CN114461929A - 一种基于协同关系图的推荐方法及相关装置 - Google Patents

一种基于协同关系图的推荐方法及相关装置 Download PDF

Info

Publication number
CN114461929A
CN114461929A CN202210197625.6A CN202210197625A CN114461929A CN 114461929 A CN114461929 A CN 114461929A CN 202210197625 A CN202210197625 A CN 202210197625A CN 114461929 A CN114461929 A CN 114461929A
Authority
CN
China
Prior art keywords
node
user
relationship
entity
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.)
Pending
Application number
CN202210197625.6A
Other languages
English (en)
Inventor
王娜
洪睿
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202210197625.6A priority Critical patent/CN114461929A/zh
Publication of CN114461929A publication Critical patent/CN114461929A/zh
Pending 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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

Landscapes

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

Abstract

本申请公开了一种基于协同关系图的推荐方法及相关装置，推荐方法包括构建协同关系图，基于协同关系图获取与实体节点的交互节点，基于交互节点确定实体节点的隐式关系嵌入表示；基于协同关系图获取以实体节点为头实体的三元组，基于获取到的所有三元组确定实体节点的显式关系嵌入表示；基于隐式关系嵌入表示和显式关系嵌入表示获取实体节点的高阶领域信息；基于高阶领域信息训练推荐模型，通过推荐模型确定待推荐用户与其对应的各候选物品的交互概率。本申请通过整合“用户‑物品”二部图和知识图谱，同时利用“用户‑物品”之间的隐式关系和实体之间的属性关系来进行高阶信息传播，以有效利发掘节点的高阶邻域信息，提高推荐准确性。

