CN114861065A - 基于多行为的级联残差图卷积网络的个性化推荐方法 - Google Patents
基于多行为的级联残差图卷积网络的个性化推荐方法 Download PDFInfo
- Publication number
- CN114861065A CN114861065A CN202210613362.2A CN202210613362A CN114861065A CN 114861065 A CN114861065 A CN 114861065A CN 202210613362 A CN202210613362 A CN 202210613362A CN 114861065 A CN114861065 A CN 114861065A
- Authority
- CN
- China
- Prior art keywords
- user
- residual
- residual error
- module
- item
- 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.)
- Granted
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Abstract
一种基于多行为的级联残差图卷积网络的个性化推荐方法,利用多行为数据缓解了目标行为数据稀疏性问题,并从向量表达层面探索了不同行为之间的联系,从而不断对用户偏好进行细化,到达提升推荐性能的目的;我们设计了一个级联残差图卷积网络(GCN)结构,它使我们的模型能够通过不断细化不同类型行为之间的用户嵌入来学习用户偏好。采用多任务学习方法对不同行为进行联合优化模型。同时模型采用了轻量级的设计,具有更少的参数,与更高的计算效率。
Description
技术领域
本发明涉及推荐系统领域,具体涉及一种基于多行为的级联残差图卷积网络的个性化推荐方法。
背景技术
多行为推荐利用多种类型的用户-物品交互,如浏览和加购物车,来学习用户偏好,并已被证明是一种有效的解决方案,以缓解传统模型所面临的数据稀疏性问题,而传统模型通常只使用一种类型的交互来进行推荐。在真实场景中,用户通常会采取一系列动作与物品互动,以获得更多关于物品的信息,从而准确地评估物品是否符合个人偏好。这些交互行为通常服从一定的顺序,更重要的是,不同的行为揭示了用户对目标物品偏好的不同信息或方面。现有的多行为推荐方法大多采用先从不同行为中分别提取信息,然后将其融合进行最终预测。然而,他们并没有利用不同行为之间的联系来学习用户的偏好。此外,它们往往会引入复杂的模型结构和更多的参数来建模多种行为,这在很大程度上增加了空间和时间的复杂性。
发明内容
本发明为了克服以上技术的不足,提供了一种按照行为发生顺序级联建模多种行为的方法,明确地将多行为信息之间的偏好依赖关系融入到用户向量表达的学习中,并提出在不同的行为发生的顺序中逐步更新用户的偏好,进而提升个性化推荐效果的方法。
本发明克服其技术问题所采用的技术方案是:
一种基于多行为的级联残差图卷积网络的个性化推荐方法,包括:
a)对平台收集到的多种行为下的交互记录数据进行预处理,将预处理后的交互记录数据划分为训练集和测试集,保存训练集和测试集中用户ID和物品ID;
b)构建级联残差网络模型,该网络模型由N个残差模块组成,N为平台收集到的行为的数量,每个残差模块中设置有一个GCN网络;
c)初始化训练集中用户和物品的向量表示,将用户和物品的向量表示输入到级联残差网络模型中,得到每个残差模块输出的用户的向量表示和物品的向量表示;
d)训级联残差网络模型,得到训练后的级联残差网络模型最后一个残差模块输出的用户的向量表示和物品的向量表示;
e)计算训练后的级联残差网络模型的最后一个残差模块的用户对商品的偏好程度得分,利用偏好程度得分进行个性化推荐。
进一步的,步骤a)中的对平台收集到的多种行为下的交互记录数据进行预处理的方法为:过滤掉交互记录数据中购买行为中的交互数小于阈值的用户与物品。优选的,阈值取值为5。
优选的,步骤a)中按8:2的比例将预处理后的交互记录数据划分为训练集和测试集。
进一步的,步骤c)包括如下步骤:
c-1)将训练集中用户ID和物品ID分别映射成one-hot向量矩阵IDU和IDI,初始化用户ID的嵌入矩阵P、初始化物品ID的嵌入矩阵Q,P∈RA×d,Q∈RB×d,其中R为实数空间,A为用户总数量,B为物品总数量,d为嵌入向量的长度;
c-2)根据公式计算得到用户ID的嵌入表达式中为one-hot向量矩阵IDU中第u个用户的one-hot向量编码,u∈{1,2,...,A},根据公式计算得到物品ID的嵌入表达式中为one-hot向量矩阵IDI中第i个物品的one-hot向量编码,i∈{1,2,...,B};
进一步的,步骤d)包括如下步骤:
d-3)对第n个残差模块的数据集进行随机抽取三元组(u,i+,i-),i+∈(0,B)为正样本物品,i-∈(0,B)为负样本物品,正样本物品为用户u在第n个残差模块中交互过的商品的数据,负样本物品为用户u在第n个残差模块中未交互过的商品的数据;
d-4)通过公式计算得到第n个残差模块的损失Ln,式中O={(u,i+,i-)|(u,i+)∈R+,(u,i-)∈R-},R+为用户和商品在第n个残差模块中的交互数据集,R-为用户和商品在第n个残差模块中的随机获得的负样例集合,σ(·)为sigmoid函数;
d-5)通过公式L=∑n∈(1,N)Ln+β||Θ||2计算得到总损失L,β为正则化权重,Θ为模型参数,通过总损失L利用梯度下降法训级联残差网络模型,得到反向传播更新初始化的用户的用户ID的嵌入表达和物品ID的嵌入表达
