CN114417161B - 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 - Google Patents

基于异构图的虚拟物品时序推荐方法、装置、介质及设备 Download PDF

Info

Publication number
CN114417161B
CN114417161B CN202210068754.5A CN202210068754A CN114417161B CN 114417161 B CN114417161 B CN 114417161B CN 202210068754 A CN202210068754 A CN 202210068754A CN 114417161 B CN114417161 B CN 114417161B
Authority
CN
China
Prior art keywords
article
user
virtual
feature vector
graph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210068754.5A
Other languages
English (en)
Other versions
CN114417161A (zh
Inventor
刘剑
符靖雅
卢路
陈红艳
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.)
Hangzhou Biyou Information Technology Co ltd
Original Assignee
Hangzhou Biyou Information Technology Co ltd
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 Hangzhou Biyou Information Technology Co ltd filed Critical Hangzhou Biyou Information Technology Co ltd
Priority to CN202210068754.5A priority Critical patent/CN114417161B/zh
Publication of CN114417161A publication Critical patent/CN114417161A/zh
Application granted granted Critical
Publication of CN114417161B publication Critical patent/CN114417161B/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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种基于异构图的虚拟物品时序推荐方法、装置、介质及设备。该方法首先在包括用户、虚拟物品和物品属性三种结点的异构图上使用GCN得到用户表示和物品表示；然后在异构图中分别提取出社交子图和物品关联度子图，分别通过GCN得到用户表示和物品表示，并与异构图中得到的用户和物品的表示融合，获得最终的用户表示和物品表示。然后将得到的物品表示按照购买时间顺序输入时序网络，得到候选的虚拟物品；最后将用户表示与候选的虚拟物品表示做点积，得到每个候选物品的推荐概率。本发明在虚拟物品推荐任务中可以充分考虑到用户和虚拟物品之间在空间维度上的联系以及虚拟物品的购买在时间维度上的联系，从而实现更准确的虚拟物品推荐。

Description

基于异构图的虚拟物品时序推荐方法、装置、介质及设备
技术领域
本发明涉及个性化推荐领域，尤其涉及一种在物品推荐任务上的基于异构图的时序推荐方法。
背景技术
近年来，时序模型作为一种可以捕捉上下文信息的技术，引起了越来越多的研究者们的注意。时序模型设计出来的最佳架构已在多种任务，例如自然语言处理任务、机器翻译等任务上面，展示出了巨大的优越性。
在虚拟物品推荐领域中，使用时序模型来捕捉用户在时间维度上的偏好是非常有效的。以时序模型Transformer为例，引入Positional Embedding来表示虚拟物品的序列关系，并通过自注意力机制对用户的历史行为信息建模，得到隐藏的用户行为模式。但仅使用时序模型对用户行为建模存在着以下问题：
实际情况下，由于用户和虚拟物品的数量非常庞大，用户的历史行为数据是非常稀疏的，仅使用时序模型来捕捉虚拟物品和虚拟物品、用户和用户、物品和用户间在时间维度上的联系是不全面的，会遗漏掉很多关键的潜在的联系。
因此，如何从历史用户行为中全面提取多维度的联系，进而实现更准确、个性化地虚拟物品推荐，是目前亟待解决的技术问题。
发明内容
本发明的目的在于解决现有技术中存在的问题，并提供一种基于异构图的虚拟物品时序推荐方法和装置。
本发明具体是通过以下技术方案实现的：
