意力网络输出的嵌入信息输入至预设的MLP模型进行分析,得到所述用户对应的电影推荐结果。
本发明第三方面公开了一种计算机设备,所述计算机设备包括:
存储有可执行程序代码的存储器;
与所述存储器连接的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于异构图注意力网络的电影推荐方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于异构图注意力网络的电影推荐方法中的部分或全部步骤。
本发明实施例中,获取用户的电影推荐数据,将电影推荐数据映射为实体向量,并计算实体向量之间的权重,然后根据实体向量和实体向量之间的权重构建出异构图注意力网络,最后将异构图注意力网络输出的嵌入信息输入至MLP模型进行分析,得到用户对应的电影推荐结果,从而能够实现在电影推荐系统中,根据用户的电影推荐数据实时地更新异构图注意力网络,根据用户的电影推荐数据实时地对电影推荐过程进行调整,使得电影推荐系统能够实时地理解用户的偏好,提高最终的电影推荐结果的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于异构图注意力网络的电影推荐方法的流程示意图;
图2是本发明实施例公开的一种基于异构图注意力网络的电影推荐方法的数据处理流程示意图;
图3是本发明实施例公开的一种基于异构图注意力网络的电影推荐装置的结构示意图;
图4是本发明实施例公开的一种计算机设备的结构示意图;
图5是本发明实施例公开的一种计算机存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于异构图注意力网络的电影推荐方法、装置、计算机设备以及存储介质,获取用户的电影推荐数据,将电影推荐数据映射为实体向量,并计算实体向量之间的权重,然后根据实体向量和实体向量之间的权重构建出异构图注意力网络,最后将异构图注意力网络输出的嵌入信息输入至MLP模型进行分析,得到用户对应的电影推荐结果,从而能够实现在电影推荐系统中,根据用户的电影推荐数据实时地更新异构图注意力网络,根据用户的电影推荐数据实时地对电影推荐过程进行调整,使得电影推荐系统能够实时地理解用户的偏好,提高最终的电影推荐结果的准确度。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于异构图注意力网络的电影推荐方法的流程示意图。如图1所示,该基于异构图注意力网络的电影推荐方法可以包括以下操作:
101、获取用户的电影推荐数据。
在上述步骤101中,用户的电影推荐数据可以包括用户的信息(如,用户的出生日期、用户的姓名、用户的住址等等)、用户收藏的电影信息、用户近期观看的电影信息、用户经常观看的演员信息、用户经常观看的导演信息等多种类型的与用户相关的信息。这样,实时地获取电影推荐数据即可以实时地获取到用户当前的观影偏好情况。后续根据用户的电影推荐数据构建异构图注意力网络,从而能够实现实时地根据用户当前的观影偏好情况对电影推荐结果进行调整,提高最终的电影推荐结果的准确度。
102、基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量。
在上述步骤102中,通过预设的向量映射模型即可以将电影推荐数据映射到同一维度的空间中,以形成对应的实体向量,用于后续的异构图注意力网络的构建,具体的映射过程,稍后进行具体描述。
103、基于预设的节点级注意力神经网络计算所述实体向量之间的权重。
在上述步骤103中,一个实体向量即可以理解为一个节点,一个实体向量即记录了该实体向量所对应的节点中的特征。节点之间可以通过各种类型的关系(如元路径)连接。每一个节点都有许多基于元路径的邻居,即每一个节点都有许多通过元路径相连的节点。对于每个节点,节点级注意力神经网络能够基于元路径上的另一个节点对于该节点的重要性,分配这两个节点之间的权值。
104、根据所述实体向量和所述权重构建异构图注意力网络,其中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息。
在上述步骤104中,根据实体向量和实体向量之间的权重构建出的异构图注意力网络(HAN),可以表示为G=(V,E),其中,G为异构图注意力网络,V为异构图注意力网络中的节点,E为异构图注意力网络中的节点之间的关联关系。构建出的异构图注意力网络可以基于预设的语义级别注意力机制对异构图注意力网络中的节点进行分析,输出语义级的嵌入信息,具体的分析过程,稍后进行描述。
105、将所述异构图注意力网络输出的嵌入信息输入至预设的MLP模型进行分析,得到所述用户对应的电影推荐结果。
在上述步骤105中,MLP(Multilayer Perceptron,多层感知器)模型通常由一个输入层、一个输出层以及输入层和输出层之间的多个隐藏层组成,其中,各个层之间都是通过全连接的形式进行连接的。将异构图注意力网络输出的嵌入信息输入至MLP模型进行分析之后,即可以得到用户对应的电影推荐结果。具体地,可以参见图2,图2是示出了本发明实施例的基于异构图注意力网络的电影推荐方法的整个数据处理流程。
可见,实施图1所描述的基于异构图注意力网络的电影推荐方法,获取用户的电影推荐数据,将电影推荐数据映射为实体向量,并计算实体向量之间的权重,然后根据实体向量和实体向量之间的权重构建出异构图注意力网络,最后将异构图注意力网络输出的嵌入信息输入至MLP模型进行分析,得到用户对应的电影推荐结果,从而能够实现在电影推荐系统中,根据用户的电影推荐数据实时地更新异构图注意力网络,根据用户的电影推荐数据实时地对电影推荐过程进行调整,使得电影推荐系统能够实时地理解用户的偏好,提高最终的电影推荐结果的准确度。