Description

一种基于协同关系图的推荐方法及相关装置
技术领域
本申请涉及信息技术领域，特别涉及一种基于协同关系图的推荐方法及相关装置。
背景技术
随着互联网时代的飞速发展，要在海量资源中快速准确获取所需信息变得困难，这一问题被称为信息过载。推荐系统作为一种有效缓解信息过载的手段，具有重要的实用研究价值。传统的推荐算法例如协同过滤(Collaborative Filtering)方法，可以通过用户的历史行为，构建“用户-物品”的交互矩阵，从而为目标用户推荐其相似用户喜欢的物品，或者为目标用户推荐其喜好物品的相似物品。然而，协同过滤方法一方面是存在数据稀疏性问题，即在用户交互历史数据稀少时表现不佳；另一方面是对用户和物品的属性信息利用不足，仅仅利用到了用户的交互信息。
为了弥补协同过滤方法存在的问题，知识图谱被作为辅助手段引入推荐系统，知识图谱是以结构化形式描述实体与实体之间关联信息的载体，具有强大的语义表征能力，通过知识图谱可以有效缓解数据稀疏问题，同时还可以利用到用户和物品的属性信息。目前，知识图谱推荐方法主要分为基于向量(Embedding-based)的方法和基于路径(Path-based)的方法，其中，基于向量的方法需要将知识图谱的实体和关系映射为低维向量，形成对推荐系统中用户和物品的表示；基于路径的方法主要通过知识图谱实体之间的连通关系，推断出节点之间的相似关系，进而形成推荐。然而，目前知识图谱的推荐方法仅利用到了实体间的直接关系，而忽略了“用户-物品”之间潜在的关系，使其存在对图模型中高阶邻域信息的发掘能力不佳的问题，从而存在推荐结果不佳。
因而现有技术还有待改进和提高。
发明内容
本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于协同关系图的推荐方法及相关装置。
为了解决上述技术问题，本申请实施例第一方面提供了一种基于协同关系图的推荐方法，所述的推荐方法包括：
构建用户历史数据集对应的协同关系图，其中，所述协同关系图为基于用户-物品二部图和物品-属性知识图谱构建的；
对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示；
对于协同关系图中的每个实体节点，基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示；
对于协同关系图中的每个实体节点，基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息；
基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。
所述基于协同关系图的推荐方法，其中，所述构建用户历史数据集对应的协同关系图具体包括：
基于用户历史数据集确定用户-物品的交互关系，并基于确定交互关系构建用户-物品二部图；
确定用户历史数据集中物品的物品属性，并基于物品数据构建物品-属性知识图谱；
根据所述用户-物品二部图和所述物品-属性知识图谱构建协同关系图。
所述基于协同关系图的推荐方法，其中，所述基于所述协同关系图获取与所述实体节点具有交互关系的交互节点具体为：
当所述实体节点为用户时，获取所述用户交互过的所有物品，以得到与所述实体节点具有交互关系的交互节点；
当所述实体节点为物品时，获取交互过所述物品的所有用户，以得到与所述实体节点具有交互关系的交互节点。
所述基于协同关系图的推荐方法，其中，所述基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示具体包括：
分别将所述实体节点及其对应的交互节点各自对应的初始嵌入表示映射至各预设隐式关系因子的因子空间，以得到各因子空间下的映射嵌入表示；
基于所述实体节点对应的交互节点在各预设隐式关系因子的因子空间下的映射嵌入表示，确定各预设隐式关系因子对所述实体节点的贡献嵌入表示；
基于各预设隐式关系因子对所述实体节点的贡献嵌入表示，确定所述实体节点的隐式关系嵌入表示。
所述基于协同关系图的推荐方法，其中，所述基于所述实体节点对应的交互节点在各预设隐式关系因子的因子空间下的映射嵌入表示，确定各预设隐式关系因子对所述实体节点的贡献嵌入表示具体包括：
对于每个预设隐式关系因子，基于各交互节点和实体节点在各预设隐式关系因子的因子空间下的映射嵌入表示确定各交互节点的贡献程度值；
基于各交互节点的贡献程度值以及映射嵌入表示，以及所述实体节点的映射嵌入表示确定所述预设隐式关系因子对所述实体节点的贡献嵌入表示，以得到各预设隐式关系因子对所述实体节点的贡献嵌入表示。
所述基于协同关系图的推荐方法，其中，所述推荐模型的损失函数为：
Figure BDA0003526535460000031
其中，U表示用户集合，V表示物品集合，yuv表示用户和物品之间的交互关系，
Figure BDA0003526535460000032
表示预测的用户和物品之间的交互概率，K表示预设隐式关系因子的数量，u表示用户，v表示物品，
Figure BDA0003526535460000033
和
Figure BDA0003526535460000034
表示贡献嵌入表示，λ1和λ2表示正则项系数。
所述基于协同关系图的推荐方法，其中，所通过逐层传播获得实体节点的高阶领域信息的过程中的信息传播公式为：
Figure BDA0003526535460000041
其中，
Figure BDA0003526535460000042
代表第l层的节点h的聚合表示，
Figure BDA0003526535460000043
表示上一层的信息，层数为0时h表示初始嵌入表示,
Figure BDA0003526535460000044
表示上一层的邻居节点,当r∈R-时，R-表示用户与物品间的隐式关系集，r表示预设隐式关系因子，
Figure BDA0003526535460000045
表示隐式关系的邻域节点集合，
Figure BDA0003526535460000046
当r∈R+时，R+表示头实体与尾实体的关系集，r表示头实体与尾实体的关系，
Figure BDA0003526535460000047
表示显式关系的邻域节点集合ηr＝1，
Figure BDA0003526535460000048
表示关系r对应空间转移矩阵。
本申请实施例第二方面提供了一种基于协同关系图的推荐系统，所述的推荐系统包括：
构建模块，用于构建用户历史数据集对应的协同关系图，其中，所述协同关系图为基于用户-物品二部图和物品-属性知识图谱构建的；
隐式关系模块，用于对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示；
显式关系模块，用于对于协同关系图中的每个实体节点，基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示；
