CN114491055B - 基于知识图谱的推荐方法 - Google Patents
基于知识图谱的推荐方法 Download PDFInfo
- Publication number
- CN114491055B CN114491055B CN202111507616.4A CN202111507616A CN114491055B CN 114491055 B CN114491055 B CN 114491055B CN 202111507616 A CN202111507616 A CN 202111507616A CN 114491055 B CN114491055 B CN 114491055B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- user
- knowledge graph
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 61
- 230000002776 aggregation Effects 0.000 claims description 22
- 238000004220 aggregation Methods 0.000 claims description 22
- 230000003993 interaction Effects 0.000 claims description 8
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 239000012467 final product Substances 0.000 claims description 3
- 230000000379 polymerizing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002356 single layer Substances 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
- G06F16/30—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
- 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
-
- 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)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的推荐方法，包含：基于应用场景构建知识图谱；基于GNN构建KGRN模型；将知识图谱输入KGRN模型得到嵌入向量并根据嵌入向量输出表达用户对物品的喜好程度的推荐指标；根据推荐指标向用户进行推荐操作。本发明的基于知识图谱的推荐方法，通过知识图谱与推荐系统融合的方式，来增强推荐性能。又将节点的嵌入向量引入点击率预估模型，从而进一步提升了推荐效果。
Description
技术领域
本发明属于计算机技术领域，具体涉及一种基于知识图谱的推荐方法。
背景技术
传统的推荐算法主要分为三大类别，分为基于内容的推荐算法、基于协同过滤的推荐算法和混合推荐算法。基于协同过滤的推荐算法利用用户和物品历史的反馈数据,挖掘用户和物品本身的相关联性,并基于此进行推荐。这类算法具有领域无关的特性，因此被广泛应用。但是，协同过滤算法具有数据稀疏性和冷启动问题。基于内容的推荐算法可以有效地缓解冷启动问题，通过为新物品的内容构建画像来解决新物品的冷启动问题。但是对于新用户，依然存在冷启动的问题，并且需要复杂的特征工程构造物品属性的特征。混合推荐算法综合考虑用户和物品的各个方面，主要是对协同过滤算法和基于内容的推荐算法的各种灵活组合，推荐性能也是以上方法的折中。
传统的推荐算法一直面临着一些严峻的问题,包括用户–物品的交互数据稀疏问题和冷启动问题,会导致推荐结果不准确。随着微软的Deep Crossing、谷歌的Wide&Deep，以及PNN[7]等一大批优秀的深度学习推荐模型在2016年被提出，推荐系统全面进入深度学习时代。与传统的机器学习模型相比，深度学习模型的表达能力更强，且可以融入更多的用户与物品特征来提升推荐质量。
知识图谱是一种信息异构网络，包含节点(实体)与有向边(关系),因而蕴含了推荐系统中对于物品的大量背景信息,以及物品之间的关系,并且它可以与用户行为数据构成的用户物品交互图集成起来,从而扩展了用户与商品之间存在的隐藏的关联关系,补充了用户与物品交互数据,因此可以更进一步地提升推荐效果。
发明内容
本发明提供了一种基于知识图谱的推荐方法，解决了传统的推荐算法由于交互数据稀疏和冷启动从而导致推荐结果不准确的问题。采用如下的技术方案：