本发明的有益效果是:利用多行为数据缓解了目标行为数据稀疏性问题,并从向量表达层面探索了不同行为之间的联系,从而不断对用户偏好进行细化,到达提升推荐性能的目的;我们设计了一个级联残差图卷积网络(GCN)结构,它使我们的模型能够通过不断细化不同类型行为之间的用户嵌入来学习用户偏好。采用多任务学习方法对不同行为进行联合优化模型。同时模型采用了轻量级的设计,具有更少的参数,与更高的计算效率。
附图说明
图1为本发明的方法流程图;
图2为本发明的模型结构图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种基于多行为的级联残差图卷积网络的个性化推荐方法,包括:
a)对平台收集到的多种行为下的交互记录数据进行预处理,将预处理后的交互记录数据划分为训练集和测试集,保存训练集和测试集中用户ID和物品ID。
b)构建级联残差网络模型,该网络模型由N个残差模块组成,N为平台收集到的行为的数量,每个残差模块中设置有一个GCN网络。
c)初始化训练集中用户和物品的向量表示,将用户和物品的向量表示输入到级联残差网络模型中,得到每个残差模块输出的用户的向量表示和物品的向量表示。
d)训级联残差网络模型,得到训练后的级联残差网络模型最后一个残差模块输出的用户的向量表示和物品的向量表示。
e)计算训练后的级联残差网络模型的最后一个残差模块的用户对商品的偏好程度得分,利用偏好程度得分进行个性化推荐。
利用多行为数据缓解了目标行为数据稀疏性问题,并从向量表达层面探索了不同行为之间的联系,从而不断对用户偏好进行细化,到达提升推荐性能的目的;我们设计了一个级联残差图卷积网络(GCN)结构,它使我们的模型能够通过不断细化不同类型行为之间的用户嵌入来学习用户偏好。采用多任务学习方法对不同行为进行联合优化模型。同时模型采用了轻量级的设计,具有更少的参数,与更高的计算效率。
实施例1:
步骤a)中的对平台收集到的多种行为下的交互记录数据进行预处理的方法为:
过滤掉交互记录数据中购买行为中的交互数小于阈值的用户与物品。
实施例2:
优选的,阈值取值为5。
实施例3:
步骤a)中按8:2的比例将预处理后的交互记录数据划分为训练集和测试集。
实施例4:
步骤c)包括如下步骤:
c-1)将训练集中用户ID和物品ID分别映射成one-hot向量矩阵IDU和IDI,初始化用户ID的嵌入矩阵P、初始化物品ID的嵌入矩阵Q,P∈RA×d,Q∈RB×d,其中R为实数空间,A为用户总数量,B为物品总数量,d为嵌入向量的长度。
c-2)根据公式计算得到用户ID的嵌入表达式中为one-hot向量矩阵IDU中第u个用户的one-hot向量编码,u∈{1,2,...,A},根据公式计算得到物品ID的嵌入表达式中为one-hot向量矩阵IDI中第i个物品的one-hot向量编码,i∈{1,2,...,B}。
实施例5:
步骤d)包括如下步骤:
d-3)对第n个残差模块的数据集进行随机抽取三元组(u,i+,i-),i+∈(0,B)为正样本物品,i-∈(0,B)为负样本物品,正样本物品为用户u在第n个残差模块中交互过的商品的数据,负样本物品为用户u在第n个残差模块中未交互过的商品的数据。
d-4)通过公式计算得到第n个残差模块的损失Ln,式中O={(u,i+,i-)|(u,i+)∈R+,(u,i-)∈R-},R+为用户和商品在第n个残差模块中的交互数据集,R-为用户和商品在第n个残差模块中的随机获得的负样例集合,σ(·)为sigmoid函数。
d-5)通过公式L=∑n∈(1,N)Ln+β||Θ||2计算得到总损失L,β为正则化权重,Θ为模型参数,通过总损失L利用梯度下降法训级联残差网络模型,得到反向传播更新初始化的用户的用户ID的嵌入表达和物品ID的嵌入表达
实施例6:
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于多行为的级联残差图卷积网络的个性化推荐方法,其特征在于,包括:
a)对平台收集到的多种行为下的交互记录数据进行预处理,将预处理后的交互记录数据划分为训练集和测试集,保存训练集和测试集中用户ID和物品ID;
b)构建级联残差网络模型,该网络模型由N个残差模块组成,N为平台收集到的行为的数量,每个残差模块中设置有一个GCN网络;
c)初始化训练集中用户和物品的向量表示,将用户和物品的向量表示输入到级联残差网络模型中,得到每个残差模块输出的用户的向量表示和物品的向量表示;
d)训级联残差网络模型,得到训练后的级联残差网络模型最后一个残差模块输出的用户的向量表示和物品的向量表示;
e)计算训练后的级联残差网络模型的最后一个残差模块的用户对商品的偏好程度得分,利用偏好程度得分进行个性化推荐。
2.根据权利要求1所述的基于多行为的级联残差图卷积网络的个性化推荐方法,其特征在于,步骤a)中的对平台收集到的多种行为下的交互记录数据进行预处理的方法为:过滤掉交互记录数据中购买行为中的交互数小于阈值的用户与物品。
3.根据权利要求2所述的基于多行为的级联残差图卷积网络的个性化推荐方法,其特征在于:所述阈值取值为5。
4.根据权利要求1所述的基于多行为的级联残差图卷积网络的个性化推荐方法,其特征在于:步骤a)中按8:2的比例将预处理后的交互记录数据划分为训练集和测试集。
5.根据权利要求1所述的基于多行为的级联残差图卷积网络的个性化推荐方法,其特征在于,步骤c)包括如下步骤:
c-1)将训练集中用户ID和物品ID分别映射成one-hot向量矩阵IDU和IDI,初始化用户ID的嵌入矩阵P、初始化物品ID的嵌入矩阵Q,P∈RA×d,Q∈RB×d,其中R为实数空间,A为用户总数量,B为物品总数量,d为嵌入向量的长度;