第一方面，本发明提供了一种基于异构图的虚拟物品时序推荐方法，其包括：
S1：获取根据虚拟物品历史购买记录构建的异构图，所述异构图以用户、虚拟物品和虚拟物品属性为结点，以用户、虚拟物品和虚拟物品属性之间的交互为边，并在异构图上使用图卷积神经网络得到每个用户对应的第一用户特征向量和每个虚拟物品的第一物品特征向量；
S2：以用户和用户之间的交互作为社交属性，从异构图中单独提取出用户与用户之间的社交子图，在社交子图上利用图卷积神经网络融合周围邻居特征得到每个用户的第二用户特征向量，将每个用户对应的第一用户特征向量和第二用户特征向量融合得到第三用户特征向量；
S3：以虚拟物品和虚拟物品之间的交互作为物品关联度属性，从异构图中单独提取出物品与物品之间的关联度子图，在物品关联度子图上利用图卷积神经网络融合周围邻居特征得到每个虚拟物品的第二物品特征向量，将每个虚拟物品对应的第一物品特征向量和第二物品特征向量融合得到第三物品特征向量；
S4：针对待进行推荐的目标用户，将目标用户历史购买的虚拟物品的第三物品特征向量按照购买顺序输入自注意力时序模型中，通过自注意力机制充分捕捉购买的虚拟物品的上下文关联，并将自注意力时序模型输出的每个候选虚拟物品的特征向量与目标用户的第三用户特征向量做内积，得到每个候选物品的被购买概率，并根据概率向目标用户进行虚拟物品推荐。
作为上述第一方面的优选，所述异构图中，将虚拟物品历史购买记录中的用户、虚拟物品和虚拟物品属性作为结点，并在三类结点之间根据交互建立边连接，其中每一个用户结点需要与其购买过的物品建立边连接，每一个物品需要与其所属的属性建立边连接。
作为上述第一方面的优选，所述第一用户特征向量和第二用户特征向量通过向量连接的形式融合得到第三用户特征向量。
作为上述第一方面的优选，所述第一物品特征向量和第二物品特征向量通过向量连接的形式融合得到第三物品特征向量。
作为上述第一方面的优选，每个用户的所述第三用户特征向量中，除该用户的第一用户特征向量和第二用户特征向量之外，还融合有该用户的静态属性的编码向量；所述静态属性包括用户的性别、年龄、游戏级别中的一种或多种。
作为上述第一方面的优选，所述自注意力时序模型采用Transformer模型。
作为上述第一方面的优选，所述Transformer模型中，编码器和解码器中的自注意力网络层均为一层。
第二方面，本发明提供了一种基于异构图的虚拟物品时序推荐装置，其包括：
异构图图卷积模块，用于获取根据虚拟物品历史购买记录构建的异构图，所述异构图以用户、虚拟物品和虚拟物品属性为结点，以用户、虚拟物品和虚拟物品属性之间的交互为边，并在异构图上使用图卷积神经网络得到每个用户对应的第一用户特征向量和每个虚拟物品的第一物品特征向量；
社交子图图卷积模块，用于以用户和用户之间的交互作为社交属性，从异构图中单独提取出用户与用户之间的社交子图，在社交子图上利用图卷积神经网络融合周围邻居特征得到每个用户的第二用户特征向量，将每个用户对应的第一用户特征向量和第二用户特征向量融合得到第三用户特征向量；
关联度子图图卷积模块，用于以虚拟物品和虚拟物品之间的交互作为物品关联度属性，从异构图中单独提取出物品与物品之间的关联度子图，在物品关联度子图上利用图卷积神经网络融合周围邻居特征得到每个虚拟物品的第二物品特征向量，将每个虚拟物品对应的第一物品特征向量和第二物品特征向量融合得到第三物品特征向量；
虚拟物品推荐模块，用于针对待进行推荐的目标用户，将目标用户历史购买的虚拟物品的第三物品特征向量按照购买顺序输入自注意力时序模型中，通过自注意力机制充分捕捉购买的虚拟物品的上下文关联，并将自注意力时序模型输出的每个候选虚拟物品的特征向量与目标用户的第三用户特征向量做内积，得到每个候选物品的被购买概率，并根据概率向目标用户进行虚拟物品推荐。
第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如第一方面任一方案所述的基于异构图的虚拟物品时序推荐方法。
第四方面，本发明提供了一种电子设备，其包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如第一方面任一方案所述的基于异构图的虚拟物品时序推荐方法。
相对于现有技术而言，本发明具有以下有益效果：
1)本发明提出了一种基于异构图的虚拟物品时序推荐方法，该方法使用通过构图和使用图卷积神经网络，深度捕捉了虚拟物品和虚拟物品之间的逻辑联系，并且通过时序模型，捕捉了虚拟物品在时间维度上的联系，从而获得了更多的有效信息。
2)本发明提出了在初始异构图中分别提取出社交子图和物品关联图子图。社交子图的结点代表了各用户，在社交子图上使用图卷积网络可以获得用户和用户之间的社交联系；物品关联度子图的结点代表了各虚拟物品，在物品关联度子图上使用图卷积网络可以获得虚拟物品和虚拟物品之间的相似度。借助社交子图和物品关联度子图，我们可以充分考虑到社交网络和物品相似度对于用户购买虚拟物品的影响。
3)本发明通过构建异构图并在异构图上使用图卷积网络，充分捕捉用户在社交维度上的隐藏偏好，通过时序模型充分捕捉物品在时间维度上的关联，从而实现更加精准的个性化虚拟物品的推荐。