传播模块，用于对于协同关系图中的每个实体节点，基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息；
推荐模块，用于基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。
本申请实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于协同关系图的推荐方法中的步骤。
本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于协同关系图的推荐方法中的步骤。
有益效果：与现有技术相比，本申请提供了一种基于协同关系图的推荐方法及相关装置，所述的推荐方法包括构建用户历史数据集对应的协同关系图；对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示；基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示；基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息；基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。本申请通过整合“用户-物品”二部图和知识图谱，同时利用“用户-物品”之间的隐式关系和实体之间的属性关系来进行高阶信息传播，以有效利发掘节点的高阶邻域信息，提高推荐准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在不符创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的基于协同关系图的推荐方法的流程图。
图2为本申请提供的基于协同关系图的推荐方法的流程示例图。
图3为本申请提供的基于协同关系图的推荐方法中的推荐模型的结构原理图。
图4为本申请提供的基于协同关系图的推荐方法中的协同关系图的示意图。
图5为本申请提供的基于协同关系图的推荐方法中的隐式关系嵌入表示的确定过程的示意图。
图6为本申请提供的基于协同关系图的推荐方法中的高阶邻域信息传播的示意图。
图7为本申请提供的基于协同关系图的推荐方法中的未引入隐式关系的电影嵌入表示的示意图。
图8为本申请提供的基于协同关系图的推荐方法中的引入隐式关系的电影嵌入表示的示意图。
图9为本申请提供的基于协同关系图的推荐系统的结构原理图。
图10为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种基于协同关系图的推荐方法及相关装置，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
发明人经过研究发现，随着互联网时代的飞速发展，要在海量资源中快速准确获取所需信息变得困难，这一问题被称为信息过载。推荐系统作为一种有效缓解信息过载的手段，具有重要的实用研究价值。传统的推荐算法例如协同过滤(CollaborativeFiltering)方法，可以通过用户的历史行为，构建“用户-物品”的交互矩阵，从而为目标用户推荐其相似用户喜欢的物品，或者为目标用户推荐其喜好物品的相似物品。然而，协同过滤方法一方面是存在数据稀疏性问题，即在用户交互历史数据稀少时表现不佳；另一方面是对用户和物品的属性信息利用不足，仅仅利用到了用户的交互信息。
为了弥补协同过滤方法存在的问题，知识图谱被作为辅助手段引入推荐系统，知识图谱是以结构化形式描述实体与实体之间关联信息的载体，具有强大的语义表征能力，通过知识图谱可以有效缓解数据稀疏问题，同时还可以利用到用户和物品的属性信息。目前，知识图谱推荐方法主要分为基于向量(Embedding-based)的方法和基于路径(Path-based)的方法，其中，基于向量的方法需要将知识图谱的实体和关系映射为低维向量，形成对推荐系统中用户和物品的表示；基于路径的方法主要通过知识图谱实体之间的连通关系，推断出节点之间的相似关系，进而形成推荐。然而，目前知识图谱的推荐方法仅利用到了实体间的直接关系，而忽略了“用户-物品”之间潜在的关系，使其存在对图模型中高阶邻域信息的发掘能力不佳的问题，从而存在推荐结果不佳。
为了解决上述问题，在本申请实施例中，构建用户历史数据集对应的协同关系图；对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示；基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示；基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息；基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。本申请通过整合“用户-物品”二部图和知识图谱，同时利用“用户-物品”之间的隐式关系和实体之间的属性关系来进行高阶信息传播，以有效利发掘节点的高阶邻域信息，提高推荐准确性。
下面结合附图，通过对实施例的描述，对申请内容作进一步说明。
本实施例提供了一种基于协同关系图的推荐方法，如图1和图2所示，所述方法包括：
S10、构建用户历史数据集对应的协同关系图。
具体地，用户历史交互数据集为用户-物品交互数据集，例如，Movielens-20M电影数据集，Book-Crossing图书数据集，Last.FM音乐数据集等。所述协同关系图为基于用户-物品二部图和物品-属性知识图谱构建的，其中，用户-物品二部图用于反映用户与物品的交互关系，物品-属性知识图谱用于反映物品及其携带的物品属性。也就是说，用户-物品二部图是根据用户是否和物品产生交互构建形成，物品-属性知识图谱是通过添加物品的相关属性所构建的。由此，所述协同关系图既反映了用户和物品的交互关系，又反映了物品及其携带的物品属性。
在一个实现方式中，所述构建用户历史数据集对应的协同关系图具体包括：
基于用户历史数据集确定用户-物品的交互关系，并基于确定交互关系构建用户-物品二部图；
确定用户历史数据集中物品的物品属性，并基于物品数据构建物品-属性知识图谱；
根据所述用户-物品二部图和所述物品-属性知识图谱构建协同关系图。
具体地，用户-物品二部图为基于用户是否和物品产生交互构建得到的“用户-物品”交互关系的二部图，用户历史交互数据集中的用户和物品为用户-物品二部图的节点，用户与物品的交互关系为图结构数据的边，其中，当用户与物品之间存在边时，说明用户与物品发生交互，反之，当用户与物品之间未存在边时，说明用户与物品未发生交互。相应的，用户-物品二部图可以表示为G1＝{(u,yuv,v)|u∈U,v∈V}，其中，U表示用户集合，V表示物品集合，u表示用户，v表示物品，yuv表示用户和物品之间的交互关系，yuv＝1，yuv＝0分别表示用户u和物品v之间存在交互记录，和用户u和物品v之间未存在交互记录。物品-属性知识图谱携带物品及其相应的属性信息，可以使用三元组{(h,r,t)|h,t∈E′，r∈R+}表示，其中，h代表头实体，t代表尾实体，E′表示知识图谱中的实体集合，r代表头实体与尾实体的关系，例如(《红楼梦》，作者，曹雪芹)为知识图谱的三元组。