一种基于知识图谱的推荐方法，包含以下步骤：
基于应用场景构建知识图谱；
基于GNN构建KGRN模型；
将知识图谱输入KGRN模型得到嵌入向量并根据嵌入向量输出表达用户对物品的喜好程度的推荐指标；
根据推荐指标向用户进行推荐操作。
进一步地，基于应用场景构建知识图谱的具体方法为:
将用户与物品交互行为和物品属性统一起来构成一个异构的知识图谱，其中，用户节点集合为U，物品节点集合为I，属性节点集合为E，关系集合R＝{ri|i≥0}，r0表示用户节点与物品节点之间的正反馈关系，ri表示物品节点与属性节点之间的关系。
进一步地，KGRN模型基于GAT。
进一步地，KGRN模型包含：嵌入向量初始化模块、GAT模块和点击率预测模块。
进一步地，KGRN模型对知识图谱进行处理的具体方法为：
通过嵌入向量初始化模块对知识图谱进行向量初始化；
通过GAT模块通过图嵌入的方式对向量初始化后的知识图谱进行信息传播和聚合得到嵌入向量；
通过点击率预测模块对GAT模块处理后得到的嵌入向量进行处理得到推荐指标。
进一步地，通过嵌入向量初始化模块对知识图谱进行向量初始化的具体方法为：
嵌入向量初始化模块通过TransR算法对知识图谱进行向量初始化。
进一步地，GAT模块对知识图谱的用户节点和物品节点采用不同的嵌入方式进行信息传播和聚合。
进一步地，通过GAT模块通过图嵌入的方式对向量初始化后的知识图谱进行信息传播和聚合的具体方法为：
对于用户节点u，其相邻的物品节点的集合为Ni，
根据下式计算其相邻的物品节点的集合Ni的邻居节点信息
其中，α(u,i)为物品节点i到用户节点u的传播系数，
通过下式将其邻居节点信息
和自身的用户节点信息hu进行聚合，
其中，
是网络的训练参数，
用户节点u经过l层的GAT的输出
为，
对于物品节点i，其相邻的用户节点集合为Nui
根据下式计算其相邻的用户节点的集合Nui的邻居节点信息
其中，α(i,u)为用户节点u到物品节点i的传播系数，
将其邻居节点信息
和自身的物品节点信息hi进行聚合，物品节点i经过l层的GAT的输出
为，
根据物品节点i与属性节点e间的不同关系拆分物品属性图，在不同的关系r上进行节点间的信息传播和聚合得到
对于物品节点i，其相邻的属性节点集合为Nri，
根据下式计算其相邻的用户节点的集合Nri的邻居节点信息
α(i,e)为属性节点e到物品节点i的传播系数，
将其邻居节点信息
和自身的物品节点信息hi进行聚合，物品节点i经过l层的GAT的输出
为，
根据下述公式将不同关系上的信息
再进行一次聚合得到最终的
其中β(i,r)为物品节点i到属性节点e的传播系数。
进一步地，点击率预测模块包含多层残差网络模型和NCF模型中的一种。
本发明的有益之处在于所提供的基于知识图谱的推荐方法，通过知识图谱与推荐系统融合的方式，来增强推荐性能。又将节点的嵌入向量引入点击率预估模型，从而进一步提升了推荐效果。
附图说明
图1是本发明的推荐场景下的知识图谱的示意图；
图2是本发明的GTA模型的用户节点的前向传播过程的示意图；
图3是本发明的物品节点的信息聚合过程的示意图；
图4是本发明的完整的模型的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
本申请公开了一种基于知识图谱的推荐方法，包含以下步骤：基于应用场景构建知识图谱；基于GNN构建KGRN模型；将知识图谱输入KGRN模型得到嵌入向量并根据嵌入向量输出表达用户对物品的喜好程度的推荐指标；根据推荐指标向用户进行推荐操作。本申请的基于知识图谱的推荐方法，根据推荐的具体场景构建高质量的知识图谱。获得该推荐场景下的用户与物品交互的历史数据、用户的相关信息以及物品的相关属性之后，我们进行知识抽取，得到实体以及实体间的关系，构成知识图谱。然后，基于图神经网络(GNN)构建知识图谱关系网络(KGRN)模型，获得用户与物品的嵌入向量，进而得到每个用户相应的物品推荐列表，即推荐指标。整个过程中，进一步优化了原有的GNN模型，并将关系信息融入模型，提升了节点嵌入向量的质量，又将节点的嵌入向量引入点击率(CTR)预估模型来提升推荐效果。以下具体介绍上述步骤。
基于应用场景构建知识图谱的具体方法为:
将用户与物品交互行为和物品属性统一起来构成一个异构的知识图谱。如图1所示的，其中，用户节点集合为U，物品节点集合为I，属性节点集合为E，关系集合R＝{ri|i≥0}，r0表示用户节点与物品节点之间的正反馈关系，ri表示物品节点与属性节点之间的关系。利用图嵌入的方法对知识图谱的实体和关系进行向量表示,进而扩充原有物品和用户的特征信息。得到嵌入向量后，通过点击率预测模型对其进行处理，得到表达用户对物品的喜好程度的推荐指标。
本申请中，基于图注意力网络(GAT)来实现KGRN模型。图嵌入的目标是得到图谱中所有节点的低维向量表示