附图说明
图1为基于异构图的虚拟物品时序推荐方法的基本步骤示意图。
图2为基于异构图的虚拟物品时序推荐方法的流程图。
图3为基于异构图的虚拟物品时序推荐装置的模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下，均可进行相应组合。
参见图1和图2所示，在本发明的一个较佳实施例中，提供了一种基于异构图的虚拟物品时序推荐方法，其基本步骤如下：
S1：获取根据虚拟物品历史购买记录构建的异构图，所述异构图以用户、虚拟物品和虚拟物品属性为结点，以用户、虚拟物品和虚拟物品属性之间的交互为边，并在异构图上使用图卷积神经网络得到每个用户对应的第一用户特征向量和每个虚拟物品的第一物品特征向量。
其中需要说明的是，本发明中所谓的异构图是由用户、虚拟物品和虚拟物品属性等多种异构信息所组成的图(Graph)。图是由结点和结点之间边组成的，通常可以表示为G(V,E)，其中，G表示一个图，V是图G中结点的集合，E是图G中边的集合。
在本发明的异构图中，其包含了用户、虚拟物品和虚拟物品属性三种不同的结点，同时用户结点与虚拟物品结点之间、虚拟物品结点与虚拟物品属性结点之间存在边连接。异构图中应当含有那些结点以及哪些结点之间存在边连接，需要根据虚拟物品历史购买记录来确定。
作为本发明实施例的一种较佳实现形式，本发明的虚拟物品时序推荐方法主要应用于游戏平台上，因此虚拟物品历史购买记录可以从相应的游戏平台中获取最近一段时间内所有虚拟物品历史购买记录，进而构建相应的异构图。具体的虚拟物品历史购买记录时长，可以根据实际的情况进行优化调整，对此不做限定。
作为本发明实施例的一种较佳实现形式，在构建异构图时，可以先遍历虚拟物品历史购买记录，从中获取所有存在购买记录的用户和被购买的虚拟物品，然后针对每一个被购买的虚拟物品列出其所属的虚拟物品属性，从而将这些虚拟物品历史购买记录中的用户、虚拟物品和虚拟物品属性作为异构图的节点，并在三类结点之间根据交互建立边连接，其中每一个用户结点需要与其购买过的物品建立边连接，每一个物品需要与其所属的属性建立边连接。在建立边连接时需要根据两个结点之间是否存在交互进行，具体而言：如果用户曾经购买过某物品，就将两者进行连接；如果虚拟物品属于攻击、防御等属性，就将虚拟物品和虚拟物品属性进行连接。所有交互关系均构建为边后，即可最终得到一个具有三类结点、若干条边的异构图。当获得异构图后，即可用图卷积神经网络进行用户和物品的特征向量提取。图卷积神经网络是对异构图中的每一个结点进行信息聚合的，其中用户结点可以通过聚合得到每个用户对应的第一用户特征向量，虚拟物品属性结点可以通过聚合得到每个虚拟物品对应的第一物品特征向量。
本发明中所谓的图卷积神经网络(Graph Convolutional Network,GCN)，GCN可以提取拓扑图的空间特征。一般而言，GCN中所包含的主要操作依次为：1)两个Linear操作，其输入维度是64，输出维度是64；2)两个relu操作；3)两个BatchNorm操作。在图上使用GCN，可以通过多次迭代来聚合邻居结点的信息来分别得到结点的特征表示，其每一轮迭代的聚合过程通过数学公式可以表示如下：
Figure BDA0003481224690000051
式中：N代表所有与结点ri相邻的邻居结点的集合，A(i,k)代表邻接矩阵中结点i和结点k的连接权重，L代表迭代的次数，W和b代表可训练的权重。GCN的每一次迭代都会聚合与中心结点相距的度(hop)更远的邻居结点信息。
对于本发明的异构图而言，用户的特征表示u1和虚拟物品的特征表示v1的聚合可以分别表示为：
Figure BDA0003481224690000061
Figure BDA0003481224690000062
其中：uk和vk分别表示用户节点和虚拟物品节点。
需要说明的是，上述GCN中具体执行的过程和原理仅仅为了更好地说明所给出的简要描述，其属于现有技术，可参见现有技术中的做法或者调用现有的封装模型来实现，本发明不再重复赘述，亦非对本发明的限定。。
作为本发明实施例的一种较佳实现形式，上述图卷积神经网络架构使用了图注意力网络(Graph attention network,GAT)，GAT可针对不同的相邻节点的重要性进行预测，模型具有更好的性能并且对于扰动更加鲁棒。在GAT中，首先计算出图注意力值：
π(vm,vn)＝Relu(W1[hvn||wmn])
其中：wmn代表在异构图中结点vm和vn之间的边的权重。此处可将边的权重和结点的表示融合，并对特征做relu操作，得到结点vm和vn之间的注意力值。最终，根据注意力值，通过图卷积网络的信息传递，得到结点的特征表示。
S2：以用户和用户之间的交互作为社交属性，从异构图中单独提取出用户与用户之间的社交子图，在社交子图上利用图卷积神经网络融合周围邻居特征得到每个用户的第二用户特征向量，将每个用户对应的第一用户特征向量和第二用户特征向量融合得到第三用户特征向量。