在一个可选的实施例中,所述基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量,包括:
基于word2vec模型从所述电影推荐数据中提取出中间向量;
基于TransR模型将所述中间向量映射至关系空间中,以得到所述电影推荐数据对应的实体向量。
在该可选的实施例中,预设的向量映射模型可以包括word2vec模型和TransR模型。word2vec模型能够将电影推荐数据中的词语映射为向量(即中间向量)。TransR模型能够实现将向量在两个关系空间中进行转化。具体地,在关系空间中,对于每一个关系,TransR模型定义一个投影矩阵,将中间向量从原来的空间投影至关系空间中,其投影过程可以表示为:
可见,实施该可选的实施例,通过word2vec模型从电影推荐数据中提取出中间向量,然后通过TransR模型将中间向量映射至关系空间中得到电影推荐数据对应的实体向量,从而能够实现将电影推荐数据映射为对应的实体向量。
在一个可选的实施例中,所述基于预设的节点级注意力神经网络计算所述实体向量之间的权重,包括:
在节点级注意力神经网络中,通过以下公式计算所述实体向量之间的权重:
在该可选的实施例中,节点级注意力神经网络对于给定的元路径,能够基于元路径中的两个实体向量的特征计算出该元路径下第一个实体向量对第二个实体向量的权重。实体向量之间的权重是不对称的,即第一个实体向量对第二个实体向量的权重和第二个实体向量对第一个实体向量的权重可能会有很大的不同。
可见,实施该可选的实施例,在节点级注意力神经网络中,通过预设的公式能够计算出实体向量之间的权重,为后续构建异构图注意力网络提供基础。
在一个可选的实施例中,在所述异构图注意力网络中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息的具体方式为:
所述异构图注意力网络按照预设的嵌入信息计算方式计算每个元路径对应的嵌入信息;
所述异构图注意力网络按照预设的嵌入信息融合方式将每个元路径对应的嵌入信息进行结合,得到语义级的嵌入信息以作为输出。
在该可选的实施例中,一般而言,异构图注意力网络中的每个节点都包含多种类型的信息,而特定的节点嵌入的嵌入信息只能从一个方面反映节点,所以,为了学习到更全面的更复杂的嵌入信息,可以融合各个元路径中蕴含的语义信息(一个元路径即可以对应一个语义信息)。具体地,在异构图注意力网络中,可以先计算出每个元路径对应的嵌入信息,然后再将每个元路径对应的嵌入信息进行融合,得到语义级的嵌入信息(即总嵌入信息)作为异构图注意力网络的输出。
可见,实施该可选的实施例,在异构图注意力网络中,先计算出每个元路径对应的嵌入信息,然后再将每个元路径对应的嵌入信息进行融合,得到语义级的嵌入信息,从而能够为后续的MLP模型分析提供基础。
在一个可选的实施例中,所述异构图注意力网络按照预设的嵌入信息计算方式计算每个元路径对应的嵌入信息,包括:
所述异构图注意力网络通过以下公式计算每个元路径对应的嵌入信息:
在该可选的实施例中,每个元路径对应的嵌入信息是基于节点级注意力神经网络计算出的权重进行计算的,每个元路径对应的嵌入信息与该元路径中的实体向量的所有的相邻的实体向量有关,所以最后计算出的元路径对应的嵌入信息能够更全面更复杂。
可见,实施该可选的实施例,在异构图注意力网络中,通过预设的公式计算出每个元路径对应的嵌入信息,能够使得计算出的元路径对应的嵌入信息能够更全面更复杂,从而提高最终的电影推荐结果的准确性。
在一个可选的实施例中,所述异构图注意力网络按照预设的嵌入信息融合方式将每个元路径对应的嵌入信息进行结合,得到语义级的嵌入信息以作为输出,包括:
所述异构图注意力网络通过以下公式计算出所述异构图注意力网络的输出:
在该可选的实施例中,通过执行语义级别关注的深度神经网络,能够根据每个元路径对应的嵌入信息,计算出每个元路径的权重。然后,以每个元路径对应的权重为该元路径的嵌入信息的权重,计算出该元路径的嵌入信息的加权和,作为异构图注意力网络的输出。
可见,实施该可选的实施例,在异构图注意力网络中,通过预设的公式根据每个元路径对应的嵌入信息,计算出每个元路径的权重,然后以每个元路径对应的权重为该元路径的嵌入信息的权重,计算出该元路径的嵌入信息的加权和以作为异构图注意力网络的输出,从而能够实现输出语义级的嵌入信息。
可选地,还可以:将所述基于异构图注意力网络的电影推荐方法的基于异构图注意力网络的电影推荐信息上传至区块链中。
具体来说,基于异构图注意力网络的电影推荐信息是通过运行所述基于异构图注意力网络的电影推荐方法后得到的,用于记录基于异构图注意力网络的电影推荐情况,例如,获取到的电影推荐数据、映射出的实体向量、计算的权重等等。将基于异构图注意力网络的电影推荐信息上传至区块链可保证其安全性和对用户的公正透明性。用户可以从区块链中下载得到该基于异构图注意力网络的电影推荐信息,以便查证所述基于异构图注意力网络的电影推荐方法的基于异构图注意力网络的电影推荐信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