N为图中节点数目，d为向量维度。具体而言，KGRN模型包含：嵌入向量初始化模块、GAT模块和预测模块。模型的输入为整张知识图谱G，输出为用户u对物品i的喜爱值预测。
作为一种优选的实施方式，KGRN模型对知识图谱进行处理的具体方法为：通过嵌入向量初始化模块对知识图谱进行向量初始化；通过GAT模块通过图嵌入的方式对向量初始化后的知识图谱进行信息传播和聚合得到嵌入向量；通过预测模块对GAT模块处理后得到的嵌入向量进行处理得到推荐指标。
其中，通过嵌入向量初始化模块对知识图谱进行向量初始化的具体方法为：嵌入向量初始化模块通过TransR算法对知识图谱进行向量初始化。知识图谱G中的各个节点需要先经过初始向量化再输入到GAT模型中进行信息的传播和聚合。本申请中，我们采用TransR算法进行向量初始化得到H(0)。TransR算法是将实体和关系分别映射到两个空间中，而后将实体空间中的实体经过转移矩阵转移到关系空间中进行向量表示。TransR的优化目标是让图中已存在的直接连接的两个节点向量化后更为接近。
作为一种优选的实施方式，GAT模块对知识图谱的用户节点和物品节点采用不同的嵌入方式进行信息传播和聚合。
传统的GAT模型将所有节点看成一类节点，各个节点之间的信息传播和聚合是相同的。而本申请中，对用户节点u和物品节点i的嵌入方式进行不同的处理。因为用户节点的邻居都是物品节点，两者之间的连接只有正反馈这一种关系。而物品节点与属性节点的关系有多种，所有需要对这两类节点进行不同的处理。用户节点的初始化向量为
经过l层GAT后的向量为
作为一种优选的实施方式，通过GAT模块通过图嵌入的方式对向量初始化后的知识图谱进行信息传播和聚合的具体方法为：
假设知识图谱G中的一个用户节点为u，对于用户节点u，其相邻的物品节点的集合为Ni，根据下式计算其相邻的物品节点的集合Ni的邻居节点信息
其中，α(u,i)为物品节点i到用户节点u的传播系数，通过设置传播系数，引入了注意力机制，传播系数用来衡量节点对之间信息传递的重要程度，系数越大，从该节点传递到目标节点的信息就重要。物品节点i到用户节点u的传播系数α(u,i)通过下式计算：
其中，
为所有节点共享的参数矩阵，它们构成单层的Attention网络。邻居节点信息
和用户节点u的用户节点信息hu需要进行聚合。在本申请中，采用GraphSage中的聚合方法。具体的，通过下式将其邻居节点信息
和自身的用户节点信息hu进行聚合，
其中，
是网络的训练参数。上述是一层GAT的信息传播和聚合过程，可以使用多层GAT来整合更高阶的信息。如图2所示，用户节点u经过l层的GAT的输出
为，
对于物品节点i，其相邻的用户节点集合为Nui，
根据下式计算其相邻的用户节点的集合Nui的邻居节点信息
其中，α(i,u)为用户节点u到物品节点i的传播系数，
α(i,u)与α(u,i)的参数相同，即a，W为所有节点共享的参数矩阵。
将其邻居节点信息
和自身的物品节点信息hi进行聚合，物品节点i经过l层的GAT的输出
为，
根据物品节点i与属性节点e间的不同关系拆分物品属性图，在不同的关系r上进行节点间的信息传播和聚合得到
对于物品节点i，其相邻的属性节点集合为Nri，
根据下式计算其相邻的用户节点的集合Nri的邻居节点信息
α(i,e)为属性节点e到物品节点i的传播系数，
将其邻居节点信息
和自身的物品节点信息hi进行聚合，物品节点i经过l层的GAT的输出
为，
根据下述公式将不同关系上的信息
再进行一次聚合得到最终的
其中β(i,r)为物品节点i到属性节点e的传播系数，
其中，使用了新的参数a1和W2进行计算。
对于点击率预测模块，目前基于图神经网络的图谱推荐工作在得到图谱中所有节点的嵌入向量表示后，都是直接通过计算内积的方式得到推荐指标。然而，这种预估模型过于简单，缺少特征的充分交叉。在本申请中，如图4所示，将图神经网络作为嵌入层，其得到的嵌入向量作为后续的预估模型的输入。即，将GAT模块的输入作为后续点击率预测模块的输入。点击率预估模块的输出用户对物品的喜好，作为推荐指标。
点击率预测模块可以采用两种方式，分别是多层残差网络(ResNet)模型以及NCF模型。通过点击率预估模型对特征向量的各个维度进行充分的交叉组合，使得模型能够抓取到更多的非线性特征和组合特征的信息，进而得到更为准确有效的推荐指标。最后再根据推荐指标向用户进行准确有效的推荐。
KGRN模型的损失函数为：
其中O＝{(u,i,j)∣(u,i)∈R+,(u,j)∈R-}为训练集，R+中的用户节点u和物品节点i在知识图谱G中直接连接，R-中的用户节点u和物品节点j在知识图谱G中无直接连接，R-通过在负样本中随机采样获得。最小化损失函数的意义是让有直接连接的节点向量表示尽可能接近的同时，无直接连接的节点向量表示差异尽可能大。整个模型的训练参数为
