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 PDFInfo
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000003993 interaction Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000002776 aggregation Effects 0.000 claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002195 synergetic effect 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
- G06F16/9536—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
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:
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和用户关于社交好友邻域的嵌入表示最后通过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
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,和分别表示物品i和用户v在第k层的嵌入表示,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和物品关于物品协同相似的嵌入表示最后通过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
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中物品j的邻居节点,W2和b2分别是权重矩阵和偏置向量,和分别表示用户u和物品j在第k层的嵌入表示,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:
其中,||是串联操作;
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:
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:
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:
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:
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:其中VI是物品集,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和用户关于社交好友邻域的嵌入表示最后通过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
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,和分别表示物品i和用户v在第k层的嵌入表示,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和物品关于物品协同相似的嵌入表示最后通过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
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中物品j的邻居节点,W2和b2分别是权重矩阵和偏置向量,和分别表示用户u和物品j在第k层的嵌入表示,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:
其中,||是串联操作。
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:
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:
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:
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
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。
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和用户关于社交好友邻域的嵌入表示最后通过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
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,和分别表示物品i和用户v在第k层的嵌入表示,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和物品关于物品协同相似的嵌入表示最后通过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
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。
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和用户关于社交好友邻域的嵌入表示最后通过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
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,和分别表示物品i和用户v在第k层的嵌入表示,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和物品关于物品协同相似的嵌入表示最后通过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
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。
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 (4)
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 |
CN114722269A (zh) * | 2022-03-08 | 2022-07-08 | 清华大学 | 一种基于图神经网络的物品推荐方法、装置及存储介质 |
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 |
-
2021
- 2021-11-02 CN CN202111287138.0A patent/CN114036405A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722269A (zh) * | 2022-03-08 | 2022-07-08 | 清华大学 | 一种基于图神经网络的物品推荐方法、装置及存储介质 |
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 |
---|---|---|
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
CN111881350B (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
CN112364976B (zh) | 基于会话推荐系统的用户偏好预测方法 | |
CN114036405A (zh) | 一种基于图卷积网络的社交推荐方法与系统 | |
WO2023065859A1 (zh) | 物品推荐方法、装置及存储介质 | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
CN113918833A (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 | |
CN111428181A (zh) | 一种基于广义加性模型结合矩阵分解的银行理财产品推荐方法 | |
CN113744023B (zh) | 一种基于图卷积网络的双通道协同过滤推荐方法 | |
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 | |
Kumar et al. | Graph Convolutional Neural Networks for Link Prediction in Social Networks | |
CN117556148A (zh) | 一种基于网络数据驱动的个性化跨域推荐方法 | |
Arya et al. | Node classification using deep learning in social networks | |
Sharma et al. | Comparative analysis of different algorithms in link prediction on social networks | |
Khan et al. | CrossDomain Recommendation based on MetaData using Graph Convolution Networks | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
Lin et al. | Multi-View Block Matrix-Based Graph Convolutional Network. | |
Lai et al. | Task-oriented attributed network embedding by multi-view features | |
Xing et al. | Cross-domain recommendation of overlapping users based on self-attention graph convolution network | |
Liu | [Retracted] Fractal Art Pattern Generation Based on Genetic Algorithm | |
Zhang et al. | SARC: Split-and-recombine networks for knowledge-based recommendation | |
CN118400423B (zh) | 基于知识图谱的智能推荐系统及方法 | |
CN117973445B (zh) | 基于社区意识的图掩蔽自编码学习方法、系统及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220211 |
|
WW01 | Invention patent application withdrawn after publication |