将物品-属性知识图谱携带了头实体和尾实体的关系作为显式关系，例如，如图4所示的r1,r2,r3表示显式关系，并将显式关系构成的显式关系集记为R+。此外，用户-物品二部图中的用户、物品以及用户和物品的交互关系也可以表示为三元组(用户，交互行为，物品)，由此，本实施例中将用户-物品二部图中的用户和物品-属性知识图谱中的头实体统一编码为实体节点，用户交互关系和知识图谱中的关系统一编码为实体关系，以构建协同关系图，其中，协同关系图可以表示为：G＝{(h,r,t)|h,t∈E，r∈R}，其中，E＝U∪E′，R＝R+∪I，I表示用户和物品的交互关系，例如，如图4左侧图所示，r0＝1代表用户和物品之间存在历史交互。此外，每个用户和物品的交互行为均代表了用户和物品之间存在着某种隐式关系，例如，如图4右侧图所示，k1,k2,k3,k4代表交互行为所携带的隐式关系，使用R-来表示隐式关系的集合，则协同关系图中的关系集R＝R+∪I可以表示为R＝R+∪R-，这样通过将用户-物品二部图和物品-物品属性知识图谱联立构建协同关系图可以同时利用到显式关系和隐式关系。
S20、对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示。
具体地，交互节点为协同关系中的实体节点，并且交互节点与实体节点均有交互关系，也就是说，交互节点可以基于协同关系图所携带的用户和物品的交互关系确定的。换句话说，对于协同关系图中的实体节点，基于用户和物品的交互关系来选取与该实体节点具有交互行为的候选实体节点，并将选取到所有候选实体节点作为该实体节点的交互节点。此外，由用户-物二部图可以知道，用户与物品之间可以存在交互行为，从而当所述实体节点为用户时，交互节点为物品，反之，当实体节点为物品时，交互节点为用户。由此，所述基于所述协同关系图获取与所述实体节点具有交互关系的交互节点具体为：当所述实体节点为用户时，获取所述用户交互过的所有物品，以得到与所述实体节点具有交互关系的交互节点；当所述实体节点为物品时，获取交互过所述物品的所有用户，以得到与所述实体节点具有交互关系的交互节点。
在本实施例的一个实现方式，各用户和物品的交互行为均代表了用户和物品之间存在着某种隐式关系，从而在获取到实体节点对应的交互节点后，确定交互节点与实体节点之间存在的隐式关系，从而确定实体节点对通过隐式关系所形成的隐式关系嵌入表示。相应的，如图5所示，基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示具体包括：
分别将所述实体节点及其对应的交互节点各自对应的初始嵌入表示映射至各预设隐式关系因子的因子空间，以得到各因子空间下的映射嵌入表示；
基于所述实体节点对应的交互节点在各预设隐式关系因子的因子空间下的映射嵌入表示，确定各预设隐式关系因子对所述实体节点的贡献嵌入表示；
基于各预设隐式关系因子对所述实体节点的贡献嵌入表示，确定所述实体节点的隐式关系嵌入表示。
具体地，所述预设隐式关系因子为预先设置的，用于反映用户和物品交互行为中所存在的隐式关系，其中，预设隐式关系因子为数量可以根据实际需求设置的，并且每个预设隐式关系因子为一种隐式关系，即协同关系图中的隐式关系集可以为所有预设隐式关系因子构成的集合。各因子空间下的映射嵌入表示为实体节点和交互节点在隐式关系因子层级的细粒度表示，也就是说，获取各因子空间下的映射嵌入表示指的是将实体节点初始嵌入表示和交互节点的初始嵌入表示分别为隐式关系因子层级的细粒度表示。
在一个实现方式中，以实体节点为用户，交互节点为物品为例对因子空间下的映射嵌入表示进行说明。如图5所示，实体节点对应的各映射嵌入表示可以表示为：
Figure BDA0003526535460000111
Figure BDA0003526535460000112
其中，Wk∈Rd×d是关系转移矩阵，bk∈Rd是偏置量，σ表示非线性激活函数，K表示预设隐式关系因子的数量，k表示第k个预设隐式关系因子，eu表示初始嵌入表示，zu,k表示映射嵌入表示。
此外，Wk和bk可以是随机初始化的，并且对用户的初始嵌入表示和物品的初始嵌入表示是共享的，使得用户的初始嵌入表示和物品的初始嵌入表示被映射到同一关系空间中。
在将实体节点和交互节点映射至各因子空间后，可以确定各隐式关系因子对用户-物品交互关系的贡献程度，并基于各自对应的贡献程度来确定隐式关系因子对实体节点的表示。其中，各隐式关系因子对应的用户-物品交互关系的贡献程度可以是相同，也可以是预先设置的，还可以是通过对用户-物品的交互关系所学习到的。在一个实现方式中，不同的隐式关系因子对用户-物品交互关系的影响可能是不同的，从而可以通过对用户历史数据集中的用户-物品交互行为来对隐式关系因子对用户-物品交互关系的贡献程度进行学习。由此，所述基于所述实体节点对应的交互节点在各预设隐式关系因子的因子空间下的映射嵌入表示，确定各预设隐式关系因子对所述实体节点的贡献嵌入表示具体包括：
对于每个预设隐式关系因子，基于各交互节点和实体节点在各预设隐式关系因子的因子空间下的映射嵌入表示确定各交互节点的贡献程度值；
基于各交互节点的贡献程度值以及映射嵌入表示，以及所述实体节点的映射嵌入表示确定所述预设隐式关系因子对所述实体节点的贡献嵌入表示，以得到各预设隐式关系因子对所述实体节点的贡献嵌入表示。
具体地，所述贡献嵌入表示为预设隐式关系因子对实体节点表示，其可以通过将实体节点的映射嵌入表示和交互节点的映射嵌入表示进行加权来确定。所述贡献程度值为各预设隐式关系因子在确定贡献嵌入表示时的贡献值，其中，所述贡献程度值的计算公式可以为：
Figure BDA0003526535460000121
Figure BDA0003526535460000122
其中，
Figure BDA0003526535460000123
表示第k个预设隐式关系因子对用户u和物品i之间的交互行的影响值，
Figure BDA0003526535460000124
表示向量连接操作，Wp和bp分别表示转移矩阵和偏置量，ReLU是一种非线性激活函数，其公式如下：ReLU(x)＝max(0,x)，Nu表示用户u进行过交互的物品集合。
进一步，基于预设隐式关系因子对应的贡献程度值聚合实体节点和交互节点在各因子空间下的映射嵌入表示，可以得到各预设隐式关系因子各自对应的贡献嵌入表示，其中，贡献嵌入表示的表达式可以为：
Figure BDA0003526535460000125
Figure BDA0003526535460000126
其中，Ni表示所有对物品i有过交互行为的用户集合，
Figure BDA0003526535460000127
表示预设隐式关系因子对物品i的表示(即实体节点为物品节点时的贡献嵌入表示)，
Figure BDA0003526535460000131
表示预设隐式关系因子对用户u的表示(即实体节点为用户节点时的贡献嵌入表示)。
进一步，在确定各预设隐式关系因子各自对应的贡献嵌入表示后，可以确定实体节点的隐式嵌入表示。其中，隐式嵌入表示的确定过程可以为：
首先，确定每个预设隐式关系因子在用户选择中所占权重，其中，所占权重的计算公式为：
Figure BDA0003526535460000132
再进行Softmax归一化得到：
Figure BDA0003526535460000133
最后，对所有预设隐式关系因子进行整合，得到实体节点为用户节点的隐式嵌入表示：
Figure BDA0003526535460000134
同理，可以得到实体节点为物品节点的隐式嵌入表示：
Figure BDA0003526535460000135
S30、对于协同关系图中的每个实体节点，基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示。
具体地，所述显式关系嵌入表示为基于协同关系图所写的物品-属性知识图谱确定，物品属性三元组为物品-属性知识图谱中的(头实体，关系，尾实体)，并且获取到的物品属性三元组中的每个物品属性三元组中的头实体均为所述实体节点。例如，实体节点为协同关系图中的实体节点a，那么获取到的物品属性三元组中的每个物品属性三元组中的头实体均为所述实体节点a。
显式关系嵌入可以通过基于翻译距离的方法，例如TransE，TransR等确定的。然而，这些对显式关系建模的方法对于推荐任务的适用于不高。由此，本实施例通过将获取到的所有物品属性三元组进行聚合的方式来确定显式关系向量，其中，显式关系向量的确定可以为：
首先，基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，记为：
Figure BDA0003526535460000141
其次，计算每个“关系-尾实体”的权值：
Figure BDA0003526535460000142
其中，eh表示头实体的嵌入表示，er表示关系的嵌入表示，et表示尾实体的嵌入表示；
再次，通过Softmax归一化得到：
Figure BDA0003526535460000143
最后，根据权值进行聚合，可以得到显示嵌入表示：
Figure BDA0003526535460000144
S40、对于协同关系图中的每个实体节点，基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息。
具体地，协同关系图一种以边和节点形式存储语义信息的载体，如图6所示，协同关系图的图节点之间存在着多阶的邻域关系，通过发掘协同关系图中的高阶连通性关系，可以有效捕捉到节点更多的语义信息。在本实施例的一个实现方式中，通过逐层传播获得图节点的高阶领域信息的过程中的信息传播公式为：
Figure BDA0003526535460000145
其中，
Figure BDA0003526535460000146
代表第l层的节点h的聚合表示，
Figure BDA0003526535460000147
表示上一层的信息，层数为0时h表示初始嵌入表示,
Figure BDA0003526535460000148
表示上一层的邻居节点,当r∈R-时，R-表示用户与物品间的隐式关系集，r表示预设隐式关系因子，
Figure BDA0003526535460000149
表示隐式关系的邻域节点集合，
Figure BDA0003526535460000151
当r∈R+时，R+表示头实体与尾实体的关系集，r表示头实体与尾实体的关系，
Figure BDA0003526535460000152
表示显式关系的邻域节点集合ηr＝1，
Figure BDA0003526535460000153
表示关系r对应空间转移矩阵。
S50、基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。
具体地，如图3所示，所述推荐模型用于确定待推荐用户与其对应的各候选物品的交互概率，其中，所述推荐模型可以包括协同关系图构建模块、隐式因子分解模块、因子层级注意力模块、隐式关系聚合模块、显式关系聚合模块、差异正则化模块、高阶领域信息传播模块以及推荐模块，其中，所述协同关系图构建模块用于构建协同关系图，隐式因子分解模块用于将实体节点映射至因子空间，因子层级注意力模块用于确定预设隐式关系因子对实体节点表示，隐式关系聚合模块用于确定隐式关系嵌入表示，差异正则化模块用于确定损失函数中的内积损失项和余弦相似度损失项，显式关系聚合模块用于确定显式关系嵌入表示，高阶领域信息传播模块用于确定高阶领域信息，推荐模块用于确定交互概率。在本实施例中，内积损失项和余弦相似度损失项分别为：
Figure BDA0003526535460000154
Figure BDA0003526535460000155
其中，U表示用户集合，V表示物品集合，yuv表示用户和物品之间的交互关系，
Figure BDA0003526535460000156
表示预测的用户和物品之间的交互概率，K表示预设隐式关系因子的数量，u表示用户节点，v表示物品节点，
Figure BDA0003526535460000157
和
Figure BDA0003526535460000158
表示贡献嵌入向量，λ1和λ2表示正则项系数。此外，值得说明的是，差异正则化模块在训练过程中使用，在训练完成后的使用过程中可以不使用或者去除。
进一步，在基于所述实体节点的高阶领域信息对推荐模型进行训练时，可以各传播层的高阶领域信息确定实体节点的嵌入表示，然后采用内机确定每个用户节点对应物品节点的预测得分，然后基于预测得到对推荐模型进行训练。在一个实现方式中，所述基于所述实体节点的高阶领域信息训练推荐模型具体包括：
对于各用户实体节点，确定用户实体节点的嵌入向量和各物品实体节点的嵌入向量；
计算用户实体节点的嵌入向量与各物品实体节点的嵌入向量的内积以得到各用户实体节点与各物品实体节点的预测交互得分，并基于得到的预测交互得分对推荐模型进行训练。
具体地，所述预测交互得分的计算公式可以为
Figure BDA0003526535460000161
Figure BDA0003526535460000162
Figure BDA0003526535460000163
其中，u表示用户的嵌入表示，v表示物品的嵌入表示，L表示逐层传播的传输层数。
进一步，推荐模型进行训练所采用的目标函数可以为：
Figure BDA0003526535460000164
其中，其中，U表示用户集合，V表示物品集合，yuv表示用户和物品之间的交互关系，
Figure BDA0003526535460000165
表示预测的用户和物品之间的交互概率，K表示预设隐式关系因子的数量，u表示用户节点，v表示物品节点，
Figure BDA0003526535460000166
和
Figure BDA0003526535460000167
表示贡献嵌入向量，λ1和λ2表示正则项系数。
在本实施例的一个实现方式中，所述基于训练后的推荐模型确定待推荐用户与各候选物品的交互概率具体包括：
获取待推荐用户以及所述待推荐用户对应的候选物品集；
将所述待推荐用户以及候选物品集输入训练后的推荐模型，通过所述推荐模型输入用户与各候选物品的交互概率，并基于各候选物品的交互概率确定所述待推荐用户对应的推荐物品列表。
具体地，所述推荐物品列表包含与候选物品集内，也就是说，推荐物品列表中的每个推荐物品均包含于候选物品集内。交互概率为待推荐用户选取候选物品的概率，其中，交互概率越高，待推荐用户选取候选物品的概率的越高，反之，交互概率越低，待推荐用户选取候选物品的概率的越低。由此，在获取到各候选物品对应的交互概率之后，可以将各交互概率于预设概率阈值进行比较，以选取交互概率大于预设概率阈值的候选物品添加到推荐物品列表内，以得到待推荐用户对应的推荐物品列表。
综上所述，本实施例提供了一种基于协同关系图的推荐方法，所述的推荐方法包括构建用户历史数据集对应的协同关系图；对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示；基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示；基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息；基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。本申请通过整合“用户-物品”二部图和知识图谱，同时利用“用户-物品”之间的隐式关系和实体之间的属性关系来进行高阶信息传播，以有效利发掘节点的高阶邻域信息，提高推荐准确性。
为了验证本实施例提供的基于协同关系图的推荐方法的有效性，申请人进行了相关实验，具体如下：
数据集：本申请选取了推荐领域常用的三个公开数据集，分别是Movielens-20M电影数据集，Book-Crossing图书数据集，Last.FM音乐数据集，三个数据集的具体信息如表1所示。
在知识图谱方面，本发明使用微软公司发布的Satori知识图谱，对于电影数据集，我们选取了其中的32种实体关系(例如电影类别，电影主演等等)，图书数据集选取了25种关系，音乐数据集选取了60种关系。
表1数据集信息
Figure BDA0003526535460000171
Figure BDA0003526535460000181
对比模型：本申请选取了在推荐领域表现突出的四个模型来进行对比实验，分别是一个基于传统协同过滤方法的模型，两个基于知识图谱的模型，和一个基于图卷积的模型，具体如下：
MF:传统的矩阵分解算法，将“用户-物品”交互矩阵分解为低秩的特征矩阵，刻画用户偏好。
RippleNet:基于知识图谱的推荐模型，通过用户兴趣子集在知识图谱上传播刻画用户特征。
KGCN:基于知识图谱的推荐模型，通过物品特征在知识图谱上的传播刻画物品特征。
NGCF：基于图卷积的推荐模型，结合了“用户-物品”二部图和图神经网络。
实验设置：
本申请基于Tensorflow框架进行实现，在多核数据主机下进行实验，主机配置为Win10操作系统、48G内存、8核3.4GHz GPU、NVIDIA GeForce GTX 1080Ti显卡，对于电影数据集，设置的批处理大小为16384，其余两个数据集的批处理大小为256；对于图书数据集，设置的学习率为5×10-4，其余两个数据集的学习率设置为10-3。
评价指标：
召回率(Recall)：也称查全率，表示正确预测的正样本占所有正样本的比例，公式如下：
Figure BDA0003526535460000182
归一化折损累计增益(NDCG)：不仅考虑到了预测样本的相关性，还考虑到样本的排序，公式如下：
Figure BDA0003526535460000191
实验测试结果如表2和表3所示，加粗字体表示对比模型中的最优值，可以看出，本发明设计的模型在Recall和NDCG两项指标上相比对比模型的最优值均有所提升，其中在图书数据集上提升效果可以达到20％，验证了本发明模型能够产生更准确的推荐结果。
表2各个模型召回率对比
Figure BDA0003526535460000192
表3各个模型NDCG对比
Figure BDA0003526535460000193
为了验证本申请引入“用户-物品”隐式关系之后可以更细粒度进行建模，在电影数据集上选取了同一用户观看过的五部电影，对这五部电影的特征向量降维之后进行可视化演示。其中电影1和电影5是基于相同的隐式关系。图7是引入隐式关系之前，图8是引入隐式关系之后，可以看到，电影1和电影5在特征向量上更为接近，并且引入隐式关系之后，物品不同特征的区分度更加明显，用户偏好得到了细粒度的建模。
为了验证隐式关系的数目K对推荐结果的影响，分别将K设置为1到6，评价指标为召回率，结果如表4所示。可以发现，随着K值增加，推荐结果有一定提升，随着值继续增加，推荐结果出现过拟合现象。由此，当K的数值接近真实的用户偏好时，推荐结果最优，在一个典型实现方式中，K＝4。
表4不同隐式关系数目对召回率影响
Figure BDA0003526535460000201
为了验证高阶邻域信息传播的影响，分别将邻域阶数设置为1、2、3，观察对模型指标带来的影响，实验结果如表5所示。可以发现，随着邻域阶数的变化，模型的表现也发生改变，其中电影数据集在邻域为2阶时达到最优，在图书和音乐数据集上则是在1阶时达到最优。我们推测，可能过高阶的邻域信息会带来一定的噪声干扰。
表5邻域信息传播的影响
Figure BDA0003526535460000202
基于上述基于协同关系图的推荐方法，本实施例提供了一种基于协同关系图的推荐系统，如图9所示，所述的推荐系统包括：
构建模块100，用于构建用户历史数据集对应的协同关系图，其中，所述协同关系图为基于用户-物品二部图和物品-属性知识图谱构建的；
隐式关系模块200，用于对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示；
显式关系模块300，用于对于协同关系图中的每个实体节点，基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示；
传播模块400，用于对于协同关系图中的每个实体节点，基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息；
推荐模块500，用于基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。
基于上述基于协同关系图的推荐方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于协同关系图的推荐方法中的步骤。
基于上述基于协同关系图的推荐方法，本申请还提供了一种终端设备，如图10所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22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。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于协同关系图的推荐方法，其特征在于，所述的推荐方法包括：
构建用户历史数据集对应的协同关系图，其中，所述协同关系图为基于用户-物品二部图和物品-属性知识图谱构建的；
对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示；
对于协同关系图中的每个实体节点，基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示；
对于协同关系图中的每个实体节点，基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息；
基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。
2.根据权利要求1所述基于协同关系图的推荐方法，其特征在于，所述构建用户历史数据集对应的协同关系图具体包括：
基于用户历史数据集确定用户-物品的交互关系，并基于确定交互关系构建用户-物品二部图；
确定用户历史数据集中物品的物品属性，并基于物品数据构建物品-属性知识图谱；
根据所述用户-物品二部图和所述物品-属性知识图谱构建协同关系图。
3.根据权利要求1所述基于协同关系图的推荐方法，其特征在于，所述基于所述协同关系图获取与所述实体节点具有交互关系的交互节点具体为：
当所述实体节点为用户时，获取所述用户交互过的所有物品，以得到与所述实体节点具有交互关系的交互节点；
当所述实体节点为物品时，获取交互过所述物品的所有用户，以得到与所述实体节点具有交互关系的交互节点。
4.根据权利要求1所述基于协同关系图的推荐方法，其特征在于，所述基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示具体包括：
分别将所述实体节点及其对应的交互节点各自对应的初始嵌入表示映射至各预设隐式关系因子的因子空间，以得到各因子空间下的映射嵌入表示；
基于所述实体节点对应的交互节点在各预设隐式关系因子的因子空间下的映射嵌入表示，确定各预设隐式关系因子对所述实体节点的贡献嵌入表示；
基于各预设隐式关系因子对所述实体节点的贡献嵌入表示，确定所述实体节点的隐式关系嵌入表示。
5.根据权利要求4所述基于协同关系图的推荐方法，其特征在于，所述基于所述实体节点对应的交互节点在各预设隐式关系因子的因子空间下的映射嵌入表示，确定各预设隐式关系因子对所述实体节点的贡献嵌入表示具体包括：
对于每个预设隐式关系因子，基于各交互节点和实体节点在各预设隐式关系因子的因子空间下的映射嵌入表示确定各交互节点的贡献程度值；
基于各交互节点的贡献程度值以及映射嵌入表示，以及所述实体节点的映射嵌入表示确定所述预设隐式关系因子对所述实体节点的贡献嵌入表示，以得到各预设隐式关系因子对所述实体节点的贡献嵌入表示。
6.根据权利要求1所述基于协同关系图的推荐方法，其特征在于，所述推荐模型的损失函数为：
Figure FDA0003526535450000021
其中，U表示用户集合，V表示物品集合，yuv表示用户和物品之间的交互关系，
Figure FDA0003526535450000022
表示预测的用户和物品之间的交互概率，K表示预设隐式关系因子的数量，u表示用户，v表示物品，
Figure FDA0003526535450000031
和
Figure FDA0003526535450000032
表示贡献嵌入表示，λ1和λ2表示正则项系数。
7.根据权利要求1所述基于协同关系图的推荐方法，其特征在于，所通过逐层传播获得实体节点的高阶领域信息的过程中的信息传播公式为：
Figure FDA0003526535450000033
其中，
Figure FDA0003526535450000034
代表第l层的节点h的聚合表示，
Figure FDA0003526535450000035
表示上一层的信息，层数为0时h表示初始嵌入表示,
Figure FDA0003526535450000036
表示上一层的邻居节点,当r∈R-时，R-表示用户与物品间的隐式关系集，r表示预设隐式关系因子，
Figure FDA0003526535450000037
表示隐式关系的邻域节点集合，
Figure FDA0003526535450000038
当r∈R+时，R+表示头实体与尾实体的关系集，r表示头实体与尾实体的关系，
Figure FDA0003526535450000039
表示显式关系的邻域节点集合ηr＝1，
Figure FDA00035265354500000310
表示关系r对应空间转移矩阵。
8.一种基于协同关系图的推荐系统，其特征在于，所述的推荐系统包括：
构建模块，用于构建用户历史数据集对应的协同关系图，其中，所述协同关系图为基于用户-物品二部图和物品-属性知识图谱构建的；
隐式关系模块，用于对于协同关系图中的每个实体节点，基于所述协同关系图获取与所述实体节点具有交互关系的交互节点，并基于获取到的交互节点确定所述实体节点的隐式关系嵌入表示；
显式关系模块，用于对于协同关系图中的每个实体节点，基于所述协同关系图获取以所述实体节点为头实体的物品属性三元组，并基于获取到的所有物品属性三元组确定所述实体节点的显式关系嵌入表示；
传播模块，用于对于协同关系图中的每个实体节点，基于所述隐式关系嵌入表示和显式关系嵌入表示，通过逐层传播获得实体节点的高阶领域信息；
推荐模块，用于基于所述实体节点的高阶领域信息训练推荐模型，通过训练后的推荐模型确定待推荐用户与其对应的各候选物品的交互概率。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任意一项所述的基于协同关系图的推荐方法中的步骤。
10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的基于协同关系图的推荐方法中的步骤。
CN202210197625.6A 2022-03-01 2022-03-01 一种基于协同关系图的推荐方法及相关装置 Pending CN114461929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210197625.6A CN114461929A (zh) 2022-03-01 2022-03-01 一种基于协同关系图的推荐方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210197625.6A CN114461929A (zh) 2022-03-01 2022-03-01 一种基于协同关系图的推荐方法及相关装置

Publications (1)

Publication Number Publication Date
CN114461929A true CN114461929A (zh) 2022-05-10

Family

ID=81416297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210197625.6A Pending CN114461929A (zh) 2022-03-01 2022-03-01 一种基于协同关系图的推荐方法及相关装置

Country Status (1)

Country Link
CN (1) CN114461929A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439197A (zh) * 2022-11-09 2022-12-06 广州科拓科技有限公司 基于知识图谱深度学习的电子商务推荐方法及系统
CN115952359A (zh) * 2023-03-10 2023-04-11 特斯联科技集团有限公司 推荐系统召回方法及装置、电子设备、存储介质
CN116402589A (zh) * 2023-06-05 2023-07-07 湖南师范大学 一种基于知识图和旋转编码的商品推荐方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439197A (zh) * 2022-11-09 2022-12-06 广州科拓科技有限公司 基于知识图谱深度学习的电子商务推荐方法及系统
CN115952359A (zh) * 2023-03-10 2023-04-11 特斯联科技集团有限公司 推荐系统召回方法及装置、电子设备、存储介质
CN116402589A (zh) * 2023-06-05 2023-07-07 湖南师范大学 一种基于知识图和旋转编码的商品推荐方法及系统
CN116402589B (zh) * 2023-06-05 2023-09-15 湖南师范大学 一种基于知识图和旋转编码的商品推荐方法及系统

Similar Documents

Publication Publication Date Title
US11593660B2 (en) Subset conditioning using variational autoencoder with a learnable tensor train induced prior
CN114461929A (zh) 一种基于协同关系图的推荐方法及相关装置
CN112529168A (zh) 一种基于gcn的属性多层网络表示学习方法
CN114048331A (zh) 一种基于改进型kgat模型的知识图谱推荐方法及系统
Zhang et al. Graph-adaptive rectified linear unit for graph neural networks
Li et al. EGNN: Constructing explainable graph neural networks via knowledge distillation
Liao et al. Deep linear graph attention model for attributed graph clustering
Wang et al. Similarity-based regularized latent feature model for link prediction in bipartite networks
CN113918832A (zh) 基于社交关系的图卷积协同过滤推荐系统
CN115221413B (zh) 一种基于交互式图注意力网络的序列推荐方法及系统
Wang et al. Exploring graph capsual network for graph classification
CN115358809A (zh) 一种基于图对比学习的多意图推荐方法及装置
CN114154557A (zh) 癌症组织分类方法、装置、电子设备及存储介质
He et al. Vicinal vertex allocation for matrix factorization in networks
Huang et al. Partitioned hybrid learning of Bayesian network structures
Lagemann et al. Deep learning of causal structures in high dimensions under data limitations
Zhou et al. Multi-label graph node classification with label attentive neighborhood convolution
Giordano et al. Adversarial attacks on graph-level embedding methods: A case study
US20240152763A1 (en) Subset conditioning using variational autoencoder with a learnable tensor train induced prior
Luo et al. Privacy-preserving clustering federated learning for non-IID data
Liu et al. TCD-CF: Triple cross-domain collaborative filtering recommendation
CN109886299B (zh) 一种用户画像方法、装置、可读存储介质及终端设备
Ma et al. General collaborative filtering for Web service QoS prediction
CN115757897A (zh) 一种基于知识图卷积网络的文化资源智能推荐方法
Kong et al. CVDP k-means clustering algorithm for differential privacy based on coefficient of variation

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