CN114861072A - 一种基于层间组合机制的图卷积网络推荐方法及装置 - Google Patents

一种基于层间组合机制的图卷积网络推荐方法及装置 Download PDF

Info

Publication number
CN114861072A
CN114861072A CN202210782449.2A CN202210782449A CN114861072A CN 114861072 A CN114861072 A CN 114861072A CN 202210782449 A CN202210782449 A CN 202210782449A CN 114861072 A CN114861072 A CN 114861072A
Authority
CN
China
Prior art keywords
user
commodity
graph
entity
graph convolution
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
Application number
CN202210782449.2A
Other languages
English (en)
Other versions
CN114861072B (zh
Inventor
陈嘉俊
杨国正
张益维
钟礼斌
臧铖
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.)
Yiqiyin Hangzhou Technology Co ltd
China Zheshang Bank Co Ltd
Original Assignee
Yiqiyin Hangzhou Technology Co ltd
China Zheshang Bank Co Ltd
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 Yiqiyin Hangzhou Technology Co ltd, China Zheshang Bank Co Ltd filed Critical Yiqiyin Hangzhou Technology Co ltd
Priority to CN202210782449.2A priority Critical patent/CN114861072B/zh
Publication of CN114861072A publication Critical patent/CN114861072A/zh
Application granted granted Critical
Publication of CN114861072B publication Critical patent/CN114861072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于层间组合机制的图卷积网络推荐方法及装置，首先构建用户‑项目历史交互记录集合，构建商品的知识图谱，构建项目‑商品实体对齐集合，将用户和项目的交互行为与商品的知识图谱进行编码整合至统一的关系图数据结构中，生成用户与商品的协同知识图谱；然后通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作，提取用户和商品特征；最后依次计算用户与各个商品特征向量的内积，按照内积的大小进行排序召回，最后将商品推荐给用户。本发明能够有效缓解传统基于图卷积网络推荐方法中的过度平滑问题，同时有着较强的泛化能力，从而提高推荐结果准确率。

Description

一种基于层间组合机制的图卷积网络推荐方法及装置
技术领域
本发明属于商品推荐技术领域，具体涉及一种基于层间组合机制的图卷积网络推荐方法及装置。
背景技术
现实生活中许多数据并不具备规则的空间结构，如交易流水、社交网络、分子结构等非欧氏空间的图数据。这些图数据结构中每个节点的相邻结构都不尽相同。在上述图数据中，需要同时考虑节点的特征信息和结构信息，如果仅靠手工规则提取，将会失去很多隐蔽复杂的模式信息。图卷积网络(Graph Convolutional Network, GCN)作为一种对图数据进行深度学习的方法，通过在图中节点和边上制定相应的策略，将图数据结构转化为规范标准的表示，输入到多种不同的神经网络中进行训练，在节点分类、边信息传播和图聚类等任务上取得了优秀的成果，与其他图学习算法相比较，GCN能够学习到节点和边的结构特征以及更深层次的语义特征。由于对图结构数据强大的非线性拟合能力，在不同领域的图相关问题上，例如信息检索、推荐系统、贷款欺诈分析等场景中，GCN都表现出更高的准确率和更好的鲁棒性。
虽然图卷积网络在图结构数据上有着强大特征提取能力，但随着卷积层数和迭代次数的增加，非欧氏数据同一连通分量内的节点特征会趋向于收敛到相同的值，进而丢失节点自身的特征信息，该现象称为过度平滑问题(over-smoothing)。
发明内容
本发明目的在于针对现有技术的不足，提出一种基于层间组合机制的图卷积网络推荐方法及装置，能够缓解传统图卷积网络的过度平滑的问题。