需说明的是，本发明中的社交子图是异构图中的一部分，其仅仅从异构图中提取了所有用户结点以及用户结点之间的边连接，因此该社交子图蕴含了用户维度的信息，可用于捕捉用户和用户之间潜在的社交关系。
作为本发明实施例的一种较佳实现形式，本发明每个用户对应的第一用户特征向量和第二用户特征向量的融合可通过向量连接Concat的形式来实现，用公式可以表示为：
u＝Concat(u1,u2)
式中：u1为用户的第一用户特征向量，u2为用户的第二用户特征向量，u为用户的第三用户特征向量，Concat表示连接函数。
S3：以虚拟物品和虚拟物品之间的交互作为物品关联度属性，从异构图中单独提取出物品与物品之间的关联度子图，在物品关联度子图上利用图卷积神经网络融合周围邻居特征得到每个虚拟物品的第二物品特征向量，将每个虚拟物品对应的第一物品特征向量和第二物品特征向量融合得到第三物品特征向量。
需说明的是，本发明中的关联度子图是异构图中的一部分，其仅仅从异构图中提取了所有虚拟物品结点以及虚拟物品结点之间的边连接，因此该关联度子图蕴含了虚拟物品维度的信息，可用于捕捉虚拟物品和虚拟物品之间的物品相似度。
作为本发明实施例的一种较佳实现形式，本发明每个虚拟物品对应的第一物品特征向量和第二物品特征向量的融合可通过向量连接Concat的形式来实现，用公式可以表示为：
v＝Concat(v1,v2)
式中：v1为虚拟物品的第一物品特征向量，v2为虚拟物品的第二物品特征向量，v虚拟物品的第三物品特征向量，Concat表示连接函数。
在本发明中，虚拟物品推荐是针对每个用户个性化实现的，而经过上述S1～S3步骤，所有用户和虚拟物品均可以得到相应的经过融合后的特征向量表示，为后续的虚拟物品个性化推荐奠定基础。
S4：针对待进行推荐的目标用户，将目标用户历史购买的虚拟物品的第三物品特征向量按照购买顺序输入自注意力时序模型中，通过自注意力机制充分捕捉购买的虚拟物品的上下文关联，并将自注意力时序模型输出的每个候选虚拟物品的特征向量与目标用户的第三用户特征向量做内积，得到每个候选物品的被购买概率，并根据概率向目标用户进行虚拟物品推荐。
传统的推荐方法是将候选物品直接进行one-hot编码后输入到Transformer模型中，但本发明先使用图卷积神经网络捕捉用户和用户、虚拟物品和虚拟物品、用户和物品之间在空间维度上的关联，并得到融合了周围邻居信息的用户特征表示和虚拟物品的特征表示，再将虚拟物品的特征表示输入进时序模型Transformer，捕捉虚拟物品在时间维度上的关联度。最后，将用户的特征表示和候选虚拟物品的表示进行内积操作，最终得到每个候选的虚拟物品的推荐概率。
需要说明的是，本发明中的自注意力时序模型是基于自注意力机制的时序模型，其可以采用任意可行的模型结构，只要其能够用于推荐任务即可。
作为本发明实施例的一种较佳实现形式，自注意力时序模型推荐采用Transformer模型。Transformer模型在序列建模上存在明显的优势。用户历史对商品发生点击或者购买行为，然后基于用户历史行为数据，再次给用户推荐其感兴趣的商品，其中的用户行为序列数据发挥着重要作用。因此，可以在推荐任务中采用Transformer模型通过自注意力机制来学习用户历史行为序列信息。本发明中，先将由上述GCN得到的虚拟物品的第三物品特征向量，按照在平台上的购买时间顺序输入Transformer时序模型中，从而捕捉虚拟物品购买前后的上下文关系。
为了便于理解，下面对Transformer模型进行简要说明。Transformer模型包括编码器(encoder)和解码器(decoder)两部分，两部分的具体包含的操作如下：
编码器部分包括以下操作：1)Linear，对输入的特征向量进行线性变换。2)Multi-head Attention，多头注意力网络模块，这里的head数量推荐设置为4。3)ADD&Norm，归一化操作模块。4)Feed Forward，前向传播模块。由于已经通过图卷积网络进行了特征表示，这里的编码器层数推荐设置为一层。
解码器模块中，预测的虚拟商品的特征向量依次通过以下模块：1)Positionalencoding，用于编码位置信息。2)Multi-head Attention，多头注意力网络模块，这里的head数量推荐设置为4。)ADD&Norm，归一化操作模块。
然后将上述从编码器模块得到的特征和经过位置编码、多头注意力网络等模块的特征一起输入多头注意力网络模块和前向传播模块，这里的解码器层数推荐设置为一层。最后，可使用Sigmoid函数来计算每个候选虚拟物品的被推荐概率，从而输出若干个候选虚拟物品。
上述Transformer模型中的具体模型参数可以根据实际需要调整。作为本发明实施例的一种较佳实现形式，在Transformer模型中，编码器和解码器中的自注意力网络层均可设置为一层。
需要说明的是，上述Transformer模型中具体执行的过程和原理仅仅为了更好地说明所给出的简要描述，其属于现有技术，可参见现有技术中的做法或者调用现有的封装模型来实现，本发明不再重复赘述，亦非对本发明的限定。