在三个不同场景下的公开数据集上测试我们的方法。如表1所示，每个数据集包含用户、物品以及属性的数目，用户与物品、物品与属性之间的连接信息。
表1：测试数据集
在表1所示的三个数据集上验证我们方法的有效性。以Last-FM为例，该数据集是一张包含13万个节点和350万条连接的知识图谱。我们通过边采样将80％的数据作为训练集，20％作为测试集。采用Adam优化器优化网络，初始学习率为0.0001，批量大小为1024，KGRN的层数为3层，采用TransR来初始化节点的嵌入向量，点击率预估模块分别采用残差网络和多层感知机实现，层数均为三层。为了测试方法的有效性，我们在测试集上和传统的方法MF、FM、NFM以及较为先进的KGAT[进行了对比。
采用recall@20和ndcg两种指标来测试我们的方法。recall@20为推荐20个物品召回率，即我们正确推荐的物品数量占用户总的浏览的或喜欢的物品数量的比重。ndcg是归一化折损累计增益。recall@20和ndcg的值越大，说明推荐的效果越好。
表2：测试结果
实验结果如表2所示。从测试结果可以看出，本申请的方法相比传统推荐算法(MF、FM、NFM)性能提升非常明显。与同样使用图注意力网络GAT的KAGT相比，整体也有5％左右的提升。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用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 (3)
1.一种基于知识图谱的推荐方法，其特征在于，包含以下步骤：
基于应用场景构建知识图谱；
基于GNN构建KGRN模型；
将所述知识图谱输入所述KGRN模型得到嵌入向量并根据所述嵌入向量输出表达用户对物品的喜好程度的推荐指标；
根据所述推荐指标向用户进行推荐操作；
基于应用场景构建知识图谱的具体方法为:
将用户与物品交互行为和物品属性统一起来构成一个异构的知识图谱，其中，用户节点集合为U，物品节点集合为I，属性节点集合为E，关系集合R＝{ri|i≥0}，r0表示用户节点与物品节点之间的正反馈关系，ri表示物品节点与属性节点之间的关系；
所述KGRN模型基于GAT；
所述KGRN模型包含：嵌入向量初始化模块、GAT模块和点击率预测模块；
所述KGRN模型对所述知识图谱进行处理的具体方法为：
通过所述嵌入向量初始化模块对所述知识图谱进行向量初始化；
通过所述GAT模块通过图嵌入的方式对向量初始化后的所述知识图谱进行信息传播和聚合得到所述嵌入向量；
通过所述点击率预测模块对所述GAT模块处理后得到的嵌入向量进行处理得到所述推荐指标；
通过所述嵌入向量初始化模块对所述知识图谱进行向量初始化的具体方法为：
所述嵌入向量初始化模块通过TransR算法对所述知识图谱进行向量初始化；
所述GAT模块对所述知识图谱所述知识图谱的用户节点和物品节点采用不同的嵌入方式进行信息传播和聚合；
所述通过所述GAT模块通过图嵌入的方式对向量初始化后的所述知识图谱进行信息传播和聚合的具体方法为：
对于用户节点u，其相邻的物品节点的集合为Ni，
根据下式计算其相邻的物品节点的集合Ni的邻居节点信息
其中，α(u,i)为物品节点i到用户节点u的传播系数，
通过下式将其邻居节点信息
和自身的用户节点信息hu进行聚合，
其中，
是网络的训练参数，
用户节点u经过l层的GAT的输出
为，
对于物品节点i，其相邻的用户节点集合为Nui，
根据下式计算其相邻的用户节点的集合Nui的邻居节点信息
其中，α(i,u)为用户节点u到物品节点i的传播系数，
将其邻居节点信息
和自身的物品节点信息hi进行聚合，物品节点i经过l层的GAT的输出
为，
根据物品节点i与属性节点e间的不同关系拆分物品属性图，在不同的关系r上进行节点间的信息传播和聚合得到
对于物品节点i，其相邻的属性节点集合为Nri，
根据下式计算其相邻的用户节点的集合Nri的邻居节点信息
α(i,e)为属性节点e到物品节点i的传播系数，
将其邻居节点信息
和自身的物品节点信息hi进行聚合，物品节点i经过l层的GAT的输出
为，
根据下述公式将不同关系上的信息
再进行一次聚合得到最终的
其中β(i,r)为物品节点i到属性节点e的传播系数。
2.根据权利要求1所述的基于知识图谱的推荐方法，其特征在于，
所述点击率预测模块包含多层残差网络模型。
3.根据权利要求1所述的基于知识图谱的推荐方法，其特征在于，
