CN114048396A - 基于异构信息网络和深度学习的nqi服务推荐方法及系统 - Google Patents

基于异构信息网络和深度学习的nqi服务推荐方法及系统 Download PDF

Info

Publication number
CN114048396A
CN114048396A CN202210034168.9A CN202210034168A CN114048396A CN 114048396 A CN114048396 A CN 114048396A CN 202210034168 A CN202210034168 A CN 202210034168A CN 114048396 A CN114048396 A CN 114048396A
Authority
CN
China
Prior art keywords
nqi
service
user
meta
matrix
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.)
Granted
Application number
CN202210034168.9A
Other languages
English (en)
Other versions
CN114048396B (zh
Inventor
唐求
刘涛
林海军
滕召胜
龚冬成
吴娟
黄潇
余舟
花金辉
王翔宇
马聪
李琛恭
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202210034168.9A priority Critical patent/CN114048396B/zh
Publication of CN114048396A publication Critical patent/CN114048396A/zh
Application granted granted Critical
Publication of CN114048396B publication Critical patent/CN114048396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于异构信息网络和深度学习的NQI服务推荐方法及系统，方法包括：划分训练集和测试集，抽取负样本完善训练集，根据训练集构建NQI服务异构信息网络；遍历预设元路径和元结构的相关节点，根据元路径或元结构的交换矩阵计算相似度矩阵；构建NQI服务推荐模型，采用第一多层感知机神经网络对相似度矩阵进行潜在特征提取后，采用第二多层感知机神经网络对潜在特征的相关性进行学习，最后进行用户和NQI服务交互概率预测；将每个相似度矩阵输入构建好的NQI服务推荐模型训练得到最优模型；在测试集中选取用户和NQI服务，输入最优模型，根据预测结果将NQI服务推荐给用户。本发明具有较好的推荐效果。

Description

基于异构信息网络和深度学习的NQI服务推荐方法及系统
技术领域
本发明涉及一种，尤其涉及一种基于异构信息网络和深度学习的NQI服务推荐方法及系统。
背景技术
NQI （National Quality Infrastructure，国家质量基础设施）综合服务信息系统通过整合优质的服务资源，为用户提供计量服务、标准服务、检验检测服务与认证认可服务等一站式的公共NQI服务。NQI综合服务信息系统海量的NQI服务信息为用户带来方便的同时，也带来了NQI服务发现和NQI服务选择难的问题。用户难以从大量的NQI服务中找到有用且适合自己需求的NQI服务，从而导致信息过载问题，严重降低了NQI服务资源利用率，影响了NQI 综合服务信息系统用户的体验感。
当前一些质量服务平台通常采用“请求—响应”被动式的服务模式来处理用户的NQI服务需求，其要求用户必须提供NQI服务需求查询词，依据该查询词在自己的数据库中进行信息匹配搜索，返回许多功能相似的NQI服务资源，然后再由用户自行选择适合自己需求的NQI服务，不同用户使用同样关键词进行NQI服务资源搜索，返回的是相同的NQI服务资源，因此搜索无法根据用户的个人特征为用户提供个性化的NQI服务资源。被动式的服务模式缺乏智能性与主动性，因此如何快速精准地处理NQI 综合服务信息系统海量的异构用户信息和NQI服务信息，提高NQI 综合服务信息系统对用户NQI服务需求的智能感知能力，主动为用户提供满足其个性化需求的NQI服务是目前NQI综合服务信息系统所需要解决的关键问题。
推荐系统（Recommendation Systems，RS）在现代在线服务中发挥着越来越重要的作用，由于其较高的准确性和有效性，在许多电子商务平台上被广泛采用。协同过滤是当前最流行的推荐方法之一，通常基于用户与项目的交互历史来预测用户的偏好。协同过滤推荐算法由两个重要部分组成：1）潜在特征学习，从用户与项目的交互历史来学习用户和项目的潜在特征向量表示；2）交互建模，使用潜在向量来预测用户和项目之间的交互。协同过滤方法一般只关注用户和服务的历史交互数据，不考虑辅助数据。然而，用户和服务的历史交互数据只反映了用户偏好和服务特征的一个方面，这可能限制了预测性能。在实际应用中，用户和服务通常还存在着大量的辅助信息，如用户的年龄、性别和服务的类型等，这些信息可以从不同的方面更全面地反映用户偏好和服务特征，忽略了用户和服务的辅助信息，不能完全描述用户的偏好和服务的特征，同时还会面临数据稀疏的问题。
专利CN 107577710 A提出了一种基于异构信息网络的推荐方法及装置，利用异构信息网络来整合辅助数据，并且使用元图来分析用户和项目相似性语义，以解决使用元路径分析用户和项目相似性语义覆盖不全面的问题。但是该方案直接用融合获得的用户-项目相似度矩阵进行推荐，由于用户-项目相似度矩阵稀疏且包含许多噪声信息，直接将用户-项目相似度矩阵用于推荐会导致推荐效果不佳。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于异构信息网络和深度学习的NQI服务推荐方法及系统，利用异构信息网络整合用户和NQI服务的历史交互数据和相关辅助数据，然后根据预设的元路径和元结构计算每一对用户相似性以及每一对NQI服务相似性得到用户-用户相似度矩阵和服务-服务相似度矩阵，再采用神经网络对于不同的用户-用户相似度矩阵和服务-服务相似度矩阵进行用户和NQI服务的特征信息提取以及对用户和NQI服务潜在特征的相关性进行学习，最后进行用户和NQI服务交互概率预测。本发明能够减少噪声信息的干扰，获得较好的推荐效果。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于异构信息网络和深度学习的NQI服务推荐方法，包括以下步骤：
S1）获取目标数据集合并划分训练集和测试集，从用户未交互过的NQI服务中抽取负样本，完善训练集，根据所述训练集构建NQI服务异构信息网络，所述目标数据集合包括用户和NQI服务的历史交互数据和相关辅助数据，所述NQI服务异构信息网络包括用户节点、NQI服务节点、NQI服务类型节点和NQI服务提供商节点；
S2）遍历预设元路径和预设元结构的相关节点，根据所述用户节点的元路径或元结构计算用户元路径的交换矩阵或用户元结构的交换矩阵，并根据所述用户元路径的交换矩阵或用户元结构的交换矩阵计算用户-用户相似度矩阵，根据所述NQI服务节点的元路径或元结构计算NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵，并根据所述NQI服务元路径的交换矩阵或NQI服务元结构的的交换矩阵计算服务-服务相似度矩阵；
S3）构建NQI服务推荐模型，所述NQI服务推荐模型采用第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行潜在特征提取后，采用第二多层感知机神经网络对所述潜在特征的相关性进行学习，最后预测所述用户对所述NQI服务的交互概率；
S4）将每个用户-用户相似度矩阵和服务-服务相似度矩阵输入所述NQI服务推荐模型进行训练，根据预设的目标函数调整所述NQI服务推荐模型，得到最优模型；
S5）在所述测试集中选取用户和NQI服务，将其相似度向量输入所述最优模型，得到所述用户对NQI服务的交互概率，将交互概率符合预设规则的NQI服务推荐给用户。
进一步的，步骤S2）中包括根据节点的元路径计算元路径的交换矩阵的步骤，具体包括：获取所述元路径上的所有节点，计算相邻节点之间的邻接矩阵，对所有邻接矩阵进行矩阵乘法运算得到元路径的交换矩阵。