需要说明的是，Transformer模型可根据每个候选虚拟物品的被推荐概率输出下一个时间段最有可能被购买的若干个物品，但具体的输出的候选虚拟物品数量则可根据实际情况进行调整。作为一种示例性选择，Transformer模型可输出10～30个候选虚拟物品，用于与目标用户的第三用户特征向量做内积。
另外，在进行虚拟物品推荐时，目标用户历史购买的虚拟物品的第三物品特征向量是需要按照购买顺序输入自注意力时序模型中的，所有虚拟物品的购买顺序需要根据每个虚拟物品的购买时间来确定。
另外，在实现虚拟物品推荐时，虚拟物品历史购买记录是实现精准推荐的数据基础，因此最好需要先对游戏平台中的虚拟物品历史购买记录进行清洗和预处理。虚拟物品历史购买记录是一种时序数据集，其中每一个用户均带有其自身个性化的属性信息。用户的属性可以分为静态属性和动态属性。
动态属性包括用户的虚拟物品历史购买序列。但是，在将虚拟物品按照购买的时间顺序排列并输入时序网络前，需要对输入的数据进行清洗，从而避免短期数据变成一种噪声。作为一种推荐做法，可以针对游戏中用户的历史购买情况，剔除已下架的虚拟物品，这部分已下架的虚拟物品不作为Transformer模型的输入。另外，由于用户的在近段时间的购买记录可以更清晰的展示用户近期的偏好，所以推荐对30天前的虚拟物品购买记录进行采样操作，用于构建异构图。
另外，用户的静态属性包括用户的性别、年龄、游戏级别等，这些用户静态属性实际上也会影响用户对于虚拟物品的购买决策。因此作为本发明实施例的一种较佳实现形式，可以在构建每个用户的第三用户特征向量时，除了融合该用户的第一用户特征向量和第二用户特征向量之外，还融合该用户的静态属性的编码向量，而其中所需要融合的静态属性包括用户的性别、年龄、游戏级别中的一种或多种。作为一种推荐做法，可以将影响较小的静态属性剔除，只选择用户年龄和游戏级别作为静态属性融合到用户的特征表示中。
另外，本发明中的S1～S4步骤中，所采用的各种模型，在实际用于推荐之前均需要进行训练，包括S1中的GCN、S2中的GCN、S3中的GCN以及S4中的自注意力时序模型。具体的模型训练方法属于现有技术，对此不再赘述。
由此可见，本发明通过构建以用户、虚拟物品和属性为结点的异构图，充分捕捉用户和用户、虚拟物品和虚拟物品、用户和物品之间潜在的关系；通过从异构图中获取社交子图和物品关联度子图，分别从社交维度和物品相似度维度挖掘用户的潜在偏好，从而实现精准、个性化的推荐。最终测试结果表明，基于本发明的虚拟物品时序推荐模型可以在相关的游戏用户数据集上训练以实现个性化的虚拟物品推荐。
基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于异构图的虚拟物品时序推荐方法对应的基于异构图的虚拟物品时序推荐装置。如图3所示，在该基于异构图的虚拟物品时序推荐装置中包括四个基本的模块，分别为：
异构图图卷积模块，用于获取根据虚拟物品历史购买记录构建的异构图，所述异构图以用户、虚拟物品和虚拟物品属性为结点，以用户、虚拟物品和虚拟物品属性之间的交互为边，并在异构图上使用图卷积神经网络得到每个用户对应的第一用户特征向量和每个虚拟物品的第一物品特征向量；
社交子图图卷积模块，用于以用户和用户之间的交互作为社交属性，从异构图中单独提取出用户与用户之间的社交子图，在社交子图上利用图卷积神经网络融合周围邻居特征得到每个用户的第二用户特征向量，将每个用户对应的第一用户特征向量和第二用户特征向量融合得到第三用户特征向量；
关联度子图图卷积模块，用于以虚拟物品和虚拟物品之间的交互作为物品关联度属性，从异构图中单独提取出物品与物品之间的关联度子图，在物品关联度子图上利用图卷积神经网络融合周围邻居特征得到每个虚拟物品的第二物品特征向量，将每个虚拟物品对应的第一物品特征向量和第二物品特征向量融合得到第三物品特征向量；
虚拟物品推荐模块，用于针对待进行推荐的目标用户，将目标用户历史购买的虚拟物品的第三物品特征向量按照购买顺序输入自注意力时序模型中，通过自注意力机制充分捕捉购买的虚拟物品的上下文关联，并将自注意力时序模型输出的每个候选虚拟物品的特征向量与目标用户的第三用户特征向量做内积，得到每个候选物品的被购买概率，并根据概率向目标用户进行虚拟物品推荐。
由于本发明实施例中的基于异构图的虚拟物品时序推荐装置解决问题的原理与本发明上述实施例的基于异构图的虚拟物品时序推荐方法相似，因此该实施例中装置的各模块具体实现形式未尽之处亦可可以参见上述方法的具体实现形式，重复之处不再赘述。
同样的，基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于异构图的虚拟物品时序推荐方法对应的一种电子设备，其包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如前所述的基于异构图的虚拟物品时序推荐方法。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