所述点击率预测模块包含NCF模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111507616.4A CN114491055B (zh) | 2021-12-10 | 2021-12-10 | 基于知识图谱的推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111507616.4A CN114491055B (zh) | 2021-12-10 | 2021-12-10 | 基于知识图谱的推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114491055A CN114491055A (zh) | 2022-05-13 |
| CN114491055B true CN114491055B (zh) | 2022-11-08 |
Family
ID=81492941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111507616.4A Active CN114491055B (zh) | 2021-12-10 | 2021-12-10 | 基于知识图谱的推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114491055B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896420A (zh) * | 2022-05-31 | 2022-08-12 | 中国第一汽车股份有限公司 | 停车场地的推荐方法及推荐装置、目标车辆、存储介质 |
| CN116610722A (zh) * | 2023-02-09 | 2023-08-18 | 上海哥瑞利软件股份有限公司 | 数据挖掘中基于知识图谱的算法推荐方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613602A (zh) * | 2020-12-25 | 2021-04-06 | 神行太保智能科技(苏州)有限公司 | 基于知识感知超图神经网络的推荐方法及系统 |
| CN113127754A (zh) * | 2021-04-16 | 2021-07-16 | 天津大学 | 一种基于知识图谱的供应商推荐方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102713B (zh) * | 2014-07-16 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 推荐结果的展现方法和装置 |
| US10078651B2 (en) * | 2015-04-27 | 2018-09-18 | Rovi Guides, Inc. | Systems and methods for updating a knowledge graph through user input |
| CN109857873A (zh) * | 2019-02-21 | 2019-06-07 | 北京百度网讯科技有限公司 | 推荐实体的方法和装置、电子设备、计算机可读介质 |
| KR20210064862A (ko) * | 2019-11-26 | 2021-06-03 | 한국전력공사 | 지식 그래프 생성 방법 및 이를 이용한 신재생발전 항목 추천 시스템 및 방법 |
| CN110955834B (zh) * | 2019-11-27 | 2023-07-07 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
| CN111582509B (zh) * | 2020-05-07 | 2022-09-02 | 南京邮电大学 | 一种基于知识图谱表示学习和神经网络的协同推荐方法 |
| CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
| CN112488791A (zh) * | 2020-11-30 | 2021-03-12 | 中国传媒大学 | 一种基于知识图谱卷积算法的个性化推荐方法 |
| CN112507132B (zh) * | 2020-12-14 | 2022-08-05 | 天津大学 | 一种基于知识图谱和注意力机制的推荐方法 |
| CN112800334A (zh) * | 2021-02-04 | 2021-05-14 | 河海大学 | 一种基于知识图谱和深度学习的协同过滤推荐方法及设备 |
| 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 |
-
2021
- 2021-12-10 CN CN202111507616.4A patent/CN114491055B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613602A (zh) * | 2020-12-25 | 2021-04-06 | 神行太保智能科技(苏州)有限公司 | 基于知识感知超图神经网络的推荐方法及系统 |
| CN113127754A (zh) * | 2021-04-16 | 2021-07-16 | 天津大学 | 一种基于知识图谱的供应商推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114491055A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | CNN with depthwise separable convolutions and combined kernels for rating prediction | |
| Parvin et al. | A scalable and robust trust-based nonnegative matrix factorization recommender using the alternating direction method | |
| CN112232925A (zh) | 一种融合知识图谱对商品进行个性化推荐的方法 | |
| CN112613602A (zh) | 基于知识感知超图神经网络的推荐方法及系统 | |
| CN114491055B (zh) | 基于知识图谱的推荐方法 | |
| CN106294859A (zh) | 一种基于属性耦合矩阵分解的项目推荐方法 | |
| CN112417313A (zh) | 一种基于知识图卷积网络的模型混合推荐方法 | |
| CN112231583B (zh) | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 | |
| 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 | |
| CN115618098B (zh) | 基于知识增强与空洞卷积的冷链物流推荐方法及装置 | |
| Liu et al. | Towards context-aware collaborative filtering by learning context-aware latent representations | |
| CN112836125A (zh) | 一种基于知识图谱和图卷积网络的推荐方法及其系统 | |
| CN113342994B (zh) | 一种基于无采样协作知识图网络的推荐系统 | |
| Zeng et al. | Collaborative filtering via heterogeneous neural networks | |
| Zhou et al. | LsRec: Large-scale social recommendation with online update | |
| CN110851701A (zh) | 一种基于用户上下文耦合相似度的概率矩阵分解推荐方法 | |
| Chen et al. | Graph enhanced neural interaction model for recommendation | |
| Ali et al. | Inferring context with reliable collaborators: a novel similarity estimation method for recommender systems | |
| CN114238758A (zh) | 一种基于多源跨界数据融合的用户画像预测方法 | |
| Zhang et al. | Adaptive Graph Convolution Methods for Attributed Graph Clustering | |
| Tang et al. | Factorization-based primary dimension modelling for multidimensional data in recommender systems | |
| Zhang et al. | Multi-view dynamic heterogeneous information network embedding | |
| Sangeetha et al. | Predicting personalized recommendations using GNN | |
| CN115391555A (zh) | 一种用户感知的知识图谱推荐系统及方法 |
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 |