进一步的，步骤S2）中包括根据节点的元结构计算元结构的交换矩阵的步骤，具体包括：对组成元结构的每个元路径的非公共边计算第一交换矩阵，对所有元路径的公共边计算相邻节点之间的邻接矩阵，对所有第一交换矩阵进行哈达玛积运算得到第二交换矩阵，并对所述邻接矩阵和第二交换矩阵进行矩阵乘法运算得到元结构的交换矩阵。
进一步的，步骤S2）中还包括根据源节点和目标节点的元路径的交换矩阵或元结构的交换矩阵计算源节点和目标节点相似度矩阵的步骤，具体包括：
根据源节点和目标节点的元路径的交换矩阵或元结构的交换矩阵计算源节点和目标节点相似度，函数表达式如下：
Figure 237865DEST_PATH_IMAGE001
上式中，
Figure 180413DEST_PATH_IMAGE002
为源节点，
Figure 556031DEST_PATH_IMAGE003
为目标节点，
Figure 914331DEST_PATH_IMAGE004
分别为元路径的交换矩阵或 元结构的交换矩阵的第i行j列元素、第i行i列元素、第j行j列元素；
根据源节点和目标节点相似度建立对称矩阵作为源节点和目标节点的相似度矩阵。
进一步的，所述NQI服务推荐模型包括：
输入层，用于获取所述用户-用户相似度矩阵和服务-服务相似度矩阵；
特征提取层，用于通过第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行学习，得到用户和NQI服务的潜在特征；
组合层，用于建模用户和NQI服务的交互来捕获用户和NQI服务的关系，得到用户和NQI服务特征向量统一表示；
深度交互层，用于通过第二多层感知机神经网络对用户和NQI服务的潜在特征的相关性进行挖掘学习，得到有价值的用户和NQI服务的交互信息；
预测层，用于映射深度交互层的结果来预测用户和NQI服务的交互概率。
进一步的，所述特征提取层的函数表达式如下：
Figure 386901DEST_PATH_IMAGE005
上式中，L为第一多层感知机神经网络的层数，L≥1，
Figure 500350DEST_PATH_IMAGE006
为第一多层感知机神经网 络的第L层学习到的用户或NQI服务的潜在特征，
Figure 363264DEST_PATH_IMAGE007
为用户-用户相似度矩阵或者服务-服 务相似度矩阵中的行向量，
Figure 587572DEST_PATH_IMAGE008
为第一多层感知机神经网络的第L层的权值矩阵，
Figure 649069DEST_PATH_IMAGE009
为第 一多层感知机神经网络的第L层的偏置向量，a为第一多层感知机神经网络的隐藏层的激活 函数。
进一步的，所述组合层的函数表达式如下：
Figure 871103DEST_PATH_IMAGE010
上式中，
Figure 283630DEST_PATH_IMAGE011
表示在用户节点的元路径或元结构l上获得的用户i的潜在特征，
Figure 311629DEST_PATH_IMAGE012
表 示在NQI服务节点的元路径或元结构k上获得的NQI服务j的潜在特征，
Figure 427965DEST_PATH_IMAGE013
表示用户的潜在 特征和NQI服务潜在特征之间的组合函数。
进一步的，所述深度交互层的函数表达式如下：
Figure 617638DEST_PATH_IMAGE014
上式中，L为第二多层感知机神经网络的层数，L≥1，
Figure 517460DEST_PATH_IMAGE015
为第二多层感知机神经网 络的第L层学习到的用户和NQI服务的潜在特征交互的特征表示，
Figure 83571DEST_PATH_IMAGE016
为用户和NQI服务特征 向量统一表示，
Figure 322922DEST_PATH_IMAGE017
为第二多层感知机神经网络的第L层的权值矩阵，
Figure 683497DEST_PATH_IMAGE018
为第二多层感知 机神经网络的第L层的偏置向量，
Figure 70616DEST_PATH_IMAGE019
为第二多层感知机神经网络的隐藏层的激活函数。
进一步的，所述用户和NQI服务的历史交互数据为隐式反馈数据，所述预测层的函数表达式如下：
Figure 440417DEST_PATH_IMAGE020
上式中，
Figure 268696DEST_PATH_IMAGE021
为用户和NQI服务的潜在特征交互的特征表示，
Figure 65750DEST_PATH_IMAGE022
为预设的权重矩 阵，
Figure 674586DEST_PATH_IMAGE023
为预设的偏置向量，
Figure 848079DEST_PATH_IMAGE024
为Sigmoid激活函数。
本发明还提出一种基于异构信息网络和深度学习的NQI服务推荐系统，包括：
NQI服务异构信息网络构建单元，用于获取目标数据集合并划分训练集和测试集，并从用户未交互过的NQI服务中抽取负样本，完善训练集，根据所述训练集构建NQI服务异构信息网络，所述NQI服务异构信息网络包括用户节点、NQI服务节点、NQI服务类型节点和NQI服务提供商节点；
相似度计算单元，用于遍历预设元路径和预设元结构的相关节点，根据所述用户节点的元路径或元结构计算用户元路径的交换矩阵或用户元结构的交换矩阵，并根据所述用户元路径的交换矩阵或用户元结构的交换矩阵计算用户-用户相似度矩阵，根据所述NQI服务节点的元路径或元结构计算NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵，并根据所述NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵计算服务-服务相似度矩阵；
模型构建单元，用于构建NQI服务推荐模型，所述NQI服务推荐模型采用第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行潜在特征提取后，采用第二多层感知机神经网络对所述潜在特征的相关性进行学习，最后预测所述用户对所述NQI服务的交互概率；
模型训练单元，用于将每个用户-用户相似度矩阵和服务-服务相似度矩阵输入构建好的NQI服务推荐模型进行训练，根据预设的目标函数调整所述NQI服务推荐模型，得到最优模型；
模型测试单元，用于在所述测试集中选取用户和NQI服务，将其相似度向量输入所述最优模型，得到所述用户对NQI服务的交互概率，将交互概率符合预设规则的NQI服务推荐给用户。
和现有技术相比，本发明具有下述优点：
本发明利用异构信息网络在异构数据建模方面具有灵活性和能够建模实体之间的复杂关系，将用户与NQI服务的交互数据和相关辅助数据建模成一个NQI服务异构信息网络，利用元路径和元结构从NQI服务异构信息网络中提取用户和NQI服务在不同方面丰富的语义信息，以此来缓解协同过滤存在的数据稀疏性问题。
此外，本发明通过多层感知机神经网络提取获得不同元路径和元结构上用户和NQI服务的潜在特征，实现了特征的自动提取。在此之后再次使用多层感知机神经网络来学习高效的匹配函数，实现用户和NQI服务高阶交互建模，捕捉用户和NQI服务不同方面特征之间的高阶关系和非线性相关性，解决了点积只能捕获用户和NQI服务之间的简单线性交互，不足以捕获用户和NQI服务交互数据的复杂结构这一问题，提高了NQI服务推荐的性能。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中NQI服务异构信息网络的节点示意图。
图3为本发明实施了中NQI服务异构信息网络中所有元路径和元结构的表现形式。
图4为本发明实施例中的NQI服务推荐模型的结构示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例提出一种基于异构信息网络和深度学习的NQI服务推荐方法，包括以下步骤：
S1）获取目标数据集合并划分训练集和测试集，从用户未交互过的NQI服务中抽取负样本，完善训练集。根据所述训练集构建NQI服务异构信息网络，所述目标数据集合包括用户和NQI服务的历史交互数据和相关辅助数据，所述NQI服务异构信息网络包括用户节点、NQI服务节点、NQI服务类型节点和NQI服务提供商节点；
S2）遍历预设元路径和预设元结构的相关节点，根据所述用户节点的元路径或元结构计算用户元路径的交换矩阵或用户元结构的交换矩阵，并根据所述用户元路径的交换矩阵或用户元结构的交换矩阵计算用户-用户相似度矩阵，根据所述NQI服务节点的元路径或元结构计算NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵，并根据所述NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵计算服务-服务相似度矩阵；