由此，基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于异构图的虚拟物品时序推荐方法对应的一种计算机可读存储介质，该所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如前所述的基于异构图的虚拟物品时序推荐方法。
具体而言，在上述两个实施例的计算机可读存储介质中，存储的计算机程序被处理器执行，可执行下列S1～S4的步骤：
S1：获取根据虚拟物品历史购买记录构建的异构图，所述异构图以用户、虚拟物品和虚拟物品属性为结点，以用户、虚拟物品和虚拟物品属性之间的交互为边，并在异构图上使用图卷积神经网络得到每个用户对应的第一用户特征向量和每个虚拟物品的第一物品特征向量；
S2：以用户和用户之间的交互作为社交属性，从异构图中单独提取出用户与用户之间的社交子图，在社交子图上利用图卷积神经网络融合周围邻居特征得到每个用户的第二用户特征向量，将每个用户对应的第一用户特征向量和第二用户特征向量融合得到第三用户特征向量；
S3：以虚拟物品和虚拟物品之间的交互作为物品关联度属性，从异构图中单独提取出物品与物品之间的关联度子图，在物品关联度子图上利用图卷积神经网络融合周围邻居特征得到每个虚拟物品的第二物品特征向量，将每个虚拟物品对应的第一物品特征向量和第二物品特征向量融合得到第三物品特征向量；
S4：针对待进行推荐的目标用户，将目标用户历史购买的虚拟物品的第三物品特征向量按照购买顺序输入自注意力时序模型中，通过自注意力机制充分捕捉购买的虚拟物品的上下文关联，并将自注意力时序模型输出的每个候选虚拟物品的特征向量与目标用户的第三用户特征向量做内积，得到每个候选物品的被购买概率，并根据概率向目标用户进行虚拟物品推荐。
可以理解的是，上述存储介质可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。同时存储介质还可以是U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解的是，上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
另外需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的各实施例中，所述的装置和方法中对于步骤或者模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或步骤可以结合或者可以集成到一起，一个模块或者步骤亦可进行拆分。
以上所述的实施例只是本发明的部分较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于异构图的虚拟物品时序推荐方法，其特征在于，包括：
S1：获取根据虚拟物品历史购买记录构建的异构图，所述异构图以用户、虚拟物品和虚拟物品属性为结点，以用户、虚拟物品和虚拟物品属性之间的交互为边，并在异构图上使用图卷积神经网络得到每个用户对应的第一用户特征向量和每个虚拟物品的第一物品特征向量；
S2：以用户和用户之间的交互作为社交属性，从异构图中单独提取出用户与用户之间的社交子图，在社交子图上利用图卷积神经网络融合周围邻居特征得到每个用户的第二用户特征向量，将每个用户对应的第一用户特征向量和第二用户特征向量融合得到第三用户特征向量；
S3：以虚拟物品和虚拟物品之间的交互作为物品关联度属性，从异构图中单独提取出物品与物品之间的关联度子图，在物品关联度子图上利用图卷积神经网络融合周围邻居特征得到每个虚拟物品的第二物品特征向量，将每个虚拟物品对应的第一物品特征向量和第二物品特征向量融合得到第三物品特征向量；
S4：针对待进行推荐的目标用户，将目标用户历史购买的虚拟物品的第三物品特征向量按照购买顺序输入自注意力时序模型中，通过自注意力机制充分捕捉购买的虚拟物品的上下文关联，并将自注意力时序模型输出的每个候选虚拟物品的特征向量与目标用户的第三用户特征向量做内积，得到每个候选物品的被购买概率，并根据概率向目标用户进行虚拟物品推荐。
2.根据权利要求1所述的基于异构图的虚拟物品时序推荐方法，其特征在于，所述异构图中，将虚拟物品历史购买记录中的用户、虚拟物品和虚拟物品属性作为结点，并在三类结点之间根据交互建立边连接，其中每一个用户结点需要与其购买过的物品建立边连接，每一个物品需要与其所属的属性建立边连接。
3.根据权利要求1所述的基于异构图的虚拟物品时序推荐方法，其特征在于，所述第一用户特征向量和第二用户特征向量通过向量连接的形式融合得到第三用户特征向量。
4.根据权利要求1所述的基于异构图的虚拟物品时序推荐方法，其特征在于，所述第一物品特征向量和第二物品特征向量通过向量连接的形式融合得到第三物品特征向量。
5.根据权利要求1所述的基于异构图的虚拟物品时序推荐方法，其特征在于，每个用户的所述第三用户特征向量中，除该用户的第一用户特征向量和第二用户特征向量之外，还融合有该用户的静态属性的编码向量；所述静态属性包括用户的性别、年龄、游戏级别中的一种或多种。