c-2)根据公式计算得到用户ID的嵌入表达式中为one-hot向量矩阵IDU中第u个用户的one-hot向量编码,u∈{1,2,...,A},根据公式计算得到物品ID的嵌入表达式中为one-hot向量矩阵IDI中第i个物品的one-hot向量编码,i∈{1,2,...,B};
6.根据权利要求5所述的基于多行为的级联残差图卷积网络的个性化推荐方法,其特征在于,步骤d)包括如下步骤:
d-3)对第n个残差模块的数据集进行随机抽取三元组(u,i+,i-),i+∈(0,B)为正样本物品,i-∈(0,B)为负样本物品,正样本物品为用户u在第n个残差模块中交互过的商品的数据,负样本物品为用户u在第n个残差模块中未交互过的商品的数据;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210613362.2A CN114861065B (zh) | 2022-05-31 | 2022-05-31 | 基于多行为的级联残差图卷积网络的个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210613362.2A CN114861065B (zh) | 2022-05-31 | 2022-05-31 | 基于多行为的级联残差图卷积网络的个性化推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861065A true CN114861065A (zh) | 2022-08-05 |
CN114861065B CN114861065B (zh) | 2023-06-06 |
Family
ID=82641177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210613362.2A Active CN114861065B (zh) | 2022-05-31 | 2022-05-31 | 基于多行为的级联残差图卷积网络的个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861065B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645174A (zh) * | 2023-07-27 | 2023-08-25 | 山东省人工智能研究院 | 基于解耦多行为表征学习的个性化推荐方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
US20200279156A1 (en) * | 2017-10-09 | 2020-09-03 | Intel Corporation | Feature fusion for multi-modal machine learning analysis |
CN112487143A (zh) * | 2020-11-30 | 2021-03-12 | 重庆邮电大学 | 一种基于舆情大数据分析的多标签文本分类方法 |
CN112650933A (zh) * | 2021-01-06 | 2021-04-13 | 大连理工大学 | 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法 |
CN113255844A (zh) * | 2021-07-06 | 2021-08-13 | 中国传媒大学 | 基于图卷积神经网络交互的推荐方法及系统 |
US20210390394A1 (en) * | 2020-06-11 | 2021-12-16 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating recommendation model, content recommendation method and apparatus, device and medium |
US20210398439A1 (en) * | 2020-06-18 | 2021-12-23 | The Hong Kong University Of Science And Technology | Peer-inspired student performance prediction in interactive online question pools with graph neural network |
CN113850317A (zh) * | 2021-09-23 | 2021-12-28 | 陕西师范大学 | 一种多种类邻居聚合的图卷积推荐方法及系统 |
CN114220154A (zh) * | 2021-12-20 | 2022-03-22 | 王越 | 一种基于深度学习的微表情特征提取与识别方法 |
-
2022
- 2022-05-31 CN CN202210613362.2A patent/CN114861065B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200279156A1 (en) * | 2017-10-09 | 2020-09-03 | Intel Corporation | Feature fusion for multi-modal machine learning analysis |
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