S3）构建NQI服务推荐模型，所述NQI服务推荐模型采用第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行潜在特征提取后，采用第二多层感知机神经网络对所述潜在特征的相关性进行学习，最后预测所述用户对所述NQI服务的交互概率；
S4）将每个用户-用户相似度矩阵和服务-服务相似度矩阵输入所述NQI服务推荐模型进行训练，根据预设的目标函数调整所述NQI服务推荐模型，得到最优模型；
S5）在所述测试集中选取用户和NQI服务，将其相似度向量输入所述最优模型，得到所述用户对NQI服务的交互概率，将交互概率符合预设规则的NQI服务推荐给用户。
通过上述步骤，本实施例利用异构信息网络在异构数据建模方面具有灵活性和能够建模实体之间的复杂关系，将用户与NQI服务的交互数据和相关辅助数据建模成一个NQI服务异构信息网络，利用元路径和元结构从NQI服务异构信息网络中提取用户和NQI服务在不同方面丰富的语义信息，以此来缓解协同过滤存在的数据稀疏性问题。
此外，本实施例通过多层感知机神经网络提取获得不同元路径和元结构上用户和NQI服务的潜在特征，实现了特征的自动提取。在此之后本实施例再次使用多层感知机神经网络来学习高效的匹配函数，实现用户和NQI服务高阶交互建模，捕捉用户和NQI服务不同方面特征之间的高阶关系和非线性相关性，解决了点积只能捕获用户和NQI服务之间的简单线性交互，不足以捕获用户和NQI服务交互数据的复杂结构这一问题，提高了NQI服务推荐的性能。
具体的，本实施例的步骤S1）中，获取目标数据的过程具体为检索NQI综合服务信 息系统的数据库和日志文件，提取并清洗NQI综合服务信息系统上用户购买、浏览、收藏NQI 服务的隐式反馈数据和NQI服务所属类型、NQI服务所属服务机构的关系数据，即获取用户 与NQI服务的交互数据，和NQI服务所属类型、NQI服务所属机构等辅助数据，由此构建的NQI 服务异构信息网络是一个有向图，包含多种类型的对象和链接，可以表示为
Figure 858760DEST_PATH_IMAGE025
， 它包含一个节点集合V和边集合E，同时含有一个节点映射函数
Figure 764399DEST_PATH_IMAGE026
：
Figure 860531DEST_PATH_IMAGE027
，以及一个边映 射函数
Figure 572135DEST_PATH_IMAGE028
：
Figure 437323DEST_PATH_IMAGE029
，其中，
Figure 513863DEST_PATH_IMAGE030
和
Figure 97292DEST_PATH_IMAGE031
分别表示节点和边所属的类型集合，其中，
Figure 347007DEST_PATH_IMAGE032
， 且
Figure 332281DEST_PATH_IMAGE033
，对于NQI服务异构信息网络
Figure 579723DEST_PATH_IMAGE034
，网络模式用
Figure 650447DEST_PATH_IMAGE035
表 示，其中，A表示对象类型集合，R表示关系类型集合；网络模式是NQI服务异构网络的元模 板，它具有对象类型映射α：V→A和关系类型映射Φ：E→R，是A和R上的有向图。在异构的信 息空间中可以发现不同类型的对象的位置和功能。这对于挖掘潜在特征、提供推荐服务具 有重要意义。
如图2所示，本实施例中的NQI服务异构信息网络是基于NQI综合服务信息系统获取的用户的隐式反馈数据和相关辅助数据的网络。包括四种类型的节点：用户（U）、NQI服务（S）、NQI服务类型（T）和NQI服务提供商（C）。其中NQI服务主要包含计量服务、标准化服务、检验检测服务和认证认可服务。在这些网络节点之间存在着不同种类的关系，例如用户使用NQI服务、NQI服务属于NQI服务类型和NQI服务属于NQI服务提供商。
在NQI服务异构信息网络的网络模式中，元路径
Figure 703853DEST_PATH_IMAGE036
是在网络模式
Figure 543633DEST_PATH_IMAGE037
上的一条路径，它在
Figure 961976DEST_PATH_IMAGE038
和
Figure 254417DEST_PATH_IMAGE039
类型之间定义了一个新的复合关系
Figure 111515DEST_PATH_IMAGE040
，其中
Figure 805802DEST_PATH_IMAGE041
表示关系上的合成算子。
如图3所示，本实施例中的NQI服务异构信息网络中使用元路径
Figure 395046DEST_PATH_IMAGE042
和
Figure 440362DEST_PATH_IMAGE043
，元路径
Figure 835572DEST_PATH_IMAGE042
的含义是两个用户使用过同一NQI服务，元路径
Figure 384365DEST_PATH_IMAGE043
的含义是两个NQI服务被同一用户使用 过。
尽管元路径具有很多优点，但仍然存在一些局限性，由于元路径结构简单，所以不 能描述节点之间更复杂的语义信息。因此本实施中还采用元结构来描述更复杂的语义信 息，元结构
Figure 407160DEST_PATH_IMAGE044
是定义在网络模式
Figure 674193DEST_PATH_IMAGE045
上的有向无环图，元结构S从 源节点
Figure 873093DEST_PATH_IMAGE046
出发，到终点
Figure 276393DEST_PATH_IMAGE047
结束。其中，N是对象类型集合A的子集，M是关系类型集合R的子 集。
如图3所示，本实施例中的NQI服务异构信息网络中使用元结构M1和M2，其中元结构M1的含义是两个用户使用过同一NQI服务提供商提供的同一类型的NQI服务，元结构M2的含义是两个NQI服务属于同一NQI服务提供商提供的同一类型的NQI服务。
由于NQI服务异构信息网络包含多种类型节点和多种类型连接，不同的元路径和元结构表示不同的语义，为了提取关于用户的不同元路径和元结构上的特征，以及关于NQI服务的不同元路径和元结构上的特征。本实施例采用PathSim的方法，利用交换矩阵计算用户-用户相似度矩阵和服务-服务相似度矩阵。
具体的，步骤S2）中包括根据节点的元路径计算元路径的交换矩阵的步骤，具体包 括：获取所述元路径上的所有节点，计算相邻节点之间的邻接矩阵，对所有邻接矩阵进行矩 阵乘法运算得到元路径的交换矩阵。假设一条元路径
Figure 473019DEST_PATH_IMAGE048
，A i 是A中的节点 类型，定义矩阵
Figure 227348DEST_PATH_IMAGE049
作为类型A i 和类型A j 之间的邻接矩阵，则元路径
Figure 964360DEST_PATH_IMAGE050
的交换矩阵
Figure 487745DEST_PATH_IMAGE051
为
Figure 855273DEST_PATH_IMAGE052
。
例如，图3中的元路径
Figure 831319DEST_PATH_IMAGE053
的交换矩阵
Figure 372022DEST_PATH_IMAGE054
,
Figure 15493DEST_PATH_IMAGE055
为类型U和类型S间的邻 接矩阵。图3中的元路径
Figure 350659DEST_PATH_IMAGE056
的交换矩阵
Figure 17264DEST_PATH_IMAGE057
,
Figure 96078DEST_PATH_IMAGE058
为类型S和类型U间的邻接矩阵。
同时，步骤S2）中还包括根据节点的元结构计算元结构的交换矩阵的步骤，对于元结构的交换矩阵的计算，首先将元结构分割成多个元路径，由于这些元路径存在公共边和非公共边，因此分别对于公共边和非公共边计算不同的矩阵，然后对相应矩阵进行Hadamard（哈达玛积运算）乘积和矩阵乘法得到交换矩阵，具体包括：对组成元结构的每个元路径的非公共边计算第一交换矩阵，即对于一条非公共边，获取该非公共边上的所有节点，计算相邻节点之间的邻接矩阵，对所有邻接矩阵进行矩阵乘法运算得到该非公共边的第一交换矩阵。对所有元路径的公共边计算相邻节点之间的邻接矩阵，即对于一条公共边，获取该公共边上的所有节点，计算相邻节点之间的邻接矩阵，对所有第一交换矩阵进行哈达玛积运算得到第二交换矩阵，并对所述邻接矩阵和第二交换矩阵进行矩阵乘法运算得到元结构的交换矩阵，若这些元路径不存在公共边，则第二交换矩阵为元结构的交换矩阵。
例如，图3中的元结构M1交换矩阵
Figure 594056DEST_PATH_IMAGE059
的计算方法如下所示，其中
Figure 100123DEST_PATH_IMAGE060
为Hadamard乘 积：
1. 计算
Figure 254024DEST_PATH_IMAGE061
;
上式中，
Figure 136529DEST_PATH_IMAGE062
为元结构M1中非公共边类型S-类型C-类型S的第一交换矩阵，
Figure 489013DEST_PATH_IMAGE063
为类 型S和类型C间的邻接矩阵；
2. 计算
Figure 431562DEST_PATH_IMAGE064
;
上式中，
Figure 807179DEST_PATH_IMAGE065
为元结构M1中非公共边类型S-类型T-类型S的第一交换矩阵，
Figure 227796DEST_PATH_IMAGE066
为类 型S和类型T间的邻接矩阵；
3. 计算
Figure 700366DEST_PATH_IMAGE067
;
上式中，
Figure 548236DEST_PATH_IMAGE062
为元结构M1中非公共边类型S-类型C-类型S的第一交换矩阵，
Figure 411150DEST_PATH_IMAGE065
为元 结构M1中非公共边类型S-类型T-类型S的第一交换矩阵，
Figure 635458DEST_PATH_IMAGE068
为元结构M1中所有非公共边的 第一交换矩阵进行哈达玛积运算得到的第二交换矩阵；
4. 计算
Figure 962534DEST_PATH_IMAGE069
；
上式中，
Figure 246885DEST_PATH_IMAGE070
为元结构M1中非公共边类型S-类型C间的邻接矩阵，
Figure 659412DEST_PATH_IMAGE068
为元结构M1中 所有非公共边的第一交换矩阵进行哈达玛积运算得到的第二交换矩阵。
同样的，图3中的元结构M2交换矩阵
Figure 359514DEST_PATH_IMAGE071
的计算方法如下所示，其中
Figure 541097DEST_PATH_IMAGE060
为Hadamard 乘积：
1. 计算
Figure 996349DEST_PATH_IMAGE072
;
上式中，
Figure 896172DEST_PATH_IMAGE073
为元结构M2中非公共边类型S-类型C-类型S的第一交换矩阵，
Figure 232974DEST_PATH_IMAGE063
为类 型S和类型C间的邻接矩阵；
2. 计算
Figure 269063DEST_PATH_IMAGE074
;
上式中，
Figure 895216DEST_PATH_IMAGE075
为元结构M2中非公共边类型S-类型T-类型S的第一交换矩阵，
Figure 282335DEST_PATH_IMAGE076
为 类型S和类型T间的邻接矩阵；
3. 计算
Figure 324240DEST_PATH_IMAGE077
；
上式中，
Figure 480415DEST_PATH_IMAGE073
为元结构M2中非公共边类型S-类型C-类型S的第一交换矩阵，
Figure 277470DEST_PATH_IMAGE078
为元 结构M2中非公共边类型S-类型T-类型S的第一交换矩阵，
Figure 886306DEST_PATH_IMAGE079
为元结构M2中所有非公共边的 第一交换矩阵进行哈达玛积运算得到的第二交换矩阵。
步骤S2）中，得到元路径的交换矩阵和元结构的交换矩阵后，就可以根据源节点和目标节点的元路径的交换矩阵或元结构的交换矩阵计算源节点和目标节点相似度矩阵，具体包括：
根据所述源节点和目标节点的元路径的交换矩阵或元结构的交换矩阵计算源节点和目标节点相似度，函数表达式如下：
Figure 59798DEST_PATH_IMAGE001
（1）
上式中，
Figure 8163DEST_PATH_IMAGE002
为源节点，
Figure 976119DEST_PATH_IMAGE003
为目标节点，
Figure 72251DEST_PATH_IMAGE004
分别为元路径的交换矩阵或元 结构的交换矩阵的第i行j列元素、第i行i列元素、第j行j列元素；
根据源节点和目标节点相似度建立对称矩阵作为源节点和目标节点的相似度矩 阵。通过式（1）可以计算得到源节点
Figure 518275DEST_PATH_IMAGE002
和目标节点
Figure 586726DEST_PATH_IMAGE080
的相似度，把
Figure 725583DEST_PATH_IMAGE081
放在矩阵的第i行j列，计算完成后就可以得到一个相似度矩阵。例如有M个用户，计算用户1和用户1、用户 2、…、用户M的相似度
Figure 309011DEST_PATH_IMAGE082
，
Figure 558727DEST_PATH_IMAGE082
分别是矩阵第 一行第一列、第一行第二列、….. 第一行第M列的元素。同理，计算用户2至用户M和用户1、 2、…、M的相似度，最终可以得到一个M*M的矩阵。例如，通过元路径
Figure 544000DEST_PATH_IMAGE083
计算所有NQI服务之间 的相似度，可以得到一个对称的服务-服务相似度矩阵
Figure 791442DEST_PATH_IMAGE084
，其中
Figure 862166DEST_PATH_IMAGE085
表示NQI服务
Figure 915573DEST_PATH_IMAGE086
和 NQI服务
Figure 755353DEST_PATH_IMAGE087
沿元路径
Figure 173696DEST_PATH_IMAGE088
的相似度，n为NQI服务数量。通过元结构M1计算所有用户之间的相似 度，可以得到一个对称的用户-用户相似度矩阵
Figure 466137DEST_PATH_IMAGE089
，其中
Figure 323235DEST_PATH_IMAGE090
表示用户
Figure 17521DEST_PATH_IMAGE091
和用户
Figure 606765DEST_PATH_IMAGE092
沿元 结构M1的相似度，m为用户数量。综上所述，通过在NQI服务异构信息网络中设计
Figure 652082DEST_PATH_IMAGE093
条元路径 和
Figure 47291DEST_PATH_IMAGE094
个元结构，就可以得到总数为
Figure 596084DEST_PATH_IMAGE093
的基于元路径的不同用户-用户相似度矩阵
Figure 621809DEST_PATH_IMAGE095
以及 基于元路径的不同服务-服务相似度矩阵
Figure 888842DEST_PATH_IMAGE096
，
Figure 822163DEST_PATH_IMAGE097
，以及总数为
Figure 491042DEST_PATH_IMAGE094
的 基于元结构不同的用户-用户相似度矩阵
Figure 684738DEST_PATH_IMAGE098
以及基于元结构不同的服务-服务相似 度矩阵
Figure 173488DEST_PATH_IMAGE099
，
Figure 176080DEST_PATH_IMAGE100
。
如图4所示，本实施例中的NQI服务推荐模型包括：
输入层，用于获取前文中的用户-用户相似度矩阵和服务-服务相似度矩阵；
特征提取层，用于通过第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行学习，得到用户和NQI服务的潜在特征，由上文内容可知，本实施例中的用户-用户相似度矩阵包括基于元路径的用户-用户相似度矩阵和基于元结构的用户-用户相似度矩阵，服务-服务相似度矩阵也包括基于元路径的服务-服务相似度矩阵和基于元结构的服务-服务相似度矩阵，即本实施例中的用户-用户相似度矩阵和服务-服务相似度矩阵共有四种，本实施例中的特征提取层也包括四个结构相同的第一多层感知机神经网络，每个第一多层感知机神经网络分别对应一种用户-用户相似度矩阵或者服务-服务相似度矩阵；