6.根据权利要求1所述的基于异构图的虚拟物品时序推荐方法，其特征在于，所述自注意力时序模型采用Transformer模型。
7.根据权利要求6所述的基于异构图的虚拟物品时序推荐方法，其特征在于，所述Transformer模型中，编码器和解码器中的自注意力网络层均为一层。
8.一种基于异构图的虚拟物品时序推荐装置，其特征在于，包括：
异构图图卷积模块，用于获取根据虚拟物品历史购买记录构建的异构图，所述异构图以用户、虚拟物品和虚拟物品属性为结点，以用户、虚拟物品和虚拟物品属性之间的交互为边，并在异构图上使用图卷积神经网络得到每个用户对应的第一用户特征向量和每个虚拟物品的第一物品特征向量；
社交子图图卷积模块，用于以用户和用户之间的交互作为社交属性，从异构图中单独提取出用户与用户之间的社交子图，在社交子图上利用图卷积神经网络融合周围邻居特征得到每个用户的第二用户特征向量，将每个用户对应的第一用户特征向量和第二用户特征向量融合得到第三用户特征向量；
关联度子图图卷积模块，用于以虚拟物品和虚拟物品之间的交互作为物品关联度属性，从异构图中单独提取出物品与物品之间的关联度子图，在物品关联度子图上利用图卷积神经网络融合周围邻居特征得到每个虚拟物品的第二物品特征向量，将每个虚拟物品对应的第一物品特征向量和第二物品特征向量融合得到第三物品特征向量；
虚拟物品推荐模块，用于针对待进行推荐的目标用户，将目标用户历史购买的虚拟物品的第三物品特征向量按照购买顺序输入自注意力时序模型中，通过自注意力机制充分捕捉购买的虚拟物品的上下文关联，并将自注意力时序模型输出的每个候选虚拟物品的特征向量与目标用户的第三用户特征向量做内积，得到每个候选物品的被购买概率，并根据概率向目标用户进行虚拟物品推荐。
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如权利要求1~7任一所述的基于异构图的虚拟物品时序推荐方法。
10.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1~7任一所述的基于异构图的虚拟物品时序推荐方法。
CN202210068754.5A 2022-01-21 2022-01-21 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 Active CN114417161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210068754.5A CN114417161B (zh) 2022-01-21 2022-01-21 基于异构图的虚拟物品时序推荐方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210068754.5A CN114417161B (zh) 2022-01-21 2022-01-21 基于异构图的虚拟物品时序推荐方法、装置、介质及设备

Publications (2)

Publication Number Publication Date
CN114417161A CN114417161A (zh) 2022-04-29
CN114417161B true CN114417161B (zh) 2023-04-07

Family

ID=81275446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210068754.5A Active CN114417161B (zh) 2022-01-21 2022-01-21 基于异构图的虚拟物品时序推荐方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN114417161B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115080846B (zh) * 2022-05-30 2024-06-11 广州大学 一种融合场景信息的图神经网络衣物推荐方法
CN115186086B (zh) * 2022-06-27 2023-08-08 长安大学 一种异构环境下嵌入预期价值的文献推荐方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380435A (zh) * 2020-11-16 2021-02-19 北京大学 基于异构图神经网络的文献推荐方法及推荐系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280104B (zh) * 2017-02-13 2020-06-02 腾讯科技（深圳）有限公司 目标对象的特征信息提取方法及装置
CN109299373B (zh) * 2018-10-20 2021-10-29 上海交通大学 基于图卷积技术的推荐系统