本发明的目的是通过以下技术方案来实现的：第一方面，本发明提供了一种基于层间组合机制的图卷积网络推荐方法，该方法包括：
S1构建用户-项目历史交互记录集合；并构建商品的知识图谱；
S2基于用户-项目历史交互记录集合和商品的知识图谱构建项目-商品实体对齐集合；
S3基于项目-商品实体对齐集合，将用户和项目的交互行为与商品的知识图谱进行编码整合至统一的关系图数据结构中，生成用户与商品的协同知识图谱；
S4通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作，提取用户和商品特征；具体为：对每个节点与其当前卷积层的邻居节点执行特征信息的图卷积操作，再对图卷积得到的特征信息执行非线性变换生成特征向量，然后进行下一层的图卷积操作，直到当前卷积层数大于预设的卷积层数，将不同层求得的特征向量进行加权求和从而生成协同知识图谱中节点的最终特征向量表示；
S5依次计算用户与各个商品特征向量的内积，按照内积的大小进行排序召回，最后将商品推荐给用户。
进一步地，用户-项目历史交互记录集合中，用户
Figure 667446DEST_PATH_IMAGE001
和项目
Figure 319008DEST_PATH_IMAGE002
交互记录使用变量
Figure 426641DEST_PATH_IMAGE003
表示，若
Figure 290692DEST_PATH_IMAGE004
则表示用户
Figure 698539DEST_PATH_IMAGE001
和项目
Figure 989843DEST_PATH_IMAGE002
有过交互行为，否则
Figure 850352DEST_PATH_IMAGE005
。
进一步地，在项目-商品实体对齐集合中，，使用二元组
Figure 518094DEST_PATH_IMAGE006
代表交互记录中的项 目与商品的知识图谱中的商品实体e存在一一对应的关系。
进一步地，构建用户与商品的协同知识图谱的具体步骤为：
S31 遍历用户-项目历史交互记录：在用户
Figure 780448DEST_PATH_IMAGE001
的列表中添加项目
Figure 242653DEST_PATH_IMAGE002
，在项目
Figure 590458DEST_PATH_IMAGE002
的列表 中添加用户
Figure 61890DEST_PATH_IMAGE001
；
S32 对商品知识图谱中的每个三元组执行遍历操作；如果项目-商品实体对齐集合中包含三元组的头实体且与头实体产生过交互行为的用户存在于历史交互记录集合中，则在该用户的列表中添加该三元组的尾实体；否则直接在头实体的列表中添加对应的尾实体；
S33 在尾实体的列表中添加头实体；
S34遍历结束后，得到协同知识图谱。
进一步地，图卷积操作定义为：
Figure 54117DEST_PATH_IMAGE007
其中，
Figure 80366DEST_PATH_IMAGE008
为对称归一化正则项，
Figure 790834DEST_PATH_IMAGE009
代表与商品
Figure 659432DEST_PATH_IMAGE010
有过交互行为的用户集合，
Figure 771745DEST_PATH_IMAGE011
代表与用户
Figure 700387DEST_PATH_IMAGE012
产生过交互行为的商品集合，
Figure 898150DEST_PATH_IMAGE013
为商品的第k层特征向量，
Figure 570440DEST_PATH_IMAGE014
为用户的第 k层特征向量，图卷积的聚合操作中对象仅为目标实体的邻居实体，目标实体本身并不参与 聚合操作。
进一步地，图卷积网络经过预设的k层特征传播后，将不同层求得的特征向量进行加权求和，从而生成用户或商品实体的特征向量表示：
Figure 537259DEST_PATH_IMAGE015
其中，
Figure 167960DEST_PATH_IMAGE016
表示第k层特征向量在最终加权求和过程中的贡献度，即组合权重，
Figure 587440DEST_PATH_IMAGE016
等 于
Figure 63421DEST_PATH_IMAGE017
，
Figure 884746DEST_PATH_IMAGE018
为加权求和后的用户特征向量，
Figure 420770DEST_PATH_IMAGE019
为加权求和后的商品特征向量。
进一步地，用于商品推荐的排序分数由用户与商品实体各自最终的特征向量内积相乘得到，具体计算：
Figure 327546DEST_PATH_IMAGE020
其中，
Figure 341638DEST_PATH_IMAGE021
表示用户
Figure 548629DEST_PATH_IMAGE022
与商品
Figure 992904DEST_PATH_IMAGE023
的内积相乘结果，T表示转置。