可见,实施本发明实施例,获取用户的电影推荐数据,将电影推荐数据映射为实体向量,并计算实体向量之间的权重,然后根据实体向量和实体向量之间的权重构建出异构图注意力网络,最后将异构图注意力网络输出的嵌入信息输入至MLP模型进行分析,得到用户对应的电影推荐结果,从而能够实现在电影推荐系统中,根据用户的电影推荐数据实时地更新异构图注意力网络,根据用户的电影推荐数据实时地对电影推荐过程进行调整,使得电影推荐系统能够实时地理解用户的偏好,提高最终的电影推荐结果的准确度。还通过word2vec模型从电影推荐数据中提取出中间向量,然后通过TransR模型将中间向量映射至关系空间中得到电影推荐数据对应的实体向量,从而能够实现将电影推荐数据映射为对应的实体向量。还在节点级注意力神经网络中,通过预设的公式能够计算出实体向量之间的权重,为后续构建异构图注意力网络提供基础。还在异构图注意力网络中,先计算出每个元路径对应的嵌入信息,然后再将每个元路径对应的嵌入信息进行融合,得到语义级的嵌入信息,从而能够为后续的MLP模型分析提供基础。还在异构图注意力网络中,通过预设的公式计算出每个元路径对应的嵌入信息,能够使得计算出的元路径对应的嵌入信息能够更全面更复杂,从而提高最终的电影推荐结果的准确性。还在异构图注意力网络中,通过预设的公式根据每个元路径对应的嵌入信息,计算出每个元路径的权重,然后以每个元路径对应的权重为该元路径的嵌入信息的权重,计算出该元路径的嵌入信息的加权和以作为异构图注意力网络的输出,从而能够实现输出语义级的嵌入信息。
实施例二
请参阅图3,图3是本发明实施例公开的一种基于异构图注意力网络的电影推荐装置的结构示意图。如图3所示,该基于异构图注意力网络的电影推荐装置可以包括:
获取模块201,用于获取用户的电影推荐数据;
映射模块202,用于基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量;
计算模块203,用于基于预设的节点级注意力神经网络计算所述实体向量之间的权重;
构建模块204,用于根据所述实体向量和所述权重构建异构图注意力网络,其中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息;
分析模块205,用于将所述异构图注意力网络输出的嵌入信息输入至预设的MLP模型进行分析,得到所述用户对应的电影推荐结果。
在一个可选的实施例中,所述映射模块202基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量的具体方式为:
基于word2vec模型从所述电影推荐数据中提取出中间向量;
基于TransR模型将所述中间向量映射至关系空间中,以得到所述电影推荐数据对应的实体向量。
在一个可选的实施例中,所述映射模块202基于TransR模型将所述中间向量映射至关系空间中,以得到所述电影推荐数据对应的实体向量的具体方式为:
TransR模型通过以下公式将所述中间向量映射为所述电影推荐数据对应的实体向量:
在一个可选的实施例中,所述计算模块203基于预设的节点级注意力神经网络计算所述实体向量之间的权重的具体方式为:
在节点级注意力神经网络中,通过以下公式计算所述实体向量之间的权重:
在一个可选的实施例中,在所述异构图注意力网络中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息的具体方式为:
所述异构图注意力网络按照预设的嵌入信息计算方式计算每个元路径对应的嵌入信息;
所述异构图注意力网络按照预设的嵌入信息融合方式将每个元路径对应的嵌入信息进行结合,得到语义级的嵌入信息以作为输出。
在一个可选的实施例中,所述异构图注意力网络按照预设的嵌入信息计算方式计算每个元路径对应的嵌入信息,包括:
所述异构图注意力网络通过以下公式计算每个元路径对应的嵌入信息:
在一个可选的实施例中,所述异构图注意力网络按照预设的嵌入信息融合方式将每个元路径对应的嵌入信息进行结合,得到语义级的嵌入信息以作为输出,包括:
所述异构图注意力网络通过以下公式计算出所述异构图注意力网络的输出:
对于上述基于异构图注意力网络的电影推荐装置的具体描述可以参照上述基于异构图注意力网络的电影推荐方法的具体描述,为避免重复,在此不再一一赘述。
实施例三
请参阅图4,图4是本发明实施例公开的一种计算机设备的结构示意图。如图4所示,该计算机设备可以包括:
存储有可执行程序代码的存储器301;
与存储器301连接的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于异构图注意力网络的电影推荐方法中的步骤。
实施例四
请参阅图5,本发明实施例公开了一种计算机存储介质401,计算机存储介质401存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于异构图注意力网络的电影推荐方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于异构图注意力网络的电影推荐方法、装置、计算机设备以及存储介质所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于异构图注意力网络的电影推荐方法,其特征在于,所述方法包括:
获取用户的电影推荐数据;
基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量;
基于预设的节点级注意力神经网络计算所述实体向量之间的权重;
根据所述实体向量和所述权重构建异构图注意力网络,其中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息;
将所述异构图注意力网络输出的嵌入信息输入至预设的MLP模型进行分析,得到所述用户对应的电影推荐结果。
2.根据权利要求1所述的基于异构图注意力网络的电影推荐方法,其特征在于,所述基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量,包括:
基于word2vec模型从所述电影推荐数据中提取出中间向量;
基于TransR模型将所述中间向量映射至关系空间中,以得到所述电影推荐数据对应的实体向量。
5.根据权利要求1所述的基于异构图注意力网络的电影推荐方法,其特征在于,在所述异构图注意力网络中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息的具体方式为:
所述异构图注意力网络按照预设的嵌入信息计算方式计算每个元路径对应的嵌入信息;
所述异构图注意力网络按照预设的嵌入信息融合方式将每个元路径对应的嵌入信息进行结合,得到语义级的嵌入信息以作为输出。
8.一种基于异构图注意力网络的电影推荐装置,其特征在于,所述装置包括:
获取模块,用于获取用户的电影推荐数据;
映射模块,用于基于预设的向量映射模型将所述电影推荐数据映射为对应的实体向量;
计算模块,用于基于预设的节点级注意力神经网络计算所述实体向量之间的权重;
构建模块,用于根据所述实体向量和所述权重构建异构图注意力网络,其中,所述异构图注意力网络基于预设的语义级别注意力机制对所述异构图注意力网络中的节点进行分析,输出语义级的嵌入信息;
分析模块,用于将所述异构图注意力网络输出的嵌入信息输入至预设的MLP模型进行分析,得到所述用户对应的电影推荐结果。
9.一种计算机设备,其特征在于,所述计算机设备包括:
存储有可执行程序代码的存储器;
与所述存储器连接的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于异构图注意力网络的电影推荐方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于异构图注意力网络的电影推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111154492.6A CN113836425A (zh) | 2021-09-29 | 2021-09-29 | 基于异构图注意力网络的电影推荐方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111154492.6A CN113836425A (zh) | 2021-09-29 | 2021-09-29 | 基于异构图注意力网络的电影推荐方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836425A true CN113836425A (zh) | 2021-12-24 |
Family
ID=78967658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111154492.6A Pending CN113836425A (zh) | 2021-09-29 | 2021-09-29 | 基于异构图注意力网络的电影推荐方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836425A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202023104110U1 (de) | 2023-07-23 | 2023-07-28 | Upasana Adhikari | Intelligentes verschlüsselungsbasiertes System für Filmempfehlungen |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180103052A1 (en) * | 2016-10-11 | 2018-04-12 | Battelle Memorial Institute | System and methods for automated detection, reasoning and recommendations for resilient cyber systems |
CN111310045A (zh) * | 2020-02-16 | 2020-06-19 | 重庆邮电大学 | 一种基于元路径的网络嵌入的电影推荐方法 |
CN112861006A (zh) * | 2021-02-22 | 2021-05-28 | 中国科学院计算技术研究所 | 融合元路径语义的推荐方法及系统 |
CN113095439A (zh) * | 2021-04-30 | 2021-07-09 | 东南大学 | 基于注意力机制的异构图嵌入学习方法 |
CN113140228A (zh) * | 2021-04-14 | 2021-07-20 | 广东工业大学 | 一种基于图神经网络的声乐打分方法 |
-
2021