US20210390394A1 (en) * | 2020-06-11 | 2021-12-16 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating recommendation model, content recommendation method and apparatus, device and medium |
US20210398439A1 (en) * | 2020-06-18 | 2021-12-23 | The Hong Kong University Of Science And Technology | Peer-inspired student performance prediction in interactive online question pools with graph neural network |
CN112487143A (zh) * | 2020-11-30 | 2021-03-12 | 重庆邮电大学 | 一种基于舆情大数据分析的多标签文本分类方法 |
CN112650933A (zh) * | 2021-01-06 | 2021-04-13 | 大连理工大学 | 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法 |
CN113255844A (zh) * | 2021-07-06 | 2021-08-13 | 中国传媒大学 | 基于图卷积神经网络交互的推荐方法及系统 |
CN113850317A (zh) * | 2021-09-23 | 2021-12-28 | 陕西师范大学 | 一种多种类邻居聚合的图卷积推荐方法及系统 |
CN114220154A (zh) * | 2021-12-20 | 2022-03-22 | 王越 | 一种基于深度学习的微表情特征提取与识别方法 |
Non-Patent Citations (2)
Title |
---|
何昊晨;张丹红;: "基于多维社交关系嵌入的深层图神经网络推荐方法", 计算机应用, no. 10 * |
杜逸超;徐童;马建辉;陈恩红;郑毅;刘同柱;童贵显;: "一种基于深度神经网络的临床记录ICD自动编码方法", 大数据, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645174A (zh) * | 2023-07-27 | 2023-08-25 | 山东省人工智能研究院 | 基于解耦多行为表征学习的个性化推荐方法 |
CN116645174B (zh) * | 2023-07-27 | 2023-10-17 | 山东省人工智能研究院 | 基于解耦多行为表征学习的个性化推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114861065B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111507768B (zh) | 一种潜在用户的确定方法及相关装置 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN111881342A (zh) | 一种基于图孪生网络的推荐方法 | |
CN109657156A (zh) | 一种基于循环生成对抗网络的个性化推荐方法 | |
CN107423442A (zh) | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 | |
CN109948029A (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN111475730A (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN109034228B (zh) | 一种基于差分隐私和层级相关性传播的图像分类方法 | |
CN112465120A (zh) | 一种基于进化方法的快速注意力神经网络架构搜索方法 | |
CN111881671B (zh) | 一种属性词提取方法 | |
CN112487193B (zh) | 一种基于自编码器的零样本图片分类方法 | |
CN111241394A (zh) | 数据处理方法、装置、计算机可读存储介质及电子设备 | |
CN114511737B (zh) | 图像识别域泛化模型的训练方法 | |
CN112381179A (zh) | 一种基于双层注意力机制的异质图分类方法 | |
CN112308115A (zh) | 一种多标签图像深度学习分类方法及设备 | |
CN112861006A (zh) | 融合元路径语义的推荐方法及系统 | |
CN110442802A (zh) | 一种社交用户的多行为偏好预测方法 | |
CN110874392B (zh) | 基于深度双向注意力机制的文本网络信息融合嵌入方法 | |
CN108805291B (zh) | 一种网络表示学习模型的训练方法及服务器 | |
CN114861065B (zh) | 基于多行为的级联残差图卷积网络的个性化推荐方法 | |
CN110569355B (zh) | 一种基于词块的观点目标抽取和目标情感分类联合方法及系统 | |
CN114997476A (zh) | 一种融合商品关联关系的商品预测方法 | |
CN115482418A (zh) | 基于伪负标签的半监督模型训练方法、系统及应用 | |
CN113409157A (zh) | 一种跨社交网络用户对齐方法以及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |