CN114036405A - 一种基于图卷积网络的社交推荐方法与系统 - Google Patents

一种基于图卷积网络的社交推荐方法与系统 Download PDF

Info

Publication number
CN114036405A
CN114036405A CN202111287138.0A CN202111287138A CN114036405A CN 114036405 A CN114036405 A CN 114036405A CN 202111287138 A CN202111287138 A CN 202111287138A CN 114036405 A CN114036405 A CN 114036405A
Authority
CN
China
Prior art keywords
user
item
network
article
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.)
Withdrawn
Application number
CN202111287138.0A
Other languages
English (en)
Inventor
张垣垣
朱俊武
章永龙
孙茂圣
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.)
Yangzhou University
Original Assignee
Yangzhou 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 Yangzhou University filed Critical Yangzhou University
Priority to CN202111287138.0A priority Critical patent/CN114036405A/zh
Publication of CN114036405A publication Critical patent/CN114036405A/zh
Withdrawn legal-status Critical Current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
    • 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
    • G06N3/08—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
    • 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)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图卷积网络的社交推荐方法与系统，属于机器学习、社交推荐领域，主要包括数据集构建、邻域聚合、生成实体表示、模型训练与预测等。本发明在用户端同时考虑与之交互的物品和社交好友两类信息，在物品端同时考虑与之交互的用户以及协同相似物品两类信息，从而将用户‑物品交互网络、用户社交网络和物品协同相似网络三者建模在统一的网络之中，显式建模用户‑物品、用户社交网络以及物品协同相似网络之间的高阶连接性来提升嵌入，这样可以捕获用户对物品深层的潜在兴趣偏好，最终生成语义丰富的用户/物品表示，达到提高推荐准确性的目的。

