CN114548296A - 一种基于自适应框架的图卷积推荐方法及相关装置 - Google Patents
一种基于自适应框架的图卷积推荐方法及相关装置 Download PDFInfo
- Publication number
- CN114548296A CN114548296A CN202210176989.6A CN202210176989A CN114548296A CN 114548296 A CN114548296 A CN 114548296A CN 202210176989 A CN202210176989 A CN 202210176989A CN 114548296 A CN114548296 A CN 114548296A
- Authority
- CN
- China
- Prior art keywords
- graph
- nodes
- neighbor nodes
- node
- order
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000013598 vector Substances 0.000 claims abstract description 144
- 230000003993 interaction Effects 0.000 claims abstract description 68
- 230000004931 aggregating effect Effects 0.000 claims abstract description 45
- 238000000547 structure data Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims description 36
- 230000002776 aggregation Effects 0.000 claims description 17
- 238000004220 aggregation Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000009133 cooperative interaction Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- RTHCYVBBDHJXIQ-UHFFFAOYSA-N N-methyl-3-phenyl-3-[4-(trifluoromethyl)phenoxy]propan-1-amine Chemical compound C=1C=CC=CC=1C(CCNC)OC1=CC=C(C(F)(F)F)C=C1 RTHCYVBBDHJXIQ-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于自适应框架的图卷积推荐方法及相关设备，包括构建用户与物品交互关系的图结构数据；当预设阶邻居节点数大于等于预设阈值时，使用广度优先方式搜索图节点的邻居节点并聚合得到图节点的目标嵌入向量；当预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索图节点的邻居节点并聚合得到图节点的目标嵌入向量；基于目标嵌入向量训练推荐模型，基于推荐模型确定用户与各候选物品的交互概率。本申请通过对大于预设阶邻居节点数的图节点进行广度优先搜索邻居节点，对小于预设阶邻居节点数的图节点进行深度优先搜索邻居节点，使得推荐模型学习到不同图节点的优势嵌入向量，提升推荐模型的推荐准确率，进而提高推荐方法的准确性。
Description
技术领域
本申请涉及电子及通信类技术领域，特别涉及一种基于自适应框架的图卷积推荐方法及相关装置。
背景技术
目前现有的推荐方法普遍是将用户侧和物品侧的特征(例如，用户购买过的商品、光顾过的店铺、搜索过的关键词、商品的分类与标签等等)进行编码成嵌入(Embedding)向量后，进行组合挖掘产生给用户的推荐列表，可以增强推荐模型的泛化能力，提高推荐模型的准确率。但是，由于现有推荐方法缺乏对重要的协同信息显式地进行编码过程，而协同信息隐藏在用户-物品交互数据中且蕴含着用户或者物品之间的行为相似性，从而现有推荐方法无法学习到蕴含隐藏信息的Embedding向量。更具体地来说，现有推荐方法主要是对ID或者属性进行编码得到Embedding向量，再基于用户-物品协同交互信息定义重构损失函数并进行解码，其中，用户-物品的协同交互信息仅用到解码端并未用到编码端。这样会导致推荐模型学习到用户或者物品的Embedding向量的信息量不够，而为了更好地将用户可能感兴趣的物品推荐给用户，只能依赖于复杂的协同交互函数来弥补次优的Embedding向量在结果推荐上的不足，从而导致推荐模型越来越复杂，并且推荐模型的推荐效果不佳。
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，提供一种基于自适应框架的图卷积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了一种基于自适应框架的图卷积推荐方法，所述的方法包括：
基于用户历史交互数据集构建用户与物品交互关系的图结构数据；
获取图结构数据中的各图节点的预设阶邻居节点数；
当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量；
当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量，其中，使用深度优先方式搜索的图节点对应的传播层数大于使用广度优先方式搜索的图节点对应的传播层数；
基于各图节点的目标嵌入向量对推荐模型进行训练，并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。
所述的基于自适应框架的图卷积推荐方法，其中，所述使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量具体包括：
搜索所述图节点的第一传播层数对应的所有邻居节点；
在一阶传播层数所包含的邻居节点中随机采样部分邻居节点，并采样到的部分邻居节点的嵌入向量进行聚合，以得到第一参考嵌入向量；
在二阶传播层数所包含的邻居节点中随机采样部分邻居节点，并将选取的部分邻居节点的嵌入向量聚合，以得到第二参考嵌入向量，依次类推直至第一传播层数以得到所述第一传播层数对应的第N参考嵌入向量；
根据获取到的所有参考嵌入向量确定所述图节点的目标嵌入向量。
所述的基于自适应框架的图卷积推荐方法，其中，所述图节点对应的目标嵌入向量为：
其中，eu表示目标嵌入向量，αl表示l阶传播层的重要程度系数，
表示l阶传播层的图节点u的嵌入向量，
表示l+1阶传播层的图节点u的嵌入向量，
表示l阶传播层的图节点u的邻居节点i的嵌入向量，Ni表示图节点u的一阶传播层的邻居节点，|Nu|表示图节点u的一阶传播层的邻居节点数量，|Ni|表示图节点i的一阶传播层的邻居节点数量。
所述的基于自适应框架的图卷积推荐方法，其中，所述当图节点的预设阶邻居节点数小于预设阈值时，获取所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量具体包括：
当图节点的预设阶邻居节点数小于预设阈值时，搜索所述图节点的第二传播层数对应的所有邻居节点，其中，第二传播层数大于第一传播层数；
对搜索到的邻居节点进行聚合以得到图节点对应的目标节点的候选嵌入向量，对搜索到的偶数层数的邻居节点进行聚合得到的残差嵌入向量；
基于所述候选嵌入向量和残差嵌入向量确定所述图节点对应的目标嵌入向量。
所述的基于自适应框架的图卷积推荐方法，其中，所述目标嵌入向量为：
其中，eu表示目标嵌入向量，αl表示l阶传播层的重要程度系数，
表示l阶传播层的图节点u的候选嵌入向量，
表示l+1阶传播层的图节点u的候选嵌入向量，
表示l阶传播层的图节点u的邻居节点i的候选嵌入向量，
表示l阶传播层的图节点u的残差嵌入向量，Ni表示图节点u的一阶传播层的邻居节点，|Nu|表示图节点u的一阶传播层的邻居节点数量，|Ni|表示图节点i的一阶传播层的邻居节点数量。
所述的基于自适应框架的图卷积推荐方法，其中，所述基于各图节点的目标嵌入向量对推荐模型进行训练具体包括：
对于图结构数据的各用户图节点，提取用户图节点的目标嵌入向量和各物品图节点的目标嵌入向量；
计算用户图节点的目标嵌入向量与各物品提节点的目标嵌入向量的内积以得到各用户图节点与各物品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。
所述的基于自适应框架的图卷积推荐方法，其中，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。
本申请实施例第二方面提供了一种基于自适应框架的图卷积推荐系统，所述的推荐系统包括：
构建模块，用于基于用户历史交互数据集构建用户与物品交互关系的图结构数据；
获取模块，用于获取图结构数据中的各图节点的预设阶邻居节点数；
第一搜索模块，用于当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量；
第二搜索模块，用于当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量，其中，使用深度优先方式搜索的图节点对应的传播层数大于使用广度优先方式搜索的图节点对应的传播层数；
推荐模块，用于基于各图节点的目标嵌入向量对推荐模型进行训练，并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。
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自适应框架的图卷积推荐方法中的步骤。
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自适应框架的图卷积推荐方法中的步骤。
有益效果：与现有技术相比，本申请提供了一种基于自适应框架的图卷积推荐方法，所述的方法包括：基于用户历史交互数据集构建用户与物品交互关系的图结构数据；获取图结构数据中的各图节点的预设阶邻居节点数；当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量；当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量；基于各图节点的目标嵌入向量对推荐模型进行训练，并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。本申请通过预设阶邻居节点数对图节点进行区分，并对大于预设阶邻居节点数的高度节点进行广度优先搜索邻居节点，对小于预设阶邻居节点数的低度节点进行深度优先搜索邻居节点，使得推荐模型可以学习到不同图节点的优势嵌入向量，提升推荐模型的推荐的准确率以及提高模型的泛化效果，进而提高推荐准确性。
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自适应框架的图卷积推荐方法的流程图。
图2为图结构数据中聚合层为2时，不同图节点的邻居节点示意图。图3为本申请提供的基于自适应框架的图卷积推荐方法中自适应的邻居节点的示意图。
图4为本申请提供的基于自适应框架的图卷积推荐方法中通过重采样方式确定邻居节点的示意图。
图5为本申请提供的基于自适应框架的图卷积推荐方法中通过残差聚合的示意图。
图6为本申请提供的基于自适应框架的图卷积推荐系统的结构原理图。
图7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自适应框架的图卷积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，目前现有的推荐方法普遍是将用户侧和物品侧的特征(例如，用户购买过的商品、光顾过的店铺、搜索过的关键词、商品的分类与标签等等)进行编码成嵌入(Embedding)向量后，进行组合挖掘产生给用户的推荐列表，可以增强推荐模型的泛化能力，提高推荐模型的准确率。但是，由于现有推荐方法缺乏对重要的协同信息显式地进行编码过程，而协同信息隐藏在用户-物品交互数据中且蕴含着用户或者物品之间的行为相似性，从而现有推荐方法无法学习到蕴含隐藏信息的Embedding向量。更具体地来说，现有推荐方法主要是对ID或者属性进行编码得到Embedding向量，再基于用户-物品协同交互信息定义重构损失函数并进行解码，其中，用户-物品的协同交互信息仅用到解码端并未用到编码端。这样会导致推荐模型学习到用户或者物品的Embedding向量的信息量不够，而为了更好地将用户可能感兴趣的物品推荐给用户，只能依赖于复杂的协同交互函数来弥补次优的Embedding向量在结果推荐上的不足，从而导致推荐模型越来越复杂，并且推荐模型的推荐效果不佳。
为了解决上述问题，图神经网络被应用于推荐方法中，在应用图神经网络的推荐方法中，将用户和物品为点，当用户和物品产生交互行为(例如，购买，收藏，点击等行为)时，可以在用户和物品之间连接一条边，以形成“用户-物品”的交互关系的二部图。然后，通过图卷积神经网络将邻居节点信息聚合到目标节点上，在编码端学习到蕴含着协同交互信息的Embedding，完成端到端的学习模式。这样通过图神经网络可以让用户或者物品的ID类特征变成图节点，并通过图节点间的信息传递学习高阶邻居信息，弥补了现有推荐方法无法在编码端学习到交互信息的短板。此外，图神经网络不仅能够利用当前用户和物品自身的信息，还融合了用户-物品的协同交互信息，使得可利用的信息大大丰富，有助于模型学习到更复杂的交互信息，提高模型的推荐准确率。
现有基于二部图的图卷积推荐方法普遍是基于整个数据集来建模学习目标节点的Embedding向量表示，在对目标节点进行信息聚合时，候选域的邻居节点均是该目标节点的所有邻居节点。然而，现有的基于二部图的图卷积推荐方法中，高度(high-degree)节点对表征学习起了主导作用，这样就会导致推荐模型无法区分高度节点和低度节点之间交互信息的巨大差异性，会出现长尾问题和泛化性差的问题，从而影响推荐方法的推荐准确性。
基于此，在本申请实施例中，基于用户历史交互数据集构建用户与物品交互关系的图结构数据；获取图结构数据中的各图节点的预设阶邻居节点数；当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量；当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量；基于各图节点的目标嵌入向量对推荐模型进行训练，并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。本申请通过预设阶邻居节点数对图节点进行区分，并对大于预设阶邻居节点数的高度节点进行广度优先搜索邻居节点，对小于预设阶邻居节点数的低度节点进行深度优先搜索邻居节点，使得推荐模型可以学习到不同图节点的优势嵌入向量，提升推荐模型的推荐的准确率以及提高模型的泛化效果，进而提高了推荐准确性。
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自适应框架的图卷积推荐方法，如图1所示，所述方法包括：
S10、基于用户历史交互数据集构建用户与物品交互关系的图结构数据。
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。图结构数据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图结构数据的图节点，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。此外，在构建“用户-物品”交互关系的二部图后，可以在“用户-物品”交互关系的二部图中通过交互关系构建“用户-用户”和“物品-物品”的子图信息，并将“用户-用户”和“物品-物品”的子图信息补充到二部图中信息聚合，这样可以避免二部图中长尾节点交互信息较少的问题，从而可以提高训练得到的推荐模型的推荐准确性，从而提高推荐方法的推荐准确。
S20、获取图结构数据中的各图节点的预设阶邻居节点数。
具体地，所述预设阶邻居节点数为预设阶传播层数所包含的所有邻居节点的总数量，其中，预设阶传播层数为预先设置，聚合邻居节点所经历的聚合层数。例如，预设阶传播层数为2阶时，预设阶邻居节点数为一阶传播层数包括的邻居节点和二阶传播层数包括的邻居节点的总数量。在图结构数据中，由于不同图节点在相同的预设阶传播层数下所对应的邻居节点可以不同，例如，当预设阶传播层数为2时，图2中的图节点u1所对应的邻居节点为11个，图2中的图节点u2的邻居节点为3。
S30、当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量。
具体地，所述预设阈值为预先设置的，用于横梁图节点为高度节点还是低度节点依据，其中，当图节点的预设阶邻居节点数大于或者等于预设阈值时，说明图节点为高度节点，反之，当图节点的预设阶邻居节点数小于预设阈值时，说明图节点为低度节点。这是由于在图结构数据中，由于不同图节点在相同的预设阶传播层数下所对应的邻居节点可以不同，从而图结构数据中部分图节点对应的预设阶邻居节点可以大于或者等于预设阈值，而部分预设阶邻居节点可以小于预设阈值，进而可以通过设置预设阈值的方式将图结构数据中图节点划分为高度节点和低度节点。例如，假设预设阶传播层数为2阶，预设阈值为8，图2中的图节点u1所对应的预设阶邻居节点数k1为11个，图2中的图节点u2的预设阶邻居节点数k2为3，图节点u1对应的预设阶邻居节点数为11>8，图节点u1为高度节点，图节点u2对应的预设阶邻居节点数为3<8，图节点u2为低度节点。
此外，本实施例通过预设阈值将图节点划分为高度节点和低度节点，然后后续对高度节点和低度节点采用不同的搜索和聚合方式，以使得各图节点均能接收到预设数量的邻居节点信息，例如，如图3所示，图节点u1和图节点u2均搜索到的邻居节点数k均为11。这样可以避免因低度节点能接收到的邻居节点少而导致低度节点能接收的传播信息少问题，从而解决因低度节点的embedding嵌入信息不够充分而导致推荐效果较差的问题。
在一个典型实现方式中，所述预设阈值可以根据预先设置的图节点在聚合邻域信息时所需要的邻居节点数量确定，其中，预设阶邻居节点数大于所需要的邻居节点数量，例如，预设阶邻居节点数为所需要的邻居节点数量的2倍，也就是说，当预设阶邻居节点数大于或者等于所需要的邻居节点数量的2倍时，图节点为高度节点，反之，当预设阶邻居节点数小于所需要的邻居节点数量的2倍时，图节点为低度节点。
当图节点的预设阶邻居节点数大于或者等于预设阈值时，说明图节点搜索少量的传播层数就可以获取到图节点所需的邻居节点，然而同一传播层数中的邻居节点存在较高的相似性，使得图节点聚合较多相似性高的邻居节点，不仅会浪费计算资源，而且不会提高推荐模型性能。由此，本实施例对于预设阶邻居节点数大于或者等于预设阈值的图节点，通过采用广度优先方式搜索邻居节点，然后再对各阶传播层数中的邻居节点进行重采样方式选取邻居节点，这样在不增加计算资源的情况下，可以挖掘图节点更远的邻居信息，减少相似性高的邻居节点的聚合，从而可以提高推荐模型的模型性能。
在一个具体实现方式中，所述使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量具体包括：
搜索所述图节点的第一传播层数对应的所有邻居节点；
在一阶传播层数所包含的邻居节点中随机采样部分邻居节点，并采样到的部分邻居节点的嵌入向量进行聚合，以得到第一参考嵌入向量；
在二阶传播层数所包含的邻居节点中随机采样部分邻居节点，并将选取的部分邻居节点的嵌入向量聚合，以得到第二参考嵌入向量，依次类推直至第一传播层数以得到所述第一传播层数对应的第N参考嵌入向量；
根据获取到的所有参考嵌入向量确定所述图节点的目标嵌入向量。
具体地，第一传播层数为图节点在聚合邻域信息时所需要的邻居节点的最传播层数，也就是说，图节点在聚合邻域信息时，需要接收从一阶到最高阶所包括的邻居节点。此外，为了使得大于或者等于预设阈值的图节点可以获取到充足的邻居节点，所述第一传播层数所对应的所有邻居节点的总数量大于图节点在聚合邻域信息时所需要的邻居节点数量，其中，第一传播层数所对应的所有邻居节点的总数量等于一阶传播层数、二阶传播层数直至第一传播层数的所有传播层数所包含的邻居节点的数量和。在本实施的一个典型实现方式中，所述第一传播层数为3，当第一传播层数为3时，推荐模型可以具有较好的推荐效果。当然，在实际应用中，第一传播层数可以根据实际情况确定，例如，2,4等。
一阶传播层数采样的部分邻居节点、二阶传播层数采样的部分邻居节点，直至第一传播层数采样的部分邻居节点的总数量等于图节点在聚合邻域信息时所需要的邻居节点数量，其中，各阶传播层数采样的部分邻居节点的数量均小于所需要的邻居节点数量。例如，图节点在聚合邻域信息时所需要的邻居节点数量为k，一阶传播层数采样的部分邻居节点为s1，二阶传播层数采样的部分邻居节点为s2，...，第一传播层数采样的部分邻居节点为sl，那么s1+s2+...+sl＝k，其中，s1、s2、...、sl均小于k，且大于0。
在一个实现方式中，在各阶传播层数所包括的邻居节点中，采用随机方式选取部分邻居节点，并选取到的部分邻居节点的嵌入向量与图节点的嵌入向量进行聚合。其中，各阶传播层数各自对应的被选取的邻居节点的数量可以是预先设置的，也可以根据各阶传播层数各自包括的邻居节点的数量和所有阶传播层数所包括的邻居节点总数量与所需的邻居节点数量对比值确定等。此外，在实际应用中，由于各阶传播层数包括的邻居节点中可能存在同种类的邻居节点，从而在随机选取部分邻居节点时，可以按照邻居节点所处种类进行随机选取，也就是说，分别在各种类所包括的邻居节点中随机选取部分邻居节点。例如，图4所示的图节点u1对应一阶传播层数包括邻居节点i1、i2、i3和i4，其中，i1和i2为同一种类，i3和i4为同一种类，那么可以在i1和i2中选取一个邻居节点，在i3和i4中选取一个邻居节点。
举例说明：如图4所示的图节点u1，一阶传播层数包括i1、i2、i3和i4，i1和i2为是同类型的物品节点，节点i3和i4为同类型物品节点，，在一阶传播层数聚合邻居节点时，先随机采样图节点u1的部分一阶节点i1和i3作为图节点u1的邻居节点进行信息聚合传播得到第一嵌入向量；在第二次聚合邻居节点信息时，将第一次信息聚合中被采样的节点标记，在图节点u1的二阶传播层数包括的邻居节点中选取部分邻居节点进行聚合以得到第二嵌入向量，然后通过sumpooling生成图节点u1的目标嵌入向量，其中，第一次采样的邻居节点个数为
第二次采样的邻居节点个数为
那么
并且2k要小于图节点u1的二阶邻居节点总数S2，k为图节点u1在聚合邻域信息时所需要的邻居节点数量。
在一个具体实现方式中，ei和eu分别为物品图节点i和用户图节点u的初始嵌入向量，对于图结构数据中的每个“用户(u)-物品(i)”交互关系对，从物品到用户传递的信息范式为：
mi→u＝f(ei,eu,pui)
其中，用pui控制在边(u，i)上传播的衰减系数，其表达式为：
其中，Nu和Ni分别代表以u和i为目标节点时，该目标节点的一阶邻居数量。
每一层的之间的信息传播方式可以表示为一下形式：
其中，
代表当前层图节点u的embedding向量表示，
代表下一层图节点u的embedding向量表示。
由此，所述图节点为物品图节点和用户图节点的目标嵌入向量分别为：
其中，eu表示用户图节点的目标嵌入向量，αl表示l阶传播层的重要程度系数，
表示l阶传播层的用户图节点u的嵌入向量，ei表示物品图节点的目标嵌入向量，αl表示l阶传播层的重要程度系数，
表示l阶传播层的物品图节点u的嵌入向量。此外，值得说明的是，用户图节点的邻居节点为物品图节点，物品图节点的邻居节点为用户图节点。
S40、当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量。
具体地，当图节点的预设阶邻居节点数小于预设阈值时，说明图节点为低度节点，换句话说，图节点在每阶传播层数可以搜索到的邻居节点数量少，此时，为了避免低度节点能接收的传播信息少，而导致低度节点的嵌入向量信息不够充分，本实施例通过深度优先方式搜索所述图节点的邻居节点，使用深度优先方式沿图节点之间的交互连边往高阶深度搜索，直至搜索到的邻居节点数量等于预设数量后停止搜索，搜索的层数为低度节点的高阶邻域节点信息的层数，使得低度节点可以搜索到充足的邻居节点，以使其能够接收充足的传播信息。
对于图卷积的聚合方式，当需要聚合的高阶邻域层数过多时，会产生过度平滑(over-smooth)问题，其中，过度平滑问题是指，在图神经网络的训练过程中，随着网络层数的增加和迭代次数的增加，同一联通的每个节点的隐层表征会趋向于收敛到同一个值(即空间上的同一个位置)，每个节点的embedding嵌入信息将会趋于同一个值，无法区分不同类别的节点。
基于此，在一个实现方式中，引入残差嵌入向量，在目标节点进行一阶聚合的基础上，增加偶数阶邻居的局和路径，实现残差聚合操作，例如，如图5所示，实线箭头为一阶聚合路径，虚线箭头为残差聚合路径。这样通过增加残差聚合，可以增强高阶邻域信息在目标节点的表示学习中的作用，使目标节点在表示学习过程中学习到更完整的邻域信息，弥补图卷积方法在高阶邻居信息传递过程中的损失。相应的，所述当图节点的预设阶邻居节点数小于预设阈值时，获取所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量具体包括：
当图节点的预设阶邻居节点数小于预设阈值时，搜索所述图节点的第二传播层数对应的所有邻居节点，其中，第二传播层数大于第一传播层数；
对搜索到的邻居节点进行聚合以得到图节点对应的目标节点的候选嵌入向量，对搜索到的偶数层数的邻居节点进行聚合得到的残差嵌入向量；
基于所述候选嵌入向量和残差嵌入向量确定所述图节点对应的目标嵌入向量。
具体地，所述第二传播层数为图节点在聚合邻域信息时所需要的邻居节点的最传播层数，也就是说，图节点在聚合邻域信息时，需要接收从一阶到最高阶所包括的邻居节点。其中，所述第二传播层数所对应的所有邻居节点的总数量可以大于或者等于图节点在聚合邻域信息时所需要的邻居节点数量，以使得低度节点可以获取到预设数量的邻居节点，其中，预设数量为在聚合邻域信息时所需要的邻居节点的数量；其中，第一传播层数所对应的所有邻居节点的总数量等于一阶传播层数、二阶传播层数直至第一传播层数的所有传播层数所包含的邻居节点的数量和。
此外，经过发明人研究发现，当低度节点对应的第二传播层数达到一定程度后，第二传播层数的增加会使得低度节点的推荐下降，这是由于虽然第二传播层数增加，推荐模型能够增强低度节点的学习的泛化性，探索到更多目标节点可能感兴趣的物品，但是过高的探索层数，带来的噪声也会增多，影响推荐效果的稳定性。由此，在使得低度节点能够搜索到充足邻居节点的同时，还需要对第二传播层数进行限制，以保证推荐模型对低度节点的推荐效果。在一个典型实现方式中，所述第二传播层数为6，当第二传播层数为6时，推荐模型可以具有较好的推荐效果。当然，在实际应用中，第二传播层数为6时，搜索到的邻居节点数量可以小于或者等于预设数量，也可以大于预设数量，而当大于预设数量时，也可以对搜索到邻居节点采用重采样方式进行选取和聚合，以使得聚合预设数量的邻居节点。
在本实施例的一个实现方式中，ei和eu分别为物品图节点i和用户图节点u的初始嵌入向量，物品图节点和用户图节点各自对应的残差嵌入向量分别表示为：
相应的，物品图节点和用户图节点各自对应的目标嵌入向量分别表示为：
其中，αl为每一层的重要程度系数，是一个可调整的超参数。在实际应用中，
S50、基于各图节点的目标嵌入向量对推荐模型进行训练，并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。
具体地，在基于各图节点的目标嵌入向量对推荐模型进行训练时，可采用内机确定每个用户图节点对应物品图节点的预测得分，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，所述基于各图节点的目标嵌入向量对推荐模型进行训练具体包括：
对于图结构数据的各用户图节点，提取用户图节点的目标嵌入向量和各物品图节点的目标嵌入向量；
计算用户图节点的目标嵌入向量与各物品提节点的目标嵌入向量的内积以得到各用户图节点与各物品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
其中，
为用户图节点的目标嵌入向量的转置，ei为物品图节点的目标嵌入向量。在获取到预测交互得分后，可以采用用BPR损失函数进行模型的训练，其中，用BPR损失函数的表达式为：
其中，Nu为目标结点的邻居节点的邻居节点，
为正样本得分，
为未观测数据负样本的得分，λ为正则系数，||E(0)||2为正则项。
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自适应框架的图卷积推荐方法，所述的方法包括：基于用户历史交互数据集构建用户与物品交互关系的图结构数据；获取图结构数据中的各图节点的预设阶邻居节点数；当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量；当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量；基于各图节点的目标嵌入向量对推荐模型进行训练，并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。本申请通过预设阶邻居节点数对图节点进行区分，并对大于预设阶邻居节点数的高度节点进行广度优先搜索邻居节点，对小于预设阶邻居节点数的低度节点进行深度优先搜索邻居节点，使得推荐模型可以学习到不同图节点的优势嵌入向量，提升推荐模型的推荐的准确率以及提高模型的泛化效果，进而提高推荐准确性。
基于上述基于自适应框架的图卷积推荐方法，本实施例提供了一种基于自适应框架的图卷积推荐系统，如图6所示，所述的推荐系统包括：
构建模块100，用于基于用户历史交互数据集构建用户与物品交互关系的图结构数据；
获取模块200，用于获取图结构数据中的各图节点的预设阶邻居节点数；
第一搜索模块300，用于当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量；
第二搜索模块400，用于当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量，其中，使用深度优先方式搜索的图节点对应的传播层数大于使用广度优先方式搜索的图节点对应的传播层数；
推荐模块500，用于基于各图节点的目标嵌入向量对推荐模型进行训练，并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。
基于上述基于自适应框架的图卷积推荐方法，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自适应框架的图卷积推荐方法中的步骤。
基于上述基于自适应框架的图卷积推荐方法，本申请还提供了一种终端设备，如图7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)
1.一种基于自适应框架的图卷积推荐方法，其特征在于，所述的方法包括：
基于用户历史交互数据集构建用户与物品交互关系的图结构数据；
获取图结构数据中的各图节点的预设阶邻居节点数；
当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量；
当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量，其中，使用深度优先方式搜索的图节点对应的传播层数大于使用广度优先方式搜索的图节点对应的传播层数；
基于各图节点的目标嵌入向量对推荐模型进行训练，并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。
2.根据权利要求1所述的基于自适应框架的图卷积推荐方法，其特征在于，所述使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量具体包括：
搜索所述图节点的第一传播层数对应的所有邻居节点；
在一阶传播层数所包含的邻居节点中随机采样部分邻居节点，并采样到的部分邻居节点的嵌入向量进行聚合，以得到第一参考嵌入向量；
在二阶传播层数所包含的邻居节点中随机采样部分邻居节点，并将选取的部分邻居节点的嵌入向量聚合，以得到第二参考嵌入向量，依次类推直至第一传播层数以得到所述第一传播层数对应的第N参考嵌入向量；
根据获取到的所有参考嵌入向量确定所述图节点的目标嵌入向量。
3.根据权利要求2所述的基于自适应框架的图卷积推荐方法，其特征在于，所述图节点对应的目标嵌入向量为：
其中，eu表示目标嵌入向量，αl表示l阶传播层的重要程度系数，
表示l阶传播层的图节点u的嵌入向量，
表示l+1阶传播层的图节点u的嵌入向量，
表示l阶传播层的图节点u的邻居节点i的嵌入向量，Ni表示图节点u的一阶传播层的邻居节点，|Nu|表示图节点u的一阶传播层的邻居节点数量，|Ni|表示图节点i的一阶传播层的邻居节点数量。
4.根据权利要求1所述基于自适应框架的图卷积推荐方法，其特征在于，所述当图节点的预设阶邻居节点数小于预设阈值时，获取所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量具体包括：
当图节点的预设阶邻居节点数小于预设阈值时，搜索所述图节点的第二传播层数对应的所有邻居节点，其中，第二传播层数大于第一传播层数；
对搜索到的邻居节点进行聚合以得到图节点对应的目标节点的候选嵌入向量，对搜索到的偶数层数的邻居节点进行聚合得到的残差嵌入向量；
基于所述候选嵌入向量和残差嵌入向量确定所述图节点对应的目标嵌入向量。
5.根据权利要求4所述的基于自适应框架的图卷积推荐方法，其特征在于，所述目标嵌入向量为：
其中，eu表示目标嵌入向量，αl表示l阶传播层的重要程度系数，
表示l阶传播层的图节点u的候选嵌入向量，
表示l+1阶传播层的图节点u的候选嵌入向量，
表示l阶传播层的图节点u的邻居节点i的候选嵌入向量，
表示l阶传播层的图节点u的残差嵌入向量，Ni表示图节点u的一阶传播层的邻居节点，|Nu|表示图节点u的一阶传播层的邻居节点数量，|Ni|表示图节点i的一阶传播层的邻居节点数量。
6.根据权利要求1所述的基于自适应框架的图卷积推荐方法，其特征在于，所述基于各图节点的目标嵌入向量对推荐模型进行训练具体包括：
对于图结构数据的各用户图节点，提取用户图节点的目标嵌入向量和各物品图节点的目标嵌入向量；
计算用户图节点的目标嵌入向量与各物品提节点的目标嵌入向量的内积以得到各用户图节点与各物品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。
7.根据权利要求1所述的基于自适应框架的图卷积推荐方法，其特征在于，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。
8.一种基于自适应框架的图卷积推荐系统，其特征在于，所述的推荐系统包括：
构建模块，用于基于用户历史交互数据集构建用户与物品交互关系的图结构数据；
获取模块，用于获取图结构数据中的各图节点的预设阶邻居节点数；
第一搜索模块，用于当图节点的预设阶邻居节点数大于或者等于预设阈值时，使用广度优先方式搜索所述图节点的邻居节点并聚合以得到所述图节点对应的目标嵌入向量；
第二搜索模块，用于当图节点的预设阶邻居节点数小于预设阈值时，使用深度优先方式搜索所述图节点的邻居节点并进行聚合以得到所述图节点对应的目标嵌入向量，其中，使用深度优先方式搜索的图节点对应的传播层数大于使用广度优先方式搜索的图节点对应的传播层数；
推荐模块，用于基于各图节点的目标嵌入向量对推荐模型进行训练，并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。
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自适应框架的图卷积推荐方法中的步骤。
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自适应框架的图卷积推荐方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210176989.6A CN114548296A (zh) | 2022-02-24 | 2022-02-24 | 一种基于自适应框架的图卷积推荐方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210176989.6A CN114548296A (zh) | 2022-02-24 | 2022-02-24 | 一种基于自适应框架的图卷积推荐方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548296A true CN114548296A (zh) | 2022-05-27 |
Family
ID=81679115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210176989.6A Pending CN114548296A (zh) | 2022-02-24 | 2022-02-24 | 一种基于自适应框架的图卷积推荐方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548296A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764858A (zh) * | 2022-06-15 | 2022-07-19 | 深圳大学 | 复制粘贴图像识别方法、装置、计算机设备及存储介质 |
| CN117540105A (zh) * | 2024-01-09 | 2024-02-09 | 浙江大学 | 一种增强图推荐模型鲁棒性的方法、装置及一种推荐方法 |
| CN118428993A (zh) * | 2024-07-04 | 2024-08-02 | 青岛科技大学 | 基于动态取样和自适应特征融合的个性化兼容性建模方法和系统 |
-
2022
- 2022-02-24 CN CN202210176989.6A patent/CN114548296A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764858A (zh) * | 2022-06-15 | 2022-07-19 | 深圳大学 | 复制粘贴图像识别方法、装置、计算机设备及存储介质 |
| CN117540105A (zh) * | 2024-01-09 | 2024-02-09 | 浙江大学 | 一种增强图推荐模型鲁棒性的方法、装置及一种推荐方法 |
| CN117540105B (zh) * | 2024-01-09 | 2024-04-16 | 浙江大学 | 一种增强图推荐模型鲁棒性的方法、装置及一种推荐方法 |
| CN118428993A (zh) * | 2024-07-04 | 2024-08-02 | 青岛科技大学 | 基于动态取样和自适应特征融合的个性化兼容性建模方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
| CN110119474B (zh) | 推荐模型训练方法、基于推荐模型的预测方法及装置 | |
| CN114548296A (zh) | 一种基于自适应框架的图卷积推荐方法及相关装置 | |
| CN110619081B (zh) | 一种基于交互图神经网络的新闻推送方法 | |
| CN110009430B (zh) | 作弊用户检测方法、电子设备及计算机可读存储介质 | |
| CN111708876B (zh) | 生成信息的方法和装置 | |
| CN111382555A (zh) | 数据处理方法、介质、装置和计算设备 | |
| CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
| CN112085525A (zh) | 一种基于混合模型的用户网络购买行为预测研究方法 | |
| CN112199600A (zh) | 目标对象识别方法和装置 | |
| CN116601626A (zh) | 个人知识图谱构建方法、装置及相关设备 | |
| CN112084435A (zh) | 搜索排序模型训练方法及装置、搜索排序方法及装置 | |
| CN114691525A (zh) | 测试用例的选择方法及装置 | |
| CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
| CN115186085A (zh) | 回复内容处理方法以及媒体内容互动内容的交互方法 | |
| CN116227467A (zh) | 模型的训练方法、文本处理方法及装置 | |
| CN115438169A (zh) | 一种文本与视频的互检方法、装置、设备及存储介质 | |
| CN113032676A (zh) | 基于微反馈的推荐方法和系统 | |
| CN110851708B (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
| CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
| CN115545833A (zh) | 一种基于用户社交信息的推荐方法及系统 | |
| CN115344794A (zh) | 一种基于知识图谱语义嵌入的旅游景点推荐方法 | |
| CN116127083A (zh) | 内容推荐方法、装置、设备及存储介质 | |
| CN112749082B (zh) | 一种基于de-th算法的测试用例生成方法及系统 | |
| CN114332472A (zh) | 一种基于图神经网络的数据处理方法及装置 |
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 |