- 2021-09-29 CN CN202111154492.6A patent/CN113836425A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180103052A1 (en) * | 2016-10-11 | 2018-04-12 | Battelle Memorial Institute | System and methods for automated detection, reasoning and recommendations for resilient cyber systems |
CN111310045A (zh) * | 2020-02-16 | 2020-06-19 | 重庆邮电大学 | 一种基于元路径的网络嵌入的电影推荐方法 |
CN112861006A (zh) * | 2021-02-22 | 2021-05-28 | 中国科学院计算技术研究所 | 融合元路径语义的推荐方法及系统 |
CN113140228A (zh) * | 2021-04-14 | 2021-07-20 | 广东工业大学 | 一种基于图神经网络的声乐打分方法 |
CN113095439A (zh) * | 2021-04-30 | 2021-07-09 | 东南大学 | 基于注意力机制的异构图嵌入学习方法 |
Non-Patent Citations (1)
Title |
---|
XIAO WANG ET AL: "Heterogeneous Graph Attention Network", 《ARXIV:1903.07293V2 [CS.SI]》, 20 January 2021 (2021-01-20), pages 1 - 11 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202023104110U1 (de) | 2023-07-23 | 2023-07-28 | Upasana Adhikari | Intelligentes verschlüsselungsbasiertes System für Filmempfehlungen |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329073B (zh) | 分布式数据处理方法、装置、计算机设备及存储介质 | |
CN107766940A (zh) | 用于生成模型的方法和装置 | |
CN112035743B (zh) | 数据推荐方法、装置、计算机设备以及存储介质 | |
CN110929806B (zh) | 基于人工智能的图片处理方法、装置及电子设备 | |
CN111177473B (zh) | 人员关系分析方法、装置和可读存储介质 | |
CN113673708A (zh) | 分布式分散化机器学习模型训练 | |
CN113095346A (zh) | 数据标注的方法以及数据标注的装置 | |
CN113901327A (zh) | 一种目标推荐模型训练方法、推荐方法、装置及电子设备 | |
US20220237917A1 (en) | Video comparison method and apparatus, computer device, and storage medium | |
CN113641835B (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
CN113254679B (zh) | 多媒体资源推荐方法、装置、电子设备以及存储介质 | |
CN113726545B (zh) | 基于知识增强生成对抗网络的网络流量生成方法及装置 | |
CN116601626A (zh) | 个人知识图谱构建方法、装置及相关设备 | |
CN115114542B (zh) | 一种对象推荐方法、系统、训练方法、介质及计算机设备 | |
CN110889759A (zh) | 信用数据的确定方法、装置及存储介质 | |
CN107003834A (zh) | 行人检测设备和方法 | |
CN111813910A (zh) | 客服问题的更新方法、系统、终端设备及计算机存储介质 | |
CN114580794B (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
CN113836425A (zh) | 基于异构图注意力网络的电影推荐方法、装置及设备 | |
CN113128526A (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN117056595A (zh) | 一种交互式的项目推荐方法、装置及计算机可读存储介质 | |
CN115391710A (zh) | 基于图神经网络的社交媒体账号影响力评估方法及装置 | |
CN114329099A (zh) | 重叠社区识别方法、装置、设备、存储介质及程序产品 | |
CN114510627A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN113946758B (zh) | 一种数据识别方法、装置、设备及可读存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40062564 Country of ref document: HK |