组合层，用于通过在浅层中建模用户和NQI服务的交互来捕获用户和NQI服务的关系，得到用户和NQI服务特征向量统一表示；
深度交互层，用于通过第二多层感知机神经网络对用户和NQI服务的潜在特征的相关性进行挖掘学习，得到有价值的用户和NQI服务的交互信息，实现用户和NQI服务高阶交互建模；
预测层，用于映射深度交互层的结果来预测用户和NQI服务的交互概率。
本实施例中，基于元路径或元结构获得的每个用户-用户相似度矩阵或者服务-服 务相似度矩阵
Figure 699465DEST_PATH_IMAGE101
中，行向量
Figure 801413DEST_PATH_IMAGE102
表示用户沿着元路径或元结构l的语义与所有用户的相似 度，或者，表示NQI服务沿着元路径或元结构l的语义与所有NQI服务的相似度，因此，使用相 似度矩阵的行向量来表示用户或NQI服务。虽然相似度矩阵包含了用户和NQI服务不同方面 的信息，但从特征工程的角度来看，其包含的信息比较粗糙驳杂，需要进行进一步的提取。 由于神经网络具有强大的非线性函数建模能力，因此本实施例中的特征提取层使用多层感 知机，以相似度矩阵作为输入来学习用户和NQI的特征，所述特征提取层的函数表达式如 下：
Figure 43038DEST_PATH_IMAGE005
(2)
上式中，L为第一多层感知机神经网络的层数，L≥1，
Figure 583741DEST_PATH_IMAGE006
为第一多层感知机神经网 络的第L层学习到的用户或NQI服务的潜在特征，
Figure 961633DEST_PATH_IMAGE007
为用户-用户相似度矩阵或者服务-服 务相似度矩阵中的行向量，
Figure 500062DEST_PATH_IMAGE103
为第一多层感知机神经网络的第L层的权值矩阵，
Figure 963404DEST_PATH_IMAGE009
为第一 多层感知机神经网络的第L层的偏置向量，a为第一多层感知机神经网络的隐藏层的激活函 数。
本实施例中，第一多层感知机网络由两个全连接层组成，隐藏层的激活函数采用 ReLU函数，因为当网络变深时，相比其它激活函数（如tanh函数和Sigmoid函数），其更不易 受到饱和问题的影响，并且能加快网络训练。以元路径
Figure 307798DEST_PATH_IMAGE104
下NQI服务的相似矩阵
Figure 805775DEST_PATH_IMAGE105
为例。第一多层感知机将NQI服务
Figure 311843DEST_PATH_IMAGE106
的初始相似度向量
Figure 465744DEST_PATH_IMAGE107
映射成一个低维潜在特征向量， 过程如下所示：
Figure 348249DEST_PATH_IMAGE108
(3)
上式中，
Figure 700733DEST_PATH_IMAGE109
即为元路径
Figure 377702DEST_PATH_IMAGE110
下NQI服务
Figure 753320DEST_PATH_IMAGE111
的潜在特征，依次类推，还能够得到元路径
Figure 439516DEST_PATH_IMAGE112
下用户U i 的潜在特征
Figure 646506DEST_PATH_IMAGE113
、元结构M1下用户U i 的潜在特征
Figure 759956DEST_PATH_IMAGE114
、元结构M2下NQI服务
Figure 685186DEST_PATH_IMAGE115
的潜在特征
Figure 847178DEST_PATH_IMAGE116
。
因此，对于用户和NQI服务的每种相似度矩阵，都有一个对应的多层感知机来学习 用户和NQI服务的特征，由此可以得到
Figure 174254DEST_PATH_IMAGE117
对用户i的潜在特征
Figure 458604DEST_PATH_IMAGE118
和NQI服务j的潜在 特征
Figure 543235DEST_PATH_IMAGE119
，其中
Figure 571234DEST_PATH_IMAGE120
表示由元路径l或元结构l生成的用户i的潜在特征，
Figure 752817DEST_PATH_IMAGE121
表示元路径k或 元结构k生成的NQI服务j的潜在特征。
本实施例中，组合层接收不同方面的用户特征和NQI服务特征，并将它们集成到一个特征向量中，所述组合层的函数表达式如下：
Figure 208069DEST_PATH_IMAGE122
(4)
上式中，
Figure 107892DEST_PATH_IMAGE120
表示在用户节点的元路径或元结构上l获得的用户i的潜在特征，
Figure 611685DEST_PATH_IMAGE121
表示 在NQI服务节点的元路径或元结构k上获得的NQI服务j的潜在特征，
Figure 647774DEST_PATH_IMAGE013
表示用户的潜在特 征和NQI服务潜在特征之间的组合函数，可以为连接或者元素积或者元素和。
对于本实施例中元路径和元结构的所有情况，组合层的函数表达式可以转换为：
Figure 273928DEST_PATH_IMAGE123
(5)
上式中，
Figure 395468DEST_PATH_IMAGE124
表示在用户节点的元路径
Figure 700022DEST_PATH_IMAGE125
上获得的用户i的潜在特征，
Figure 856197DEST_PATH_IMAGE126
表示在 NQI服务节点的元路径
Figure 653252DEST_PATH_IMAGE127
上获得的NQI服务j的潜在特征，
Figure 262088DEST_PATH_IMAGE128
表示在用户节点的元 结构M1上获得的用户i的潜在特征，
Figure 107684DEST_PATH_IMAGE129
表示在NQI服务节点的元结构M2上获得的NQI服 务j的潜在特征，本实施例中的组合函数
Figure 118365DEST_PATH_IMAGE130
选择连接，因为连接操作保留了用户和NQI服务 所有潜在特征的信息。
本实施例中的深度交互层再次使用多层感知机来实现用户和NQI服务高阶交互建模，捕捉用户和NQI服务不同方面特征之间的高阶关系和非线性相关性，以解决现有协同过滤推荐模型的点积方法仅能够捕获用户和服务之间的简单线性交互的问题，所述深度交互层的函数表达式如下：
Figure 86321DEST_PATH_IMAGE014
(6)
上式中，L为第二多层感知机神经网络的层数，L≥1，
Figure 182453DEST_PATH_IMAGE015
为第二多层感知机神经网 络的第L层学习到的用户和NQI服务的潜在特征交互的特征表示，
Figure 894058DEST_PATH_IMAGE131
为用户和NQI服务特征 向量统一表示，
Figure 962508DEST_PATH_IMAGE132
为第二多层感知机神经网络的第L层的权值矩阵，
Figure 101365DEST_PATH_IMAGE133
为第二多层感知 机神经网络的第L层的偏置向量，
Figure 419214DEST_PATH_IMAGE019
为第二多层感知机神经网络的隐藏层的激活函数。
本实施例中，第二多层感知机网络由两个全连接层组成，隐藏层的激活函数采用ReLU函数，因为当网络变深时，相比其它激活函数（如tanh函数和Sigmoid函数），其更不易受到饱和问题的影响，并且能加快网络训练。因此深度交互层的捕捉用户和NQI服务复杂关系下的交互信息的过程如下所示：
Figure 934509DEST_PATH_IMAGE134
(7)
上式中，深度交互层的输出
Figure 919782DEST_PATH_IMAGE135
编码了大量有价值的用户和NQI服务的交互信息， 是用户u对NQI服务s需求的最抽象表示。
本实施例中的推荐场景是基于隐式反馈数据的Top-N服务列表推荐，而在隐式反 馈中，目标值
Figure 167224DEST_PATH_IMAGE136
是二进制值1或0，1表示用户u与NQI服务s进行了交互，0表示未交互，因此， 所述预测层的函数表达式如下：
Figure 972369DEST_PATH_IMAGE137
(8)
上式中，
Figure 25776DEST_PATH_IMAGE021
为用户和NQI服务的潜在特征交互的特征表示，
Figure 865556DEST_PATH_IMAGE022
为预设的权重矩 阵，
Figure 346216DEST_PATH_IMAGE138
为预设的偏差向量，
Figure 841919DEST_PATH_IMAGE139
为Sigmoid激活函数，可以将预测分数重新缩放至[0,1]。
本实施例的步骤S4）中，为了调整NQI服务推荐模型，预先配置二元交叉熵损失函数作为目标函数，使得实际隐式反馈与预测交互概率的差值最小，二元交叉熵损失函数的表达式如下：
Figure 433437DEST_PATH_IMAGE140
(9)
上式中，
Figure 393303DEST_PATH_IMAGE141
表示正样本集合；
Figure 44864DEST_PATH_IMAGE142
表示负样本集合，从用户未交互过的NQI服务中抽 取；
Figure 824601DEST_PATH_IMAGE143
为NQI服务推荐模型的输出，即样本的预测值；
Figure 157494DEST_PATH_IMAGE144
是样本的真实值。
随后，将训练集中不同元路径上的用户-用户相似度矩阵、不同元结构上的用户-用户相似度矩阵、不同元路径上的服务-服务相似度矩阵、不同元结构上的服务-服务相似度矩阵均输入NQI服务推荐模型，通过特征提取层的学习，得到用户和NQI服务不同方面的潜在特征向量。然后，用户和NQI服务不同方面的潜在特征向量通过组合层转换为用户和NQI服务特征向量统一表示；紧接着，用户和NQI服务特征向量统一表示经过深度交互层的挖掘学习，获得编码了大量有价值的用户和NQI服务的交互信息的最终交互特征表示，最后，最终交互特征表示输入到预测层进行交互概率预测并输出，通过目标函数计算预测交互概率值与真实值之间的误差，然后进行反向传播并更新NQI服务推荐模型的参数，不断重复上述过程直至模型收敛且在测试集上的效果达到最优，从而训练得出最优模型。
本实施例的步骤S4）基于TensorFlow实现了NQI服务推荐模型，采用xavier初始化模型参数，Adam作为模型优化方法，利用反向传播来更新NQI服务推荐模型的参数值。在基于用户对未交互NQI服务的需求小于交互的NQI服务需求假设的前提下，从用户未交互的NQI服务中均匀采样获得负样本进行训练。本实施例采用“留一法”进行NQI服务推荐模型训练，后续测试时直接从之前训练过程的数据预处理中计算完成的用户-用户和服务-服务相似度矩阵中直接调用相关用户和待预测NQI服务的相似度向量。模型具体训练过程采用基于深度协同过滤的NQI服务推荐模型训练算法，如下所示：
输入：
Figure 971866DEST_PATH_IMAGE145
：用户和服务在不同元路径和元结构下的相似度矩阵；
Figure 794329DEST_PATH_IMAGE146
：正样本集合；
Figure 61362DEST_PATH_IMAGE147
：负样本集合；n：模型迭代次数。
输出：
Figure 260262DEST_PATH_IMAGE148
：模型的参数。
1. 通过xavier随机初始化模型的参数
Figure 866824DEST_PATH_IMAGE148
2. for all epochs = 1 to ndo
3.for all
Figure 860188DEST_PATH_IMAGE149
do
4.通过式(3)计算不同元路径下用户的特征向量、不同元结构下用户的特征向量、不同元路径下服务的特征向量和不同元结构下服务的特征向量
5.通过式(5)计算组合后的用户和服务表示向量统一表示
6.通过式(7)获得深度交互层的输出
Figure 614517DEST_PATH_IMAGE150
7.通过式(8)获得模型的预测交互概率
Figure 617108DEST_PATH_IMAGE151
8.end for
9.通过式(9)获得损失
Figure 140493DEST_PATH_IMAGE152
10.使用小批量Adma优化
Figure 242442DEST_PATH_IMAGE152
11. end for
12. 返回模型参数
Figure 484067DEST_PATH_IMAGE148
。
本实施例的步骤S5）具体包括：将测试集中用户和待预测NQI服务的相似度向量输入到最优模型中，通过特征提取层的学习，得到用户和NQI服务不同方面的潜在特征向量。然后，用户和NQI服务不同方面的潜在特征向量通过组合层转换为用户和NQI服务特征向量统一表示；紧接着，用户和NQI服务特征向量统一表示经过深度交互层的挖掘学习，获得编码了大量有价值的用户和NQI服务的交互信息的最终交互特征表示，最后，最终交互特征表示输入到预测层进行交互概率预测并输出，在获取到用户对NQI服务的预测交互概率后，将预测交互概率较高的前N个服务推荐给用户。
本实施例还提出一种基于异构信息网络和深度学习的NQI服务推荐系统，包括：
NQI服务异构信息网络构建单元，用于获取目标数据集合并划分训练集和测试集，并从用户未交互过的NQI服务中抽取负样本，完善训练集，根据所述训练集构建NQI服务异构信息网络，所述NQI服务异构信息网络包括用户节点、NQI服务节点、NQI服务类型节点和NQI服务提供商节点；
相似度计算单元，用于遍历预设元路径和预设元结构的相关节点，根据所述用户节点的元路径或元结构计算用户元路径的交换矩阵或用户元结构的交换矩阵，并根据所述用户元路径的交换矩阵或用户元结构的交换矩阵计算用户-用户相似度矩阵，根据所述NQI服务节点的元路径或元结构计算NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵，并根据所述NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵计算服务-服务相似度矩阵；
模型构建单元，用于构建NQI服务推荐模型，所述NQI服务推荐模型采用第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行潜在特征提取后，采用第二多层感知机神经网络对所述潜在特征的相关性进行学习，最后预测所述用户对所述NQI服务的交互概率；
模型训练单元，用于将每个用户-用户相似度矩阵和服务-服务相似度矩阵输入构建好的NQI服务推荐模型进行训练，根据预设的目标函数调整所述NQI服务推荐模型，得到最优模型；
模型测试单元，用于在所述测试集中选取用户和NQI服务，将其相似度向量输入所述最优模型，得到所述用户对NQI服务的交互概率，将交互概率符合预设规则的NQI服务推荐给用户。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，包括以下步骤：
S1）获取目标数据集合并划分训练集和测试集，从用户未交互过的NQI服务中抽取负样本，完善训练集，根据所述训练集构建NQI服务异构信息网络，所述目标数据集合包括用户和NQI服务的历史交互数据以及相关辅助数据，所述NQI服务异构信息网络包括用户节点、NQI服务节点、NQI服务类型节点和NQI服务提供商节点；
S2）遍历预设元路径和预设元结构的相关节点，根据所述用户节点的元路径或元结构计算用户元路径的交换矩阵或用户元结构的交换矩阵，并根据所述用户元路径的交换矩阵或用户元结构的交换矩阵计算用户-用户相似度矩阵，根据所述NQI服务节点的元路径或元结构计算NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵，并根据所述NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵计算服务-服务相似度矩阵；
S3）构建NQI服务推荐模型，所述NQI服务推荐模型采用第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行潜在特征提取后，采用第二多层感知机神经网络对所述潜在特征的相关性进行学习，最后预测所述用户对所述NQI服务的交互概率；
S4）将每个用户-用户相似度矩阵和服务-服务相似度矩阵输入所述NQI服务推荐模型进行训练，根据预设的目标函数调整所述NQI服务推荐模型，得到最优模型；
S5）在所述测试集中选取用户和NQI服务，将其相似度向量输入所述最优模型，得到所述用户对NQI服务的交互概率，将交互概率符合预设规则的NQI服务推荐给用户。
2.根据权利要求1所述的基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，步骤S2）中包括根据节点的元路径计算元路径的交换矩阵的步骤，具体包括：获取所述元路径上的所有节点，计算相邻节点之间的邻接矩阵，对所有邻接矩阵进行矩阵乘法运算得到元路径的交换矩阵。
3.根据权利要求2所述的基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，步骤S2）中包括根据节点的元结构计算元结构的交换矩阵的步骤，具体包括：对组成元结构的每个元路径的非公共边计算第一交换矩阵，对所有元路径的公共边计算相邻节点之间的邻接矩阵，对所有第一交换矩阵进行哈达玛积运算得到第二交换矩阵，并对所述邻接矩阵和第二交换矩阵进行矩阵乘法运算得到元结构的交换矩阵。
4.根据权利要求1~3任一所述的基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，步骤S2）中还包括根据源节点和目标节点的元路径的交换矩阵或元结构的交换矩阵计算源节点和目标节点相似度矩阵的步骤，具体包括：
根据所述源节点和目标节点的元路径的交换矩阵或元结构的交换矩阵计算源节点和目标节点相似度，函数表达式如下：
Figure 274609DEST_PATH_IMAGE001
上式中，
Figure 191749DEST_PATH_IMAGE002
为源节点，
Figure 971486DEST_PATH_IMAGE003
为目标节点，
Figure 366696DEST_PATH_IMAGE004
分别为元路径的交换矩阵或 元结构的交换矩阵的第i行j列元素、第i行i列元素、第j行j列元素；
根据源节点和目标节点相似度建立对称矩阵作为源节点和目标节点的相似度矩阵。
5.根据权利要求1所述的基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，所述NQI服务推荐模型包括：
输入层，用于获取所述用户-用户相似度矩阵和服务-服务相似度矩阵；
特征提取层，用于通过第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行学习，得到用户和NQI服务的潜在特征；
组合层，用于建模用户和NQI服务的交互来捕获用户和NQI服务的关系，得到用户和NQI服务特征向量统一表示；
深度交互层，用于通过第二多层感知机神经网络对用户和NQI服务的潜在特征的相关性进行挖掘学习，得到有价值的用户和NQI服务的交互信息；
预测层，用于映射深度交互层的结果来预测用户和NQI服务的交互概率。
6.根据权利要求5所述的基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，所述特征提取层的函数表达式如下：
Figure 118751DEST_PATH_IMAGE005
上式中，L为第一多层感知机神经网络的层数，L≥1，
Figure 941213DEST_PATH_IMAGE006
为第一多层感知机神经网络的 第L层学习到的用户或NQI服务的潜在特征，
Figure 208247DEST_PATH_IMAGE007
为用户-用户相似度矩阵或者服务-服务相 似度矩阵中的行向量，
Figure 407147DEST_PATH_IMAGE008
为第一多层感知机神经网络的第L层的权值矩阵，
Figure 76026DEST_PATH_IMAGE009
为第一多 层感知机神经网络的第L层的偏置向量，a为第一多层感知机神经网络的隐藏层的激活函 数。
7.根据权利要求5所述的基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，所述组合层的函数表达式如下：
Figure 4143DEST_PATH_IMAGE010
上式中，
Figure 758472DEST_PATH_IMAGE011
表示在用户节点的元路径或元结构l上获得的用户i的潜在特征，
Figure 495484DEST_PATH_IMAGE012
表示在 NQI服务节点的元路径或元结构k上获得的NQI服务j的潜在特征，
Figure 18869DEST_PATH_IMAGE013
表示用户的潜在特 征和NQI服务潜在特征之间的组合函数。
8.根据权利要求5所述的基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，所述深度交互层的函数表达式如下：
Figure 448714DEST_PATH_IMAGE014
上式中，L为第二多层感知机神经网络的层数，L≥1，
Figure 628022DEST_PATH_IMAGE015
为第二多层感知机神经网络的 第L层学习到的用户和NQI服务的潜在特征交互的特征表示，
Figure 903146DEST_PATH_IMAGE016
为用户和NQI服务特征向 量统一表示，
Figure 546617DEST_PATH_IMAGE017
为第二多层感知机神经网络的第L层的权值矩阵，
Figure 881783DEST_PATH_IMAGE018
为第二多层感知机 神经网络的第L层的偏置向量，
Figure 610705DEST_PATH_IMAGE019
为第二多层感知机神经网络的隐藏层的激活函数。
9.根据权利要求5所述的基于异构信息网络和深度学习的NQI服务推荐方法，其特征在于，所述用户和NQI服务的历史交互数据为隐式反馈数据，所述预测层的函数表达式如下：
Figure 627202DEST_PATH_IMAGE020
上式中，
Figure 125180DEST_PATH_IMAGE021
为用户和NQI服务的潜在特征交互的特征表示，
Figure 896827DEST_PATH_IMAGE022
为预设的权重矩阵，
Figure 847465DEST_PATH_IMAGE023
为预设的偏置向量，
Figure 729970DEST_PATH_IMAGE024
为Sigmoid激活函数。
10.一种基于异构信息网络和深度学习的NQI服务推荐系统，其特征在于，包括：
NQI服务异构信息网络构建单元，用于获取目标数据集合并划分训练集和测试集，并从用户未交互过的NQI服务中抽取负样本，完善训练集，根据所述训练集构建NQI服务异构信息网络，所述NQI服务异构信息网络包括用户节点、NQI服务节点、NQI服务类型节点和NQI服务提供商节点；
相似度计算单元，用于遍历预设元路径和预设元结构的相关节点，根据所述用户节点的元路径或元结构计算用户元路径的交换矩阵或用户元结构的交换矩阵，并根据所述用户元路径的交换矩阵或用户元结构的交换矩阵计算用户-用户相似度矩阵，根据所述NQI服务节点的元路径或元结构计算NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵，并根据所述NQI服务元路径的交换矩阵或NQI服务元结构的交换矩阵计算服务-服务相似度矩阵；
模型构建单元，用于构建NQI服务推荐模型，所述NQI服务推荐模型采用第一多层感知机神经网络对所述用户-用户相似度矩阵和服务-服务相似度矩阵进行潜在特征提取后，采用第二多层感知机神经网络对所述潜在特征的相关性进行学习，最后预测所述用户对所述NQI服务的交互概率；
模型训练单元，用于将每个用户-用户相似度矩阵和服务-服务相似度矩阵输入构建好的NQI服务推荐模型进行训练，根据预设的目标函数调整所述NQI服务推荐模型，得到最优模型；
模型测试单元，用于在所述测试集中选取用户和NQI服务，将其相似度向量输入所述最优模型，得到所述用户对NQI服务的交互概率，将交互概率符合预设规则的NQI服务推荐给用户。
CN202210034168.9A 2022-01-13 2022-01-13 基于异构信息网络和深度学习的nqi服务推荐方法及系统 Active CN114048396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210034168.9A CN114048396B (zh) 2022-01-13 2022-01-13 基于异构信息网络和深度学习的nqi服务推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210034168.9A CN114048396B (zh) 2022-01-13 2022-01-13 基于异构信息网络和深度学习的nqi服务推荐方法及系统

Publications (2)

Publication Number Publication Date
CN114048396A true CN114048396A (zh) 2022-02-15
CN114048396B CN114048396B (zh) 2022-03-18

Family

ID=80196386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210034168.9A Active CN114048396B (zh) 2022-01-13 2022-01-13 基于异构信息网络和深度学习的nqi服务推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114048396B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342228A (zh) * 2023-05-18 2023-06-27 云筑信息科技(成都)有限公司 一种基于有向图神经网络的相关推荐的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200103202A (ko) * 2019-02-20 2020-09-02 동의대학교 산학협력단 딥러닝 뉴럴 네트워크 기반의 상품 추천 서비스 제공방법
CN112380434A (zh) * 2020-11-16 2021-02-19 吉林大学 一种融合异质信息网络的可解释推荐系统方法
CN112486467A (zh) * 2020-11-27 2021-03-12 武汉大学 一种双重交互关系和注意力机制的交互式服务推荐方法
CN112861967A (zh) * 2021-02-07 2021-05-28 中国电子科技集团公司电子科学研究院 基于异构图神经网络的社交网络异常用户检测方法及设备
CN113190754A (zh) * 2021-05-11 2021-07-30 四川大学 一种基于异构信息网络表示学习的推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200103202A (ko) * 2019-02-20 2020-09-02 동의대학교 산학협력단 딥러닝 뉴럴 네트워크 기반의 상품 추천 서비스 제공방법
CN112380434A (zh) * 2020-11-16 2021-02-19 吉林大学 一种融合异质信息网络的可解释推荐系统方法
CN112486467A (zh) * 2020-11-27 2021-03-12 武汉大学 一种双重交互关系和注意力机制的交互式服务推荐方法
CN112861967A (zh) * 2021-02-07 2021-05-28 中国电子科技集团公司电子科学研究院 基于异构图神经网络的社交网络异常用户检测方法及设备
CN113190754A (zh) * 2021-05-11 2021-07-30 四川大学 一种基于异构信息网络表示学习的推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHAOHUA FAN等: "Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation", 《KDD "19: PROCEEDINGS OF THE 25TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING》 *
WEI QIU等: "Automatic Classification of Power Quality Disturbances Via Weighted Convolutional Neural Network", 《2019 IEEE POWER & ENERGY SOCIETY GENERAL MEETING(PESGM)》 *
刘佳玮等: "基于异质信息网络的推荐系统研究综述", 《信息安全学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342228A (zh) * 2023-05-18 2023-06-27 云筑信息科技(成都)有限公司 一种基于有向图神经网络的相关推荐的方法
CN116342228B (zh) * 2023-05-18 2023-10-20 云筑信息科技(成都)有限公司 一种基于有向图神经网络的相关推荐的方法

Also Published As

Publication number Publication date
CN114048396B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
Shu et al. A content-based recommendation algorithm for learning resources
Darban et al. GHRS: Graph-based hybrid recommendation system with application to movie recommendation
Blanco-Fernández et al. Exploring synergies between content-based filtering and spreading activation techniques in knowledge-based recommender systems
CN113362131B (zh) 一种融合知识图谱和用户交互的图模型智能商品推荐方法
CN111797321A (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN109543840B (zh) 一种基于多维分类强化学习的动态推荐系统设计方法
CN114817663B (zh) 一种基于类别感知图神经网络的服务建模与推荐方法
CN113918832B (zh) 基于社交关系的图卷积协同过滤推荐系统
CN101894351A (zh) 基于多智能Agent的旅游多媒体信息个性化服务系统
CN111723285A (zh) 一种基于评分的深度谱卷积协同过滤推荐方法
Li et al. Hypergraph transformer neural networks
CN112364242A (zh) 针对上下文感知型的图卷积推荐系统
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
CN114048396B (zh) 基于异构信息网络和深度学习的nqi服务推荐方法及系统
Channarong et al. HybridBERT4Rec: a hybrid (content-based filtering and collaborative filtering) recommender system based on BERT
CN104657434A (zh) 一种社交网络结构构建方法
Zhang et al. Combining explicit entity graph with implicit text information for news recommendation
CN113590965B (zh) 一种融合知识图谱与情感分析的视频推荐方法
Zhang et al. Cross-domain recommendation with multiple sources
Liang et al. Graph path fusion and reinforcement reasoning for recommendation in MOOCs
Ali et al. Dynamic context management in context-aware recommender systems
Wang et al. A hybrid collaborative filtering recommendation algorithm: integrating content information and matrix factorisation
CN114462707B (zh) 一种基于特征深度融合的Web服务多维QoS联合预测方法
Hao et al. Enhancing cross domain recommendation with domain dependent tags
CN113704439B (zh) 一种基于多来源信息异构图的会话推荐方法

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
GR01 Patent grant
GR01 Patent grant