CN110674407B (zh) * 2019-09-30 2021-10-15 杭州电子科技大学 基于图卷积神经网络的混合推荐方法
CN111881342A (zh) * 2020-06-23 2020-11-03 北京工业大学 一种基于图孪生网络的推荐方法
CN112364242B (zh) * 2020-11-10 2024-04-02 中国科学技术大学 针对上下文感知型的图卷积推荐系统
CN112990972B (zh) * 2021-03-19 2022-11-18 华南理工大学 一种基于异构图神经网络的推荐方法
CN113656684A (zh) * 2021-07-13 2021-11-16 天津大学 一种基于知识图谱的推荐方法
CN113641920B (zh) * 2021-10-13 2022-02-18 中南大学 基于社区发现和图神经网络的商品个性化推荐方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380435A (zh) * 2020-11-16 2021-02-19 北京大学 基于异构图神经网络的文献推荐方法及推荐系统

Also Published As

Publication number Publication date
CN114417161A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
Subramanian Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch
Gulli et al. Deep learning with Keras
CN111310050B (zh) 一种基于多层注意力的推荐方法
CN114417161B (zh) 基于异构图的虚拟物品时序推荐方法、装置、介质及设备
US20230316379A1 (en) Deep learning based visual compatibility prediction for bundle recommendations
CN112613602A (zh) 基于知识感知超图神经网络的推荐方法及系统
CN109299258A (zh) 一种舆情事件检测方法、装置及设备
JP2023537879A (ja) 動的属性モデル化による次のバスケット推薦のためのシステムと方法
CN112380453B (zh) 物品推荐方法、装置、存储介质及设备
CN112651418B (zh) 数据分类方法、分类器训练方法及系统
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
Johnston et al. Applied Unsupervised Learning with Python: Discover hidden patterns and relationships in unstructured data with Python
US20220027722A1 (en) Deep Relational Factorization Machine Techniques for Content Usage Prediction via Multiple Interaction Types
CN113379494A (zh) 基于异质社交关系的商品推荐方法、装置和电子设备
CN110362594A (zh) 一种信息处理方法和系统
Torres Generation of synthetic data with generative adversarial networks
Barthel et al. Improved evaluation and generation of grid layouts using distance preservation quality and linear assignment sorting
Patel Unification of machine learning features
CN117252665B (zh) 业务推荐方法、装置、电子设备及存储介质
Kumar et al. Graph Convolutional Neural Networks for Link Prediction in Social Networks
CN114168804A (zh) 一种基于异质子图神经网络的相似信息检索方法和系统
CN114861072B (zh) 一种基于层间组合机制的图卷积网络推荐方法及装置
CN116467466A (zh) 基于知识图谱的编码推荐方法、装置、设备及介质
CN115545833A (zh) 一种基于用户社交信息的推荐方法及系统
CN112734519B (zh) 一种基于卷积自编码器网络的商品推荐方法

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