Description

一种基于图卷积网络的社交推荐方法与系统
技术领域
本发明属于机器学习、社交推荐领域，具体涉及一种基于图卷积网络的社交推荐方法与系统。
背景技术
随着网络技术的进步，人们可以轻易的访问到大量的在线信息，例如商品，电影。但于此同时，“信息过载”问题愈发严重，导致用户往往需要花费大量时间才能获得他们想要的信息。因此推荐系统应运而生，它旨在通过分析用户的兴趣与需求，判断与之相关的商品集，从而过滤掉大量无关信息。目前最流行的推荐技术之一是协同过滤(Collaborativefiltering，CF)，它利用用户的历史交互并基于他们的共同偏好进行推荐。一般而言，可学习CF模型有两个关键组成部分：1)嵌入将用户和物品转换为矢量化表示；2)交互建模，基于嵌入重构历史交互。例如，通过神经协同过滤模型用非线性神经网络代替MF内积的交互函数。
近年来，图神经网络GNN技术在图形数据方面取得了很大的发展，它们被提出用来学习图形数据的表示。他们的主要思想是如何使用神经网络迭代地聚集来自局部图邻域的特征信息。因此，GNN可以自然地集成节点信息和拓扑结构，在表示学习方面具有强大的能力，并被广泛用于基于CF的推荐场景中。但是在利用GNN对嵌入函数中的连通信息进行建模时，往往缺乏对用户-用户之间的社交关系以及物品-物品之间协同相似关系联合的显式编码，而这些协同信号在用户-物品交互中是潜在的，它揭示用户之间的行为相似性。更具体地说，大多数现有方法仅使用描述性特征(例如，ID和属性)来构建嵌入函数，对社交网络以及物品协同相似网络的信息利用方式往往是通过不同通道获得相应的嵌入表示，最后通过串联等方式融合语义信息，没有考虑把用户-物品交互网络、用户社交网络和物品协同相似网络的关系联合编码进嵌入学习过程中。
发明内容
发明目的：针对上述现有技术存在的问题，本发明目的在于提供一种能够有效利用社交关系与物品协同相似关系的社交推荐方法与系统，具有模型参数少、训练开销小、推荐结果准确性高等特点。
技术方案：为实现上述目的，本发明采用如下技术方案：一种基于图卷积网络的社交推荐方法，包括以下步骤：
步骤1，抽取用户-物品关系以及用户好友关系，处理后得到用户-物品交互关系以及用户-用户好友关系；
步骤2，基于用户和物品的交互建立物品-物品协同相似关系，并将所得到的用户和物品的关系建模在统一的网络之中，在用户端使用图神经网络分别对用户的两类邻域进行聚合操作，生成用户的两类节点特征，用户节点的邻域包括与之交互的物品以及用户的社交好友，然后通过门控机制对用户端的两类节点进行特征融合获得最终用户表示；在物品端使用图神经网络分别对物品的两类邻域进行聚合操作，生成物品的两类节点特征，物品节点的邻域包括与之交互的用户以及协同相似物品，然后通过门控机制对物品端的两类节点进行特征融合获得最终物品表示；
步骤3，通过图卷积网络的消息传递机制和串联操作，生成全局感知的用户表示和物品表示；
步骤4，通过损失函数对模型进行训练，以预测用户点击某一物品的概率。
进一步地，步骤2中物品-物品相似关系根据如下方法计算：
定义物品i和物品j之间的协同相似度simi,j的强度：
Figure BDA0003333308650000021
其中，RU(i)表示对物品i有过交互行为的用户集合，RU(j)表示对物品j有过交互行为的用户集合；
如果协同相似的强度大于设定的阈值，则认为物品i和j之间存在协同相似关系。
进一步地，步骤2中的邻域聚合，具体过程包括：
使用图卷积网络分别对用户节点两类邻域信息进行加权求和操作，获得用户关于物品邻域的嵌入表示
Figure BDA0003333308650000022
和用户关于社交好友邻域的嵌入表示
Figure BDA0003333308650000023
最后通过HighwayNetwork网络聚合两类嵌入表示，获得用户u在第k+1层的最终嵌入表示
Figure BDA0003333308650000024
Figure BDA0003333308650000025
Figure BDA0003333308650000026
Figure BDA0003333308650000027
Figure BDA0003333308650000031
其中，RI(u)是用户u有过交互行为的物品节点集合，FU(u)是用户社交网络
Figure BDA0003333308650000032
中用户u相邻的好友节点集合，Nu是用户u的一跳邻居集合，包括与之交互的物品和社交好友，Ni是物品i的一跳邻居集合，包括与之交互的用户和物品协同相似网络
Figure BDA0003333308650000033
中物品i的邻居节点，Nv是用户v的一跳邻居集合，包括与之交互的物品和社交好友，W1和b1分别是权重矩阵和偏置向量，σ是非线性激活函数ReLU，
Figure BDA0003333308650000034
和
Figure BDA0003333308650000035
分别表示物品i和用户v在第k层的嵌入表示，
Figure BDA0003333308650000036
作为下一层神经网络的用户输入；
使用图卷积网络分别对物品节点两类邻域信息进行加权求和操作，获得物品关于用户邻域的嵌入表示
Figure BDA0003333308650000037
和物品关于物品协同相似的嵌入表示
Figure BDA0003333308650000038
最后通过HighwayNetwork网络聚合两类嵌入表示，获得物品i在第k+1层的最终嵌入表示
Figure BDA0003333308650000039
Figure BDA00033333086500000310
Figure BDA00033333086500000311
Figure BDA00033333086500000312
Figure BDA00033333086500000313
其中，RU(i)是与物品i有过交互行为的用户集合，NI(i)是物品协同相似网络
Figure BDA00033333086500000314
中物品i的邻居节点集合，Nj是物品j的一跳邻居集合，包括与之交互的用户和物品协同相似网络
Figure BDA00033333086500000315
中物品j的邻居节点，W2和b2分别是权重矩阵和偏置向量，
Figure BDA00033333086500000316
和
Figure BDA00033333086500000317
分别表示用户u和物品j在第k层的嵌入表示，
Figure BDA00033333086500000318
作为下一层神经网络的物品输入。
进一步地，步骤3中的生成用户/物品表示，具体过程包括：
使用串联方式，将用户关于物品的邻域特征
Figure BDA00033333086500000319
和用户关于社交网络的邻域特征
Figure BDA00033333086500000320
进行串联得到用户双邻域实体特征：
Figure BDA00033333086500000321
其中，||是串联操作；
使用串联方式，将物品关于用户的邻域特征
Figure BDA0003333308650000041
和物品关于物品协同相似的邻域特征
Figure BDA0003333308650000042
进行串联得到物品双邻域实体特征：
Figure BDA0003333308650000043
在获得每个层嵌入表示后，对每个嵌入层设置统一的权重αk，将每一层获得的嵌入通过加权计算组合在一起，以形成用户u和物品i的最终表示：
Figure BDA0003333308650000044
Figure BDA0003333308650000045
其中，K表示神经网络的层数，eu和ei分别表示用户和物品的最终嵌入表示。
进一步地，步骤4中模型训练，具体过程包括：
给定用户u和目标物品i，利用学习到的用户嵌入eu和物品嵌入ei，通过内积计算用户对物品的偏好：
Figure BDA0003333308650000046
采用误差逆传播算法，最小化损失函数，不断优化模型中的参数，其中损失函数定义如下：
Figure BDA0003333308650000047
其中，
Figure BDA0003333308650000048
表示训练集；
Figure BDA0003333308650000049
表示在训练数据集中观察到的用户u和i之间的交互集，φ是非线性激活函数ReLU，
Figure BDA00033333086500000410
是采样的还未观察到的交互集，λ和Θ分别表示正则化权重和模型的参数，L2正则化用于防止过拟合。
基于相同的发明构思，本发明提供的一种基于图卷积网络的社交推荐系统，包括：
预处理模块，用于抽取用户-物品关系以及用户好友关系，处理后得到用户-物品交互关系以及用户-用户好友关系；
图卷积网络模块，用于基于用户和物品的交互建立物品-物品协同相似关系，并将所得到的用户和物品的关系建模在统一的网络之中，在用户端使用图神经网络分别对用户的两类邻域进行聚合操作，生成用户的两类节点特征，用户节点的邻域包括与之交互的物品以及用户的社交好友，然后通过门控机制对用户端的两类节点进行特征融合获得最终用户表示；在物品端使用图神经网络分别对物品的两类邻域进行聚合操作,生成物品的两类节点特征，物品节点的邻域包括与之交互的用户以及协同相似物品，然后通过门控机制对物品端的两类节点进行特征融合获得最终物品表示；通过图卷积网络的消息传递机制和串联操作，生成全局感知的用户表示和物品表示；
模型训练与预测模块，用于通过损失函数对模型进行训练，以预测用户点击某一物品的概率。
基于相同的发明构思，本发明提供的一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现根据所述的基于图卷积网络的社交推荐方法。
有益效果：本发明与现有技术相比，其显著优点为：1)本发明利用原有数据集，从用户-物品交互数据中构建物品协同相似图，能够捕捉用户对物品的潜在兴趣偏好；2)本发明提出的邻域图神经网络模型，与其他基于图神经的协同过滤模型采用的分通道对用户端的不同信息进行嵌入学习不同，本模型在用户端嵌入表示学习时，同时考虑邻接物品与社交好友用户对嵌入的影响，通过显式编码用户-物品、用户-社交好友两类关系来捕捉用户的潜在偏好；3)本发明提出的邻域图神经网络模型在物品端嵌入表示学习时，不仅考虑与之交互的用户信息，而且考虑了协同相似物品对嵌入的影响，通过显式编码物品-用户、物品-协同相似物品两类关系来显式捕捉用户的潜在偏好，可以得到语义更加丰富的物品表示，进一步提高推荐的结果；4)本发明将用户-物品交互网络、社交网络和物品协同相似网络三者建模在统一的网络之中，将他们本身信息编码进嵌入中，同时显式建模三者之间的高阶连接性来提升嵌入，与现有协同过滤模型相比融合更多的信息且具有模型参数少、训练开销小的优点。
附图说明
图1为本发明实施例中基于图卷积网络的社交推荐方法的流程图。
图2为本发明实施例中用户邻域聚合示意图。
图3为本发明实施例中物品邻域聚合示意图。
图4为本发明实施例中层组合与预测示意图。
图5为本发实施例中的训练损失函数与现有方法的对比结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
在一个实施例中，结合图1，本发明提出了一种基于图卷积网络的社交推荐方法，该方法包括以下步骤：
步骤1，数据集构建，抽取用户-物品关系以及用户好友关系，处理后得到用户-物品交互关系以及用户-用户好友关系；
步骤2，邻域聚合，基于用户和物品的交互建立物品-物品协同相似关系，并将所得到的用户和物品的关系建模在统一的网络之中，在用户端使用图神经网络分别对用户的两类邻域进行聚合操作，生成用户的两类节点特征，用户节点的邻域包括与之交互的物品以及用户的社交好友，然后通过门控机制对用户端的两类节点进行特征融合获得最终用户表示；在物品端执行类似操作，获得最终物品表示；
步骤3，生成实体表示，通过图卷积网络的消息传递机制和串联操作，生成全局感知的用户/物品表示；
步骤4，模型训练与预测，通过损失函数对模型进行训练，以预测用户点击某一物品的概率。
进一步地，在其中一个实施例中，步骤1中数据集构建从链接开放数据项目(LOD)所存储的项目中，抽取用户-物品关系，并对得到的数据进行预处理，具体过程包括：
步骤1-1，从LOD项目中获得仅包含用户-物品的数据记录；
步骤1-2，抽取步骤-1中获得的交互信息，以三元组的方式(用户，物品，标签)和好友对的方式(用户，用户)对数据进行存储；
步骤1-3，对获得的数据进行预处理，将用户、物品进行编号，获得用户-物品以及用户-用户的成对数据。
步骤1-4，随机选取数据集中70％的交互数据作为训练数据，剩下的30％作为测试数据。
采用本实施例的方案，我们从Github开源项目中获得用户-物品数据集，经过预处理后规范化数据，该数据集包含283，319交互数据，111，781个社交关系。我们采用真实世界的数据集，可以对方法的性能进行充分的测试。
进一步地，在其中一个实施例中，步骤2中具体过程包括：
步骤2-1，构建物品协同相似图，对于任何物品i和物品j，我们定义了他们之间的协同相似度simi,j的强度：
Figure BDA0003333308650000071
其中，RU(i)表示对物品i有过行为的用户集合，RU(j)表示对物品j有过行为的用户集合。
在这里，我们设置了一个固定的阈值η。如果协同相似的强度大于阈值，即simi,j>η，则认为物品i和j之间存在协同相似关系。基于物品的协同相似度关系我们为物品构建协同相似度图：
Figure BDA0003333308650000072
其中VI是物品集，
Figure BDA0003333308650000073
是连接两个协同相似物品的边集。
步骤2-2，目标用户节点的邻域包括与之交互的物品以及该用户的社交好友两部分信息，因此我们使用图卷积网络(Graph Convolutional networks，GCN)分别对用户节点这两类邻域信息进行加权求和操作，获得用户关于物品邻域的嵌入表示
Figure BDA0003333308650000074
和用户关于社交好友邻域的嵌入表示
Figure BDA0003333308650000075
最后通过Highway Network网络聚合两类嵌入表示，获得用户u在第k+1层的最终嵌入表示
Figure BDA0003333308650000076
Figure BDA0003333308650000077
Figure BDA0003333308650000078
Figure BDA0003333308650000079
Figure BDA00033333086500000710
其中，RI(u)是用户u有过交互行为的物品节点集合，FU(u)是用户社交网络
Figure BDA00033333086500000711
中用户u相邻的好友节点集合，Nu是用户u的一跳邻居集合，包括与之交互的物品和社交好友，Ni是物品i的一跳邻居集合，包括与之交互的用户和物品协同相似网络
Figure BDA00033333086500000712
中物品i的邻居节点，Nv是用户v的一跳邻居集合，包括与之交互的物品和社交好友，W1和b1分别是权重矩阵和偏置向量，σ是非线性激活函数ReLU，
Figure BDA00033333086500000713
和
Figure BDA00033333086500000714
分别表示物品i和用户v在第k层的嵌入表示，
Figure BDA00033333086500000715
作为下一层神经网络的用户输入；
步骤2-3，目标物品节点的邻域包括与之交互的用户以及它在物品协同相似网络中的邻居两部分信息，因此我们使用GCN分别对物品节点这两类邻域信息进行加权求和操作，获得物品关于用户邻域的嵌入表示
Figure BDA0003333308650000081
和物品关于物品协同相似的嵌入表示
Figure BDA0003333308650000082
最后通过Highway Network网络聚合两类嵌入表示，获得物品i在第k+1层的最终嵌入表示
Figure BDA0003333308650000083
Figure BDA0003333308650000084
Figure BDA0003333308650000085
Figure BDA0003333308650000086
Figure BDA0003333308650000087
其中，RU(i)是与物品i有过交互行为的用户集合，NI(i)是物品协同相似网络
Figure BDA0003333308650000088
中物品i的邻居节点集合，Nj是物品j的一跳邻居集合，包括与之交互的用户和物品协同相似网络
Figure BDA0003333308650000089
中物品j的邻居节点，W2和b2分别是权重矩阵和偏置向量，
Figure BDA00033333086500000810
和
Figure BDA00033333086500000811
分别表示用户u和物品j在第k层的嵌入表示，
Figure BDA00033333086500000812
作为下一层神经网络的物品输入。
图2图3分别为本实施例中用户邻域聚合和物品邻域聚合的示意图，通过邻域聚合，我们在表示用户的时候，同时考虑邻接物品与邻接社交好友对嵌入的影响，在表示物品的时候也同时考虑邻接用户与相似物品对嵌入的影响，最终得到语义更加丰富的的实体表示，进一步提高推荐准确率的结果。
进一步地，在其中一个实施例中，步骤3中生成实体表示，具体过程包括：
步骤3-1，为了尽量保持用户特征的语义信息，我们使用串联方式，将步骤2-2中的用户关于物品的邻域特征
Figure BDA00033333086500000813
和用户关于社交网络的邻域特征
Figure BDA00033333086500000814
进行串联得到用户双邻域实体特征：
Figure BDA00033333086500000815
其中，||是串联操作。
步骤3-2，与步骤3-1相似，我们使用串联方式，将步骤2-3中的物品关于用户的邻域特征
Figure BDA0003333308650000091
和物品关于物品协同相似的邻域特征
Figure BDA0003333308650000092
进行串联得到物品双邻域实体特征：
Figure BDA0003333308650000093
步骤3-3，为避免使模型复杂化并保持其简单性，在获得每个层嵌入表示后，对每个嵌入层设置统一的权重αk＝1/(K+1)，将每一层获得的嵌入通过加权计算组合在一起，以形成用户u和物品i的最终表示，它包含了实体的高层语义信息：
Figure BDA0003333308650000094
其中，K表示神经网络的层数，eu和ei分别表示用户和物品的最终嵌入表示。
图4即为本实施例中层组合与预测示意图，我们通过GCN的消息传播机制获得不同层的嵌入表示之后，由于图神经网络每一层中的实体嵌入都代表不同的语义，将每一层的邻域特征串联在一起作为最终的用户/物品表示，可以获取实体的高层语义信息。
进一步地，在其中一个实施例中，步骤4中模型训练与预测，具体过程包括：
步骤4-1，给定用户u和目标物品i，利用学习到的用户嵌入eu和物品嵌入ei，通过内积计算用户对物品的偏好：
Figure BDA0003333308650000095
步骤4-2，模型训练，采用误差逆传播算法，最小化损失函数，不断优化模型中的参数。基于图卷积网络的社交推荐方法，损失函数定义如下：
Figure BDA0003333308650000096
其中
Figure BDA0003333308650000097
表示训练集；
Figure BDA0003333308650000098
表示在训练数据集中观察到的用户u和i之间的交互集，
Figure BDA0003333308650000099
是采样的还未观察到的交互集，φ是非线性激活函数ReLU，λ和Θ分别表示正则化权重和模型的参数，L2正则化用于防止过拟合。
步骤4-3，用训练完的模型去预测用户点击物品的概率。为了评估top-K推荐和偏好排序的有效性，我们使用Recall@K和NDCG@K作为推荐任务的度量指标，Recall@K和NDCG@K的值越大，说明推荐的准确率越高。
采用本实施例的方案，图神经网络的层数为3，嵌入大小固定为64，嵌入参数用Xavier方法进行初始化。每个实验重复3次后计算平均性能。本实施例在一个数据集上的结果如表1所示，训练过程的损失函数如图5所示。
表1推荐结果对照表
Figure BDA0003333308650000101
综上，本发明提出的方法在用户端同时考虑与之交互的物品和社交好友两类信息，在物品端同时考虑与之交互的用户以及协同相似物品两类信息，从而将用户-物品交互网络、社交网络和物品协同相似网络三者建模在统一的网络之中，显式建模用户-物品、用户社交网络以及物品协同相似网络之间的高阶连接性来提升嵌入，这样可以捕获用户对物品深层的潜在兴趣偏好，最终生成语义丰富的用户(物品)表示，达到提高推荐准确性的目的。
基于相同的发明构思，本发明一个实施例提供的一种基于图卷积网络的社交推荐系统，包括：预处理模块，用于抽取用户-物品关系以及用户好友关系，处理后得到用户-物品交互关系以及用户-用户好友关系；图卷积网络模块，用于基于用户和物品的交互建立物品-物品协同相似关系，并将所得到的用户和物品的关系建模在统一的网络之中，在用户端使用图神经网络分别对用户的两类邻域进行聚合操作，生成用户的两类节点特征，用户节点的邻域包括与之交互的物品以及用户的社交好友，然后通过门控机制对用户端的两类节点进行特征融合获得最终用户表示；在物品端使用图神经网络分别对物品的两类邻域进行聚合操作,生成物品的两类节点特征，物品节点的邻域包括与之交互的用户以及协同相似物品，然后通过门控机制对物品端的两类节点进行特征融合获得最终物品表示；通过图卷积网络的消息传递机制和串联操作，生成全局感知的用户表示和物品表示；模型训练与预测模块，用于通过损失函数对模型进行训练，以预测用户点击某一物品的概率。各模块的具体实现参考上述方法实施例，此处不再赘述。
基于相同的发明构思，本发明提供的一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被加载至处理器时实现根据所述的基于图卷积网络的社交推荐方法。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于图卷积网络的社交推荐方法，其特征在于，包括以下步骤：
步骤1，抽取用户-物品关系以及用户好友关系，处理后得到用户-物品交互关系、以及用户-用户好友关系；
步骤2，基于用户和物品的交互建立物品-物品协同相似关系，并将所得到的用户和物品的关系建模在统一的网络之中，在用户端使用图神经网络分别对用户的两类邻域进行聚合操作，生成用户的两类节点特征，用户节点的邻域包括与之交互的物品以及用户的社交好友，然后通过门控机制对用户端的两类节点进行特征融合获得最终用户表示；在物品端使用图神经网络分别对物品的两类邻域进行聚合操作，生成物品的两类节点特征，物品节点的邻域包括与之交互的用户以及协同相似物品，然后通过门控机制对物品端的两类节点进行特征融合获得最终物品表示；
步骤3，通过图卷积网络的消息传递机制和串联操作，生成全局感知的用户表示和物品表示；
步骤4，通过损失函数对模型进行训练，以预测用户点击某一物品的概率。
2.根据权利要求1所述的基于图卷积网络的社交推荐方法，其特征在于，步骤2中物品-物品相似关系根据如下方法计算：
定义物品i和物品j之间的协同相似度simi,j的强度：
Figure FDA0003333308640000011
其中，RU(i)表示对物品i有过交互行为的用户集合，RU(j)表示对物品j有过交互行为的用户集合；
如果协同相似的强度大于设定的阈值，则认为物品i和j之间存在协同相似关系。
3.根据权利要求1所述的基于图卷积网络的社交推荐方法，其特征在于，步骤2中的邻域聚合，具体过程包括：
使用图卷积网络分别对用户节点两类邻域信息进行加权求和操作，获得用户关于物品邻域的嵌入表示
Figure FDA0003333308640000012
和用户关于社交好友邻域的嵌入表示
Figure FDA0003333308640000013
最后通过HighwayNetwork网络聚合两类嵌入表示，获得用户u在第k+1层的最终嵌入表示
Figure FDA0003333308640000014
Figure FDA0003333308640000015
Figure FDA0003333308640000021
Figure FDA0003333308640000022
Figure FDA0003333308640000023
其中，RI(u)是用户u有过交互行为的物品节点集合，FU(u)是用户社交网络
Figure FDA0003333308640000024
中用户u相邻的好友节点集合，Nu是用户u的一跳邻居集合，包括与之交互的物品和社交好友，Ni是物品i的一跳邻居集合，包括与之交互的用户和物品协同相似网络
Figure FDA0003333308640000025
中物品i的邻居节点，Nv是用户v的一跳邻居集合，包括与之交互的物品和社交好友，W1和b1分别是权重矩阵和偏置向量，σ是非线性激活函数ReLU，
Figure FDA0003333308640000026
和
Figure FDA0003333308640000027
分别表示物品i和用户v在第k层的嵌入表示，
Figure FDA0003333308640000028
作为下一层神经网络的用户输入；
使用图卷积网络分别对物品节点两类邻域信息进行加权求和操作，获得物品关于用户邻域的嵌入表示
Figure FDA0003333308640000029
和物品关于物品协同相似的嵌入表示
Figure FDA00033333086400000210
最后通过HighwayNetwork网络聚合两类嵌入表示，获得物品i在第k+1层的最终嵌入表示
Figure FDA00033333086400000211
Figure FDA00033333086400000212
Figure FDA00033333086400000213
Figure FDA00033333086400000214
Figure FDA00033333086400000215
其中，RU(i)是与物品i有过交互行为的用户集合，NI(i)是物品协同相似网络
Figure FDA00033333086400000216
中物品i的邻居节点集合，Nj是物品j的一跳邻居集合，包括与之交互的用户和物品协同相似网络
Figure FDA00033333086400000217
中物品j的邻居节点，W2和b2分别是权重矩阵和偏置向量，
Figure FDA00033333086400000218
和
Figure FDA00033333086400000219
分别表示用户u和物品j在第k层的嵌入表示，
Figure FDA00033333086400000220
作为下一层神经网络的物品输入。
4.根据权利要求3所述的基于图卷积网络的社交推荐方法，其特征在于，步骤3中的生成用户/物品表示，具体过程包括：
使用串联方式，将用户关于物品的邻域特征
Figure FDA0003333308640000031
和用户关于社交网络的邻域特征
Figure FDA0003333308640000032
进行串联得到用户双邻域实体特征：
Figure FDA0003333308640000033
其中，||是串联操作；
使用串联方式，将物品关于用户的邻域特征
Figure FDA0003333308640000034
和物品关于物品协同相似的邻域特征
Figure FDA0003333308640000035
进行串联得到物品双邻域实体特征：
Figure FDA0003333308640000036
在获得每个层嵌入表示后，对每个嵌入层设置统一的权重αk，将每一层获得的嵌入通过加权计算组合在一起，以形成用户u和物品i的最终表示：
Figure FDA0003333308640000037
Figure FDA0003333308640000038
其中，K表示神经网络的层数，eu和ei分别表示用户和物品的最终嵌入表示。
5.根据权利要求4所述的基于图卷积网络的社交推荐方法，其特征在于，步骤4中模型训练，具体过程包括：
给定用户u和目标物品i，利用学习到的用户嵌入eu和物品嵌入ei，通过内积计算用户对物品的偏好：
Figure FDA0003333308640000039
采用误差逆传播算法，最小化损失函数，不断优化模型中的参数，其中损失函数定义如下：
Figure FDA00033333086400000310
其中，
Figure FDA00033333086400000311
表示训练集；
Figure FDA00033333086400000312
表示在训练数据集中观察到的用户u和i之间的交互集，φ是非线性激活函数ReLU，
Figure FDA00033333086400000313
是采样的还未观察到的交互集，λ和Θ分别表示正则化权重和模型的参数，L2正则化用于防止过拟合。
6.一种基于图卷积网络的社交推荐系统，其特征在于，包括：
预处理模块，用于抽取用户-物品关系以及用户好友关系，处理后得到用户-物品交互关系以及用户-用户好友关系；
图卷积网络模块，用于基于用户和物品的交互建立物品-物品协同相似关系，并将所得到的用户和物品的关系建模在统一的网络之中，在用户端使用图神经网络分别对用户的两类邻域进行聚合操作，生成用户的两类节点特征，用户节点的邻域包括与之交互的物品以及用户的社交好友，然后通过门控机制对用户端的两类节点进行特征融合获得最终用户表示；在物品端使用图神经网络分别对物品的两类邻域进行聚合操作,生成物品的两类节点特征，物品节点的邻域包括与之交互的用户以及协同相似物品，然后通过门控机制对物品端的两类节点进行特征融合获得最终物品表示；通过图卷积网络的消息传递机制和串联操作，生成全局感知的用户表示和物品表示；
模型训练与预测模块，用于通过损失函数对模型进行训练，以预测用户点击某一物品的概率。
7.根据权利要求6所述的基于图卷积网络的社交推荐系统，其特征在于，物品-物品相似关系根据如下方法计算：
定义物品i和物品j之间的协同相似度simi,j的强度：
Figure FDA0003333308640000041
其中，RU(i)表示对物品i有过交互行为的用户集合，RU(j)表示对物品j有过交互行为的用户集合；如果协同相似的强度大于设定的阈值，则认为物品i和j之间存在协同相似关系。
8.根据权利要求6所述的基于图卷积网络的社交推荐系统，其特征在于，邻域聚合的过程包括：
使用图卷积网络分别对用户节点两类邻域信息进行加权求和操作，获得用户关于物品邻域的嵌入表示
Figure FDA0003333308640000042
和用户关于社交好友邻域的嵌入表示
Figure FDA0003333308640000043
最后通过HighwayNetwork网络聚合两类嵌入表示，获得用户u在第k+1层的最终嵌入表示
Figure FDA0003333308640000044
Figure FDA0003333308640000045
Figure FDA0003333308640000051
Figure FDA0003333308640000052
Figure FDA0003333308640000053
其中，RI(u)是用户u有过交互行为的物品节点集合，FU(u)是用户社交网络
Figure FDA0003333308640000054
中用户u相邻的好友节点集合，Nu是用户u的一跳邻居集合，包括与之交互的物品和社交好友，Ni是物品i的一跳邻居集合，包括与之交互的用户和物品协同相似网络
Figure FDA0003333308640000055
中物品i的邻居节点，Nv是用户v的一跳邻居集合，包括与之交互的物品和社交好友，W1和b1分别是权重矩阵和偏置向量，σ是非线性激活函数ReLU，
Figure FDA0003333308640000056
和
Figure FDA0003333308640000057
分别表示物品i和用户v在第k层的嵌入表示，
Figure FDA0003333308640000058
作为下一层神经网络的用户输入；
使用图卷积网络分别对物品节点两类邻域信息进行加权求和操作，获得物品关于用户邻域的嵌入表示
Figure FDA0003333308640000059
和物品关于物品协同相似的嵌入表示
Figure FDA00033333086400000510
最后通过HighwayNetwork网络聚合两类嵌入表示，获得物品i在第k+1层的最终嵌入表示
Figure FDA00033333086400000511
Figure FDA00033333086400000512
Figure FDA00033333086400000513
Figure FDA00033333086400000514
Figure FDA00033333086400000515
其中，RU(i)是与物品i有过交互行为的用户集合，NI(i)是物品协同相似网络
Figure FDA00033333086400000516
中物品i的邻居节点集合，Nj是物品j的一跳邻居集合，包括与之交互的用户和物品协同相似网络
Figure FDA00033333086400000517
中物品j的邻居节点，W2和b2分别是权重矩阵和偏置向量，
Figure FDA00033333086400000518
和
Figure FDA00033333086400000519
分别表示用户u和物品j在第k层的嵌入表示，
Figure FDA00033333086400000520
作为下一层神经网络的物品输入。
9.根据权利要求8所述的基于图卷积网络的社交推荐系统，其特征在于，生成实体表示的过程包括：
使用串联方式，将用户关于物品的邻域特征
Figure FDA0003333308640000061
和用户关于社交网络的邻域特征
Figure FDA0003333308640000062
进行串联得到用户双邻域实体特征：
Figure FDA0003333308640000063
其中，||是串联操作；
使用串联方式，将物品关于用户的邻域特征
Figure FDA0003333308640000064
和物品关于物品协同相似的邻域特征
Figure FDA0003333308640000065
进行串联得到物品双邻域实体特征：
Figure FDA0003333308640000066
在获得每个层嵌入表示后，对每个嵌入层设置统一的权重αk，将每一层获得的嵌入通过加权计算组合在一起，以形成用户u和物品i的最终表示：
Figure FDA0003333308640000067
Figure FDA0003333308640000068
其中，K表示神经网络的层数，eu和ei分别表示用户和物品的最终嵌入表示。
10.一种计算机系统，包括存储器、处理器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，所述计算机程序被加载至处理器时实现根据权利要求1-5任一项所述的基于图卷积网络的社交推荐方法。
CN202111287138.0A 2021-11-02 2021-11-02 一种基于图卷积网络的社交推荐方法与系统 Withdrawn CN114036405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111287138.0A CN114036405A (zh) 2021-11-02 2021-11-02 一种基于图卷积网络的社交推荐方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111287138.0A CN114036405A (zh) 2021-11-02 2021-11-02 一种基于图卷积网络的社交推荐方法与系统

Publications (1)

Publication Number Publication Date
CN114036405A true CN114036405A (zh) 2022-02-11

Family

ID=80136004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111287138.0A Withdrawn CN114036405A (zh) 2021-11-02 2021-11-02 一种基于图卷积网络的社交推荐方法与系统

Country Status (1)

Country Link
CN (1) CN114036405A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677234A (zh) * 2022-04-26 2022-06-28 河南大学 一种融合多通道注意力机制的图卷积神经网络社交推荐方法及系统
CN114756768A (zh) * 2022-06-15 2022-07-15 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、可读存储介质及程序产品
CN116167828A (zh) * 2023-04-25 2023-05-26 江苏亿友慧云软件股份有限公司 一种基于图协同和对比学习的物品推荐方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677234A (zh) * 2022-04-26 2022-06-28 河南大学 一种融合多通道注意力机制的图卷积神经网络社交推荐方法及系统
CN114677234B (zh) * 2022-04-26 2024-04-30 河南大学 一种融合多通道注意力机制的图卷积神经网络社交推荐方法及系统
CN114756768A (zh) * 2022-06-15 2022-07-15 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、可读存储介质及程序产品
CN114756768B (zh) * 2022-06-15 2022-09-02 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、可读存储介质及程序产品
CN116167828A (zh) * 2023-04-25 2023-05-26 江苏亿友慧云软件股份有限公司 一种基于图协同和对比学习的物品推荐方法

Similar Documents

Publication Publication Date Title
CN114036405A (zh) 一种基于图卷积网络的社交推荐方法与系统
Natesan Ramamurthy et al. Model agnostic multilevel explanations
CN112364976B (zh) 基于会话推荐系统的用户偏好预测方法
WO2023065859A1 (zh) 物品推荐方法、装置及存储介质
CN111881350A (zh) 一种基于混合图结构化建模的推荐方法与系统
CN113918832B (zh) 基于社交关系的图卷积协同过滤推荐系统
Zhang et al. Depth-based subgraph convolutional auto-encoder for network representation learning
CN113918833B (zh) 通过社交网络关系的图卷积协同过滤实现的产品推荐方法
CN113918834B (zh) 融合社交关系的图卷积协同过滤推荐方法
CN115329215A (zh) 异构网络中基于自适应动态知识图谱的推荐方法及系统
Zhang Simultaneous optimization for robust correlation estimation in partially observed social network
Wu et al. Heterogeneous representation learning and matching for few-shot relation prediction
CN112905906B (zh) 一种融合局部协同与特征交叉的推荐方法及系统
CN113744023B (zh) 一种基于图卷积网络的双通道协同过滤推荐方法
CN115564532A (zh) 序列推荐模型的训练方法及装置
Arya et al. Node classification using deep learning in social networks
Lai et al. Task-oriented attributed network embedding by multi-view features
Sharma et al. Comparative Analysis of Different Algorithms in Link Prediction on Social Networks
İş et al. A Profile Analysis of User Interaction in Social Media Using Deep Learning.
Han et al. An effective heterogeneous information network representation learning framework
Zhang et al. SARC: Split-and-recombine networks for knowledge-based recommendation
Chen et al. Community discovery method based on graph attention autoencoder
Yang Item Recommendation Based on Monotonous Behavior Chains
Kumar et al. Collaborative web recommendation systems based on an effective fuzzy association rule mining algorithm (FARM)
Xing et al. Cross-domain recommendation of overlapping users based on self-attention graph convolution network

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220211

WW01 Invention patent application withdrawn after publication