CN114496165A - 一种基于异构图的食品膳食推荐方法 - Google Patents

一种基于异构图的食品膳食推荐方法 Download PDF

Info

Publication number
CN114496165A
CN114496165A CN202210101105.0A CN202210101105A CN114496165A CN 114496165 A CN114496165 A CN 114496165A CN 202210101105 A CN202210101105 A CN 202210101105A CN 114496165 A CN114496165 A CN 114496165A
Authority
CN
China
Prior art keywords
user
graph
vector
article
category
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
CN202210101105.0A
Other languages
English (en)
Inventor
马大燕
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.)
China National Center For Food Safety Risk Assessment
Original Assignee
China National Center For Food Safety Risk Assessment
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 China National Center For Food Safety Risk Assessment filed Critical China National Center For Food Safety Risk Assessment
Priority to CN202210101105.0A priority Critical patent/CN114496165A/zh
Publication of CN114496165A publication Critical patent/CN114496165A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Nutrition Science (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于异构图的食品膳食推荐方法，包括以下步骤：S1、收集用户数据、商品数据及用户和商品的交互数据并构造数据集，根据所述数据集构建异构图；S2、构建图表示学习任务模块，将所述异构图输入到所述图表示学习任务模块中进行训练，得到不同层的用户节点向量、用户类别节点向量和物品节点向量；S3、构建推荐任务模块，将所述不同层的用户节点向量和所述不同层的物品节点向量输入到所述推荐任务模块，得到用户推荐的膳食。本发明通过将属性信息引入到用户‑商品二部图中，并采用多任务学习框架，能够解决数据稀疏性和冷启动问题，能够为用户推荐合适的膳食，预测其可能出现的健康问题。

Description

一种基于异构图的食品膳食推荐方法
技术领域
本发明食品推荐技术领域，具体涉及一种基于异构图的食品膳食推荐方法。
背景技术
近二十年来，我国肥胖的患病率逐年增长，肥胖是糖尿病、心血管疾病及其他代谢性疾病的危险因素。科学合理的饮食调整是目前最有效、最安全的基础治疗之一。为了实现在控制总能量的基础上平衡膳食，需要一种简单易行的方法来追踪所吃食物的营养信息，为用户推荐合理膳食。
此外，推荐算法可根据用户的历史行为，自动挖掘用户的兴趣喜好，从而为用户提供个性化的推荐。传统推荐算法(如协同过滤算法等)普遍存在数据稀疏性和冷启动问题。
因此，有必要提供一种能够为用户提供合理、多样化的食物，并预测其健康问题，同时，能够缓解数据稀疏性和冷启动问题的食品膳食推荐方法。
发明内容
针对以上技术问题，本发明提供一种基于异构图的食品膳食推荐方法，通过将属性信息引入到用户-商品二部图中，构建异构图改善推荐系统的推理能力，并采用多任务学习框架，提升推荐模型的性能，并能够有效解决数据稀疏性和冷启动问题，能够为用户推荐合适的膳食，同时能够预测其可能出现的健康问题。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于异构图的食品膳食推荐方法，包括以下步骤：
S1、收集用户数据、商品数据及用户和商品的交互数据并构造数据集，根据所述数据集构建异构图；
S2、构建图表示学习任务模块，将所述异构图输入到所述图表示学习任务模块中进行训练，得到用户节点向量、用户类别节点向量和物品节点向量；
S3、构建推荐任务模块，将所述用户节点向量和所述物品节点向量输入到所述推荐任务模块，得到用户推荐的膳食。
优选地，所述用户数据包括用户信息及用户类别信息；
所述商品数据包括商品信息及商品类别信息；
所述用户和商品的交互数据为用户对商品的偏好数据。
优选地，所述异构图包括四类节点及三类关系；
其中四类节点包括用户、物品、用户类别及物品类别；
三类关系包括用户类别与用户的归属关系、用户与物品的交互关系、物品类别与物品的归属关系。
优选地，所述步骤S2的过程为：
S21、采用TransR方法对所述异构图进行图表示学习，输出图表示学习结果；
S22、将通过TransR方法得到的图表示学习结果输入到图神经网络模型中进行特征提取，获得用户节点向量、物品节点向量及用户类别节点向量。
优选地，所述步骤S3的过程为：
S31、将所述用户节点向量进行拼接，得到用户最终表示向量，将所述物品节点向量进行拼接，得到物品最终表示向量；
S32、计算所述用户最终表示向量和物品最终表示向量之间的相似度，根据所述相似度结果得到用户推荐的膳食。
优选地，所述步骤S32中，当所述相似度结果趋近于1时，则对物品进行推荐，进而得到用户推荐的膳食。
优选地，将所述步骤S2中得到的所述用户节点向量和所述用户类别节点向量输入到所述推荐任务模块中，对用户的健康状态进行判断。
优选地，对所述用户健康状态进行判断的过程为：
将所述用户节点向量进行拼接，得到用户最终表示向量，将所述用户类别向量进行拼接，得到用户类别最终表示向量；计算所述用户最终表示向量及所述用户类别最终表示向量的相似度；对所述相似度进行归一化处理，得到判断结果，根据所述判断结果得到用户的健康状态。
优选地，当所述判断结果趋近于1时，则所述用户健康状态趋于稳定。
本发明公开了以下技术效果：
(1)本发明通过将用户及物品的属性信息引入到用户-商品二部图中，构建异构图改善推荐系统的推理能力，并采用多任务学习框架，提升推荐模型的性能，并能够解决数据稀疏性和冷启动问题，能够为用户推荐合适的膳食，同时能够预测其可能出现的健康问题；
(2)本发明构建的推荐模型为多任务模型，包括推荐任务(RS)与图表示学习任务(KGE)两个模块，两个模块交替进行训练，模块之间采用GNN(图神经网络)模型进行特征提取与信息传输，将异构图中的语义和结构信息准确的应用到推荐任务中，提高推荐的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于异构图的食品膳食推荐方法流程示意图；
图2为本发明实施例食品膳食推荐流程示意图；
图3为本发明构建的异构图结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于异构图的食品膳食推荐方法，包括以下步骤：
步骤S1、收集用户数据、商品数据及用户和商品的交互数据，并构造数据集，根据数据集构建异构图。
传统的推荐算法都是基于用户-物品数据，可以构造成用户-物品二部图，该图的边为二者的交互信息，即根据用户与物品的交互来预测用户偏好。
为缓解数据稀疏性和冷启动问题，常用的方法是增加附加信息，而附加信息常常不能被传统推荐算法有效利用，如基于协同过滤的算法、交叉特征的算法(FM、NFM、Wide&Deep)等。本实施例将用户-物品的属性信息作为附加信息引入到推荐系统中，和用户-物品(二部图)数据整合在一起构造异构图，给用户提供准确、多样和可解释的推荐。
本实施例中在采集数据时，收集电商网站、评论网站等场景下带有用户间社交关系、用户—商品之间的交互历史数据、商品类别信息的数据集，同时搜集用户相应的类别信息及物品类别信息。
如图2所示，本实施例在用户-物品二部图的基础上，增加了两类节点，构成4类节点3类关系的异构图。4类节点分别为用户、物品、用户类别、物品类别。从上到下，fi表示用户类别节点，ui表示用户节点，ii表示物品节点，ci表示物品类别节点。r1表示用户类别与用户之间的归属关系，r2表示用户与物品之间的交互关系，r3表示物品类别与物品之间的归属关系。
如果某用户ui属于某一用户类别fi，则为二者之间增加一条边(r1)；如果某物品ii属于某一物品类别ci，则为二者之间增加一条边(r3)。而用户ui与物品ii之间的关系可以是浏览、点击、购买等某一种交互关系(r2)。关系r1和r3可以根据先验知识构建，而r2则根据实时数据构建。本发明在该图上学习每一个节点和边的表示，并基于这些表示去做推荐预测。
以用户u1为例，传统算法只能根据与其相似的用户u2为其推荐物品i3。通过本实施例的模型，通过附加信息(用户类别f1和物品类别c3)，有一定的概率为用户u1推荐物品i3和物品i4，而这与现实场景是相符的。
本实施例的用户类别可以根据不同的目标进行设置，如按体重分类：过瘦、偏瘦、正常、微胖、肥胖；如按年龄分类：儿童(6岁以下)、少年(7-14岁)、青年(15-35岁)、中年(36-60岁)、老年(61岁以上)等。物品类别CItems也可以根据不同的目标进行设置，如按照商品类别：电脑数码、食品生鲜、家用电器、服饰鞋包等；如按照电影类别：动作电影、奇幻电影、喜剧电影、恐怖电影、冒险电影等。
S2、构建图表示学习任务模块，将异构图输入到图表示学习任务模块中进行训练，得到用户节点向量、物品节点向量、用户类别向量及物品类别向量。
针对图表示学习任务，本实施例使用了应用于知识图谱领域的TransR方法进行图表示学习：
Figure BDA0003492484480000071
其中：
Figure BDA0003492484480000072
是头部实体向量，er是关系向量，
Figure BDA0003492484480000073
是尾部实体向量。
对上述三元组(h，r，t)计算似然得分：
Figure BDA0003492484480000074
其中：Wr为投影矩阵，是待训练参数。
为了使图2中的节点和边满足式(1)的关系，需要通过有效三元组(h，r，t)和无效三元组(h，r，t’)进行区分的思想，对图中的节点和边施加约束。因此，图表示学习任务的损失函数如下：
LKG＝∑(h，r，t，t′)∈τ-lnσ(g(h，r，t′)-g(h，r·，t)) (3)
其中：h和t分别表示头部实体和尾部实体，t为h相邻的节点(正样本)，r表示二者之间的关系(边)，t′表示与h非直接相连的尾部实体(负样本)，σ为激活函数。
在图表示学习任务完成后，本发明采用图神经网络(GNN)来发掘高阶信息，通过对邻居节点进行特征提取增强中心节点的表示，提升推荐任务的模型性能。
本实施例采用的GNN主要包括两步：步骤一、邻居节点特征的聚合；步骤二、中心节点的特征和邻居节点的特征聚合结果的聚合。
在步骤一中，本实施例的每个邻居节点应该根据与目标节点h的特征相似度，赋予不同的权值，因此本实施例采用了Attention机制来求得每一个邻居节点的重要性，具体为：
s(h，r，t)＝(Wret)Ttanh(Wreh+er) (4)
其中，s(h，r，t)表示注意力分数。
然后，需要通过Softmax函数对所有与h节点相连的三元组进行归一化，即：
Figure BDA0003492484480000081
在特征相似的实体间会传递更多的信息，节点h的邻接节点的特征聚合过程可以表示为：
eN＝Σ(h，r，t)∈Nαet，α∈α(h，r，t) (6)
则图卷积计算的步骤二为：
Figure BDA0003492484480000082
其中，
Figure BDA0003492484480000083
为第l-1层头部实体的输出，l是层的索引。
综上，本实施例的图卷积计算可以总体表示为：
Figure BDA0003492484480000084
式中，
Figure BDA0003492484480000085
为GNN在第l-1层的输入，
Figure BDA0003492484480000086
为某一(用户、物品、用户类别、物品类别)节点的表示向量。
S3、构建推荐任务模块，将用户节点向量和物品节点向量输入到推荐任务模块，得到用户推荐的膳食。
该步骤需要将不同层的节点表示向量进行集成，生成用户和物品最终表示向量：
Figure BDA0003492484480000091
Figure BDA0003492484480000092
其中，
Figure BDA0003492484480000093
为用户最终表示向量，
Figure BDA0003492484480000094
为物品最终表示向量，||表示拼接操作。得到二者表示后，能够进行推荐预测：
Figure BDA0003492484480000095
其中
Figure BDA0003492484480000096
表示用户与物品之间的推荐预测结果，
Figure BDA0003492484480000097
中的元素接近1表示推荐，接近0表示不推荐。
因此，推荐任务的损失函数为：
Figure BDA0003492484480000098
其中，物品i来自正样本，与用户u有交互；物品j来自负样本，与用户u无交互。
因此，结合公式(3)和(12)，本实施例构建的模型的损失函数可以定义为：
Figure BDA0003492484480000099
其中，β和λ为调节参数。LCF为推荐任务的损失函数，LKG为图表示学习任务的损失函数，Lreg为惩罚项，O表示用户-物品对集合，τ表示图中所有节点和边的集合。θ泛指模型训练中的所有待训练的参数，该项实现了模型参数的L2正则化，降低模型复杂度，避免出现过拟合的情况。
经过本实施例模型的训练后能够为用户推荐合适的膳食，同时，通过其输出的用户节点表示向量和用户类别节点表示向量可以对用户进行分类，判断用户类别(例如肥胖、正常、消瘦三类人)，即健康状态。
同公式(9)和公式(10)相同，需要将不同层的边和节点表示进行集成，生成用户类别表示向量：
Figure BDA0003492484480000101
其中，
Figure BDA0003492484480000102
为用户类别(最终)表示向量。得到二者表示后进行相似度计算：
Figure BDA0003492484480000103
通过Softmax进行归一化：
Figure BDA0003492484480000104
式中，M表示所有用户与用户类别对的集合，p(u，f)是用户类别的判断结果。假设输入异构图中u1属于f1，当p(u1，f1)越接近1，表示用户状态越稳定。反之，用户类别(状态)发生了变化，即健康状态发生了改变。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于异构图的食品膳食推荐方法，其特征在于，包括以下步骤：
S1、收集用户数据、商品数据及用户和商品的交互数据，并构造数据集，根据所述数据集构建异构图；
S2、构建图表示学习任务模块，将所述异构图输入到所述图表示学习任务模块中进行训练，得到用户节点向量、用户类别节点向量和物品节点向量；
S3、构建推荐任务模块，将所述用户节点向量和所述物品节点向量输入到所述推荐任务模块，得到用户推荐的膳食。
2.根据权利要求1所述的基于异构图的食品膳食推荐方法，其特征在于，所述用户数据包括用户信息及用户类别信息；
所述商品数据包括商品信息及商品类别信息；
所述用户和商品的交互数据为用户对商品的偏好数据。
3.根据权利要求1所述的基于异构图的食品膳食推荐方法，其特征在于，所述异构图包括四类节点及三类关系；
其中四类节点包括用户、物品、用户类别及物品类别；
三类关系包括用户类别与用户的归属关系、用户与物品的交互关系、物品类别与物品的归属关系。
4.根据权利要求2所述的基于异构图的食品膳食推荐方法，其特征在于，所述步骤S2的过程为：
S21、采用TransR方法对所述异构图进行图表示学习，输出图表示学习结果；
S22、将通过TransR方法得到的图表示学习结果输入到图神经网络模型中进行特征提取，获得用户节点向量、物品节点向量及用户类别节点向量。
5.根据权利要求1所述的基于异构图的食品膳食推荐方法，其特征在于，所述步骤S3的过程为：
S31、将所述用户节点向量进行拼接，得到用户最终表示向量，将所述物品节点向量进行拼接，得到物品最终表示向量；
S32、计算所述用户最终表示向量和物品最终表示向量之间的相似度，根据所述相似度结果得到用户推荐的膳食。
6.根据权利要求5所述的基于异构图的食品膳食推荐方法，其特征在于，所述步骤S32中，当所述相似度结果趋近于1时，则对物品进行推荐，进而得到为用户推荐的膳食。
7.根据权利要求1所述的基于异构图的食品膳食推荐方法，其特征在于，将所述步骤S2中得到的所述用户节点向量和所述用户类别节点向量输入到所述推荐任务模块中，对用户的健康状态进行判断。
8.根据权利要求7所述的基于异构图的食品膳食推荐方法，其特征在于，对所述用户健康状态进行判断的过程为：
将所述用户节点向量进行拼接，得到用户最终表示向量，将所述用户类别向量进行拼接，得到用户类别最终表示向量；计算所述用户最终表示向量及所述用户类别最终表示向量的相似度；对所述相似度进行归一化处理，得到判断结果，根据所述判断结果得到用户的健康状态。
9.根据权利要求8所述的基于异构图的食品膳食推荐方法，其特征在于，当所述判断结果趋近于1时，则所述用户健康状态趋于稳定。
CN202210101105.0A 2022-01-27 2022-01-27 一种基于异构图的食品膳食推荐方法 Pending CN114496165A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210101105.0A CN114496165A (zh) 2022-01-27 2022-01-27 一种基于异构图的食品膳食推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210101105.0A CN114496165A (zh) 2022-01-27 2022-01-27 一种基于异构图的食品膳食推荐方法

Publications (1)

Publication Number Publication Date
CN114496165A true CN114496165A (zh) 2022-05-13

Family

ID=81477025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210101105.0A Pending CN114496165A (zh) 2022-01-27 2022-01-27 一种基于异构图的食品膳食推荐方法

Country Status (1)

Country Link
CN (1) CN114496165A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115687431A (zh) * 2022-09-02 2023-02-03 国家食品安全风险评估中心 一种基于元路径的食品安全政策推荐方法、装置及设备
CN116168804A (zh) * 2023-04-21 2023-05-26 杭州青橄榄网络技术有限公司 一种基于his系统的病患膳食推荐系统与方法
CN117312542A (zh) * 2023-11-29 2023-12-29 泰山学院 基于人工智能的阅读推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110391010A (zh) * 2019-06-11 2019-10-29 山东大学 基于个人健康感知的食品推荐方法及系统
CN111967946A (zh) * 2020-09-04 2020-11-20 吉林大学 一种基于面向用户多关系信息网络的商品推荐方法及系统
CN113239264A (zh) * 2021-04-07 2021-08-10 中国人民解放军战略支援部队信息工程大学 基于元路径网络表示学习的个性化推荐方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110391010A (zh) * 2019-06-11 2019-10-29 山东大学 基于个人健康感知的食品推荐方法及系统
CN111967946A (zh) * 2020-09-04 2020-11-20 吉林大学 一种基于面向用户多关系信息网络的商品推荐方法及系统
CN113239264A (zh) * 2021-04-07 2021-08-10 中国人民解放军战略支援部队信息工程大学 基于元路径网络表示学习的个性化推荐方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115687431A (zh) * 2022-09-02 2023-02-03 国家食品安全风险评估中心 一种基于元路径的食品安全政策推荐方法、装置及设备
CN116168804A (zh) * 2023-04-21 2023-05-26 杭州青橄榄网络技术有限公司 一种基于his系统的病患膳食推荐系统与方法
CN117312542A (zh) * 2023-11-29 2023-12-29 泰山学院 基于人工智能的阅读推荐方法及系统
CN117312542B (zh) * 2023-11-29 2024-02-13 泰山学院 基于人工智能的阅读推荐方法及系统

Similar Documents

Publication Publication Date Title
CN111523047B (zh) 基于图神经网络的多关系协同过滤算法
CN111428147B (zh) 结合社交和兴趣信息的异源图卷积网络的社交推荐方法
CN114496165A (zh) 一种基于异构图的食品膳食推荐方法
CN111310063B (zh) 基于神经网络的记忆感知门控因子分解机物品推荐方法
CN107665254A (zh) 一种基于深度学习的菜谱推荐方法
CN113918834B (zh) 融合社交关系的图卷积协同过滤推荐方法
CN113379494A (zh) 基于异质社交关系的商品推荐方法、装置和电子设备
CN113918832A (zh) 基于社交关系的图卷积协同过滤推荐系统
CN113590976A (zh) 一种空间自适应图卷积网络的推荐方法
Sridhar et al. Content-Based Movie Recommendation System Using MBO with DBN.
CN112699310A (zh) 基于深度神经网络的冷启动跨域混合推荐的方法及系统
CN112861006A (zh) 融合元路径语义的推荐方法及系统
CN112364236A (zh) 目标对象推荐系统、方法、装置、数据处理方法及装置
CN112364242A (zh) 针对上下文感知型的图卷积推荐系统
CN115329215A (zh) 异构网络中基于自适应动态知识图谱的推荐方法及系统
CN117171448A (zh) 一种基于图神经网络的多行为社会化推荐方法及系统
Wu et al. A federated deep learning framework for privacy-preserving consumer electronics recommendations
CN116861078A (zh) 一种融合用户多行为的图神经网络推荐方法
CN117235375A (zh) 基于图神经网络与元学习的用户多行为推荐方法
CN116842277A (zh) 一种基于跨主题对比学习的社交推荐方法
Huang et al. Multi-affect (ed): improving recommendation with similarity-enhanced user reliability and influence propagation
CN116561443A (zh) 基于属性扩展的双消息传播图的项目推荐方法、装置
CN116091167A (zh) 一种基于多任务学习框架的团购推荐模型
CN116204723A (zh) 一种基于动态超图表示学习的社交推荐方法
Liang et al. The graph embedded topic model

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Ma Dayan

Inventor after: Pan Deng

Inventor after: Zhang Chaozheng

Inventor after: Wu Yongning

Inventor after: Yang Liu

Inventor before: Ma Dayan