第二方面，本发明还提供了一种基于层间组合机制的图卷积网络推荐装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的基于层间组合机制的图卷积网络推荐方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现所述的基于层间组合机制的图卷积网络推荐方法。
本发明的有益效果是：本发明改进了传统图卷积网络的特征生成方式，能够有效缓解传统基于图卷积网络推荐方法中的过度平滑问题，同时有着较强的泛化能力，提高推荐结果的准确率。另外在图卷积操作过程中引入了对称归一正则项，可以控制协同知识图谱不会随着卷积运算的迭代生成过大的特征矩阵，从而避免图卷积网络在训练过程中因计算存储开销太大而出现无法收敛的情况。
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，下面将对实施例或现有技术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为本发明实施例之一的一种基于层间组合机制的图卷积网络推荐方法流程图。
图2为本发明实施例之一的协同知识图谱构建流程图。
图3为本发明实施例之一的计算协同知识图谱节点特征的图卷积网络架构图。
图4为本发明实施例之一的一种基于层间组合机制的图卷积网络推荐装置结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明，应当理解，此处描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供了一种基于层间组合机制的图卷积网络推荐方法，该方法包括：
S1构建用户-项目历史交互记录集合；并构建商品的知识图谱；
使用
Figure 386976DEST_PATH_IMAGE024
表示推荐场景中的用户-项目历史交互记录，其中
Figure 204760DEST_PATH_IMAGE025
和I分别代表用户集合与项目集合，
Figure 677DEST_PATH_IMAGE026
表示用户
Figure 753870DEST_PATH_IMAGE001
和项目
Figure 759872DEST_PATH_IMAGE002
曾有过例如购买、浏览的交互 行为，否则
Figure 522291DEST_PATH_IMAGE027
；
除去上述的交互信息，项目还有诸如属性与外部知识一类的附带信息，这些信息 通常由现实世界中的真实实体和实体之间的不同关系构成。例如，一幅画作可以由它的画 家、风格、题材等信息间接描述。本发明将该类附带信息归纳整合后重新组建为知识图谱
Figure 31770DEST_PATH_IMAGE028
，
Figure 955864DEST_PATH_IMAGE029
表示商品实体集合，
Figure 449162DEST_PATH_IMAGE030
表示商品之间的关系集合。
Figure 484114DEST_PATH_IMAGE031
本质上 是由众多事实三元组构成的图结构语义网络。每个三元组包含主语、谓语(即关系性质)和 宾语三要素，意味着头部实体h与尾部实体t之间存在着关系r，例如，头部实体为苹果手机、 尾部实体为苹果耳机，二者之间关系为配套关系。同时本发明构建了项目-商品实体对齐集 合
Figure 379258DEST_PATH_IMAGE032
，其中
Figure 474253DEST_PATH_IMAGE033
代表交互记录中的项目
Figure 189268DEST_PATH_IMAGE002
与知识图谱中的商品实体e存在 一一对应的关系；
S2基于用户-项目历史交互记录集合和商品的知识图谱构建项目-商品实体对齐集合；
S3基于项目-商品实体对齐集合，将用户和项目的交互行为与商品的知识图谱进 行编码整合至统一的关系图数据结构中，生成用户与商品的协同知识图谱；如图2所示，首 先用三元组
Figure 27911DEST_PATH_IMAGE034
表示每次的用户交互行为，
Figure 511982DEST_PATH_IMAGE035
表示用户和项目之间的交互； 然后在项目-商品实体对齐集合
Figure 43457DEST_PATH_IMAGE036
的基础上，用户-项目历史交互记录
Figure 121135DEST_PATH_IMAGE037
与知识图谱
Figure 891032DEST_PATH_IMAGE038
可以 无缝集成为统一的协同知识图谱
Figure 229610DEST_PATH_IMAGE039
，其中
Figure 931986DEST_PATH_IMAGE040
。具体步骤为：首先遍历用户-项目历史交互记录：在用户
Figure 356015DEST_PATH_IMAGE001
的列表中添加项目
Figure 802039DEST_PATH_IMAGE002
，在项目
Figure 136069DEST_PATH_IMAGE002
的 列表中添加用户
Figure 868401DEST_PATH_IMAGE001
；然后对商品知识图谱中的每个三元组执行遍历操作：如果项目-商品实 体对齐集合中包含三元组的头实体且与头实体产生过交互行为的用户存在于历史交互记 录集合中，则在该用户的列表中添加该三元组的尾实体；否则直接在头实体的列表中添加 对应的尾实体；最后在尾实体的列表中添加头实体，遍历结束后，得到协同知识图谱。
S4通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作，提取 用户和商品特征；具体为：如图3所示，对每个节点与其当前卷积层的邻居节点执行特征信 息的图卷积操作，用户
Figure 920671DEST_PATH_IMAGE001
的邻居节点为第一个商品i 1、第二个商品i 2、第三个商品i 3，商品i的 邻居节点为第一个用户u 1、第二个用户u 2、第三个用户u 3，商品i的邻居节点也可以是商品实 体，然后对图卷积得到的特征信息执行非线性变换生成特征向量，再令当前卷积层数加1， 进行同样的图卷积操作，直到当前卷积层数大于预设的卷积层数，将不同层求得的特征向 量进行加权求和从而生成协同知识图谱中节点的最终特征向量表示；
图卷积操作定义为：
Figure 763862DEST_PATH_IMAGE041
其中，
Figure 217977DEST_PATH_IMAGE042
为对称归一化正则项，该项可以控制协同知识图谱不会随着卷积 运算的迭代生成过大的特征矩阵，
Figure 121211DEST_PATH_IMAGE043
代表与商品
Figure 660777DEST_PATH_IMAGE023
有过交互行为的用户集合，
Figure 307659DEST_PATH_IMAGE011
代表与用 户
Figure 616280DEST_PATH_IMAGE012
产生过交互行为的商品集合，
Figure 690416DEST_PATH_IMAGE013
为商品的第k层特征向量，
Figure 451698DEST_PATH_IMAGE014
为用户的第k层特征向 量，另一方面图卷积的聚合操作中对象仅为目标实体的邻居实体，目标实体本身并不参与 聚合操作。
需要学习的参数是针对协同知识图谱的初始层特征向量矩阵，即所有用户的
Figure 916920DEST_PATH_IMAGE044
与 所有商品的
Figure 80048DEST_PATH_IMAGE045
。当上述两项得到后，高层的特征向量便可由图卷积操作计算得到。经过K层 特征传播后，本发明将不同层求得的特征向量进行加权求和，从而生成用户或商品实体的 特征向量表示：
Figure 325084DEST_PATH_IMAGE046
其中，
Figure 104822DEST_PATH_IMAGE016
表示第k层特征在最终特征组合步骤中的贡献度，也称为组合权重，令
Figure 827927DEST_PATH_IMAGE016
等于
Figure 845561DEST_PATH_IMAGE017
，
Figure 527079DEST_PATH_IMAGE018
为加权求和后的用户特征向量，
Figure 262953DEST_PATH_IMAGE019
为加权求和后的商品特征向量。
S5依次计算用户与各个商品特征向量的内积，按照内积的大小进行排序召回，最 后将商品推荐给用户。具体为：用于商品推荐的排序分数由用户
Figure 320908DEST_PATH_IMAGE022
与商品i最终的特征向量 相乘得到，即结果
Figure 193049DEST_PATH_IMAGE047
为：
Figure 45467DEST_PATH_IMAGE020
。
本发明采用层间组合方式提取实体特征的原因分为以下三点：
(1)随着层数加深，协同知识图谱中同一连通分量内的实体特征会产生过度平滑的现象，因此仅使用最后一层得到的特征作为最终的实体表示会令同一连通分量内所有节点的特征趋于一致，进而降低推荐质量。
(2)每一层能够捕获的语义信息并不相同，第一层通常对与目标实体有直接关系 的邻居实体进行平滑操作，第二层中平滑操作的对象为目标实体的一跳关联实体，更高层 则会捕获远距离高阶关联实体间的隐含联系，因此将不同层之间的语义信息进行融合将使 最终的实体表示更加全面。以用户
Figure 268638DEST_PATH_IMAGE022
为例，假设用户
Figure 599126DEST_PATH_IMAGE022
与用户
Figure 591352DEST_PATH_IMAGE048
有共同的交互对象i，即三者 的关系路径为
Figure 614672DEST_PATH_IMAGE049
，那么该方法在第二层提取到的特征
Figure 325139DEST_PATH_IMAGE050
为：
Figure 196668DEST_PATH_IMAGE051
Figure 308980DEST_PATH_IMAGE052
代表与用户
Figure 237622DEST_PATH_IMAGE053
产生过交互行为的商品集合，则
Figure 435385DEST_PATH_IMAGE054
在
Figure 107675DEST_PATH_IMAGE022
上的平滑贡献度由系数
Figure 340073DEST_PATH_IMAGE055
决定：
Figure 174037DEST_PATH_IMAGE056
由分析可知，
Figure 859096DEST_PATH_IMAGE057
大小与两个实体间的共同邻居数量成正比，与
Figure 476022DEST_PATH_IMAGE054
的邻居数量成 反比，该规律符合协同过滤算法在计算不同项目间相似度时的假设条件。
(3)将不同层之间的特征进行加权聚合可以起到与传统图卷积网络中自连接操作相同的效果。
下面对本发明能够有效缓解过度平滑问题进行具体说明：
令M和N分别代表协同知识图谱中用户与商品实体的个数，则协同知识图谱的邻接 矩阵A的第0层特征矩阵为
Figure 421982DEST_PATH_IMAGE058
，其中T为特征维度大小，那么本发明的卷积规则即 可表示为：
Figure 833371DEST_PATH_IMAGE059
其中，D是形状为
Figure 864781DEST_PATH_IMAGE060
的度矩阵，
Figure 19819DEST_PATH_IMAGE061
表示邻接矩阵A的第i行向量中非零 元素的个数。经过图上的多层传播，最终用于推荐预测任务的特征矩阵E为：
Figure 820285DEST_PATH_IMAGE062
其中，
Figure 136997DEST_PATH_IMAGE063
为对称归一化矩阵。
进一步地，为了证明层间组合机制的有效性，采用实体特征矩阵的行列式det()来衡量实体特征之间的差异性，因为矩阵行列式的值代表着该矩阵的行(列)向量展开组成的超平行多面体的有向体积。换言之特征矩阵的行列式越大，则代表该矩阵中实体特征之间的差异越明显，即过度平滑问题即可得到有效缓解。本发明通过证明经由层间组合机制得到的特征矩阵与经由传统图卷积网络得到的特征矩阵两者的行列式比值恒大于1来说明本发明方法的有效性与科学性。证明过程如下：
Figure 921282DEST_PATH_IMAGE064
Figure 614431DEST_PATH_IMAGE066
Figure 537913DEST_PATH_IMAGE068
其中，
Figure 291105DEST_PATH_IMAGE069
中的
Figure 31528DEST_PATH_IMAGE070
表示把经过K层卷积后的卷积核矩阵
Figure 262789DEST_PATH_IMAGE071
中 第n行向量替换为经过k层卷积后的卷积核矩阵
Figure 37847DEST_PATH_IMAGE071
中的第n行向量，…表示任意次类似操 作，最终
Figure 820995DEST_PATH_IMAGE071
经过上述变换后得到重组矩阵
Figure 189660DEST_PATH_IMAGE072
。由过度平滑问题可知，重组矩 阵相较于
Figure 83666DEST_PATH_IMAGE071
，矩阵中的每个元素值彼此之间的差值更大，即行列式值更大，从而两者各自 行列式的比值恒大于1。
进一步地，需要训练的参数
Figure 588597DEST_PATH_IMAGE073
仅为第零层的特征矩阵
Figure 808226DEST_PATH_IMAGE074
，复杂度与传统的矩阵分 解算法相同。本发明使用贝叶斯个性化排序损失(Bayesian Personalized Ranking ，BPR) 构建损失函数如下：
Figure 664186DEST_PATH_IMAGE075
其中，
Figure 361884DEST_PATH_IMAGE076
是非线性激活函数，参数
Figure 845955DEST_PATH_IMAGE077
控制L2正则化的大小，取值范围为
Figure 111851DEST_PATH_IMAGE078
。除此之外所有的特征维度均设为64，默认学习率为0.001，Batch-Size为 1024，多数情况下
Figure 51513DEST_PATH_IMAGE077
取
Figure 693847DEST_PATH_IMAGE079
时性能最佳，层间组合系数
Figure 298003DEST_PATH_IMAGE080
为
Figure 734801DEST_PATH_IMAGE081
，其中K为卷积层数，参数矩阵 使用Xavier方法进行初始化，Adam算法进行优化。
下面以银行电商领域对本发明的实施方法做具体说明：本实施例阐述了将本发明用于某银行电商平台的商品推荐，提升产品销量。具体实施流程为：首先从电商平台的数据库中查找获取用户与商品的历史交互记录，并将平台中所有商品进行关系梳理，构建出商品知识图谱；然后根据项目-商品对齐集合将历史交互记录集合与商品知识图谱进行融合，生成协同知识图谱（即该协同知识图谱相较于商品知识图谱，新增了平台的用户信息）；紧接着如图3所示，使用图卷积网络对协同知识图谱中的每个实体节点进行逐层的特征提取，并将每层提取到的特征进行加权求和，从而生成最终的特征向量；其次当用户打开电商平台时，服务器后端将当前用户的特征向量与平台中所有商品的特征向量依次做内积运算，并将运算结果按照从大到小的顺序依次排序；最后将排序结果中的前Top-K个商品返回前端，推荐给用户。
与前述基于层间组合机制的图卷积网络推荐方法的实施例相对应，本发明还提供了基于层间组合机制的图卷积网络推荐装置的实施例。
参见图4，本发明实施例提供的一种基于层间组合机制的图卷积网络推荐装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的基于层间组合机制的图卷积网络推荐方法。
本发明基于层间组合机制的图卷积网络推荐装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本发明基于层间组合机制的图卷积网络推荐装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于层间组合机制的图卷积网络推荐方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (9)

1.一种基于层间组合机制的图卷积网络推荐方法，其特征在于，该方法包括：
S1构建用户-项目历史交互记录集合；并构建商品的知识图谱；
S2基于用户-项目历史交互记录集合和商品的知识图谱构建项目-商品实体对齐集合；
S3基于项目-商品实体对齐集合，将用户和项目的交互行为与商品的知识图谱进行编码整合至统一的关系图数据结构中，生成用户与商品的协同知识图谱；
S4通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作，提取用户和商品特征；具体为：对每个节点与其当前卷积层的邻居节点执行特征信息的图卷积操作，再对图卷积得到的特征信息执行非线性变换生成特征向量，然后进行下一层的图卷积操作，直到当前卷积层数大于预设的卷积层数，将不同层求得的特征向量进行加权求和从而生成协同知识图谱中节点的最终特征向量表示；
S5依次计算用户与各个商品特征向量的内积，按照内积的大小进行排序召回，最后将商品推荐给用户。
2.根据权利要求1所述的一种基于层间组合机制的图卷积网络推荐方法，其特征在于， 用户-项目历史交互记录集合中，用户
Figure 876064DEST_PATH_IMAGE001
和项目
Figure 262046DEST_PATH_IMAGE002
交互记录使用变量
Figure 635259DEST_PATH_IMAGE003
表示，若
Figure 499310DEST_PATH_IMAGE004
则表 示用户
Figure 641578DEST_PATH_IMAGE001
和项目
Figure 932882DEST_PATH_IMAGE002
有过交互行为，否则
Figure 527812DEST_PATH_IMAGE005
。
3.根据权利要求1所述的一种基于层间组合机制的图卷积网络推荐方法，其特征在于， 在项目-商品实体对齐集合中，使用二元组
Figure 57538DEST_PATH_IMAGE006
代表交互记录中的项目与商品的知识图谱 中的商品实体e存在一一对应的关系。
4.根据权利要求1所述的一种基于层间组合机制的图卷积网络推荐方法，其特征在于，构建用户与商品的协同知识图谱的具体步骤为：
S31 遍历用户-项目历史交互记录：在用户
Figure 460837DEST_PATH_IMAGE001
的列表中添加项目
Figure 47676DEST_PATH_IMAGE002
，在项目
Figure 270847DEST_PATH_IMAGE002
的列表中添 加用户
Figure 601334DEST_PATH_IMAGE001
；
S32 对商品知识图谱中的每个三元组执行遍历操作；如果项目-商品实体对齐集合中包含三元组的头实体且与头实体产生过交互行为的用户存在于历史交互记录集合中，则在该用户的列表中添加该三元组的尾实体；否则直接在头实体的列表中添加对应的尾实体；
S33 在尾实体的列表中添加头实体；
S34遍历结束后，得到协同知识图谱。
5.根据权利要求1所述的一种基于层间组合机制的图卷积网络推荐方法，其特征在于，图卷积操作定义为：
Figure 593561DEST_PATH_IMAGE007
其中，
Figure 616881DEST_PATH_IMAGE008
为对称归一化正则项，
Figure 327348DEST_PATH_IMAGE009
代表与商品
Figure 195947DEST_PATH_IMAGE010
有过交互行为的用户集合，
Figure 308259DEST_PATH_IMAGE011
代表与用户
Figure 377846DEST_PATH_IMAGE012
产生过交互行为的商品集合，
Figure 434664DEST_PATH_IMAGE013
为商品的第k层特征向量，
Figure 106954DEST_PATH_IMAGE014
为用户的第k层 特征向量，图卷积的聚合操作中对象仅为目标实体的邻居实体，目标实体本身并不参与聚 合操作。
6.根据权利要求5所述的一种基于层间组合机制的图卷积网络推荐方法，其特征在于，图卷积网络经过预设的K层特征传播后，将不同层求得的特征向量进行加权求和，从而生成用户或商品实体的特征向量表示：
Figure 73773DEST_PATH_IMAGE015
其中，
Figure 438895DEST_PATH_IMAGE016
表示第k层特征向量在最终加权求和过程中的贡献度，即组合权重，
Figure 858375DEST_PATH_IMAGE016
等于
Figure 475301DEST_PATH_IMAGE017
，
Figure 158611DEST_PATH_IMAGE018
为加权求和后的用户特征向量，
Figure 694635DEST_PATH_IMAGE019
为加权求和后的商品特征向量。
7.根据权利要求6所述的一种基于层间组合机制的图卷积网络推荐方法，其特征在于，用于商品推荐的排序分数由用户与商品实体各自最终的特征向量内积相乘得到，具体计算：
Figure 601411DEST_PATH_IMAGE020
其中，
Figure 615503DEST_PATH_IMAGE021
表示用户
Figure 556914DEST_PATH_IMAGE022
与商品
Figure 404785DEST_PATH_IMAGE023
的内积相乘结果，T表示转置。
8.一种基于层间组合机制的图卷积网络推荐装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1-7中任一项所述的基于层间组合机制的图卷积网络推荐方法。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-7中任一项所述的基于层间组合机制的图卷积网络推荐方法。
CN202210782449.2A 2022-07-05 2022-07-05 一种基于层间组合机制的图卷积网络推荐方法及装置 Active CN114861072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210782449.2A CN114861072B (zh) 2022-07-05 2022-07-05 一种基于层间组合机制的图卷积网络推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210782449.2A CN114861072B (zh) 2022-07-05 2022-07-05 一种基于层间组合机制的图卷积网络推荐方法及装置

Publications (2)

Publication Number Publication Date
CN114861072A true CN114861072A (zh) 2022-08-05
CN114861072B CN114861072B (zh) 2022-11-29

Family

ID=82626265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210782449.2A Active CN114861072B (zh) 2022-07-05 2022-07-05 一种基于层间组合机制的图卷积网络推荐方法及装置

Country Status (1)

Country Link
CN (1) CN114861072B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115391414A (zh) * 2022-10-28 2022-11-25 北京双赢天下管理咨询有限公司 一种基于大数据的银行市场拓展系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200250734A1 (en) * 2019-02-01 2020-08-06 Target Brands, Inc. Item recommendations using convolutions on weighted graphs
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
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
CN113362131A (zh) * 2021-06-02 2021-09-07 合肥工业大学 一种融合知识图谱和用户交互的图模型智能商品推荐方法
CN113688974A (zh) * 2021-07-28 2021-11-23 湖南科技大学 一种基于轻量化图卷积网络的移动应用推荐方法
CN113824707A (zh) * 2021-09-13 2021-12-21 厦门吉快科技有限公司 一种基于知识图谱的网站性能拨测度量方法和装置
CN113869058A (zh) * 2021-08-31 2021-12-31 合肥工业大学 基于lc-gcn方面级情感分析方法、系统、存储介质和电子设备
CN113869404A (zh) * 2021-09-27 2021-12-31 北京工业大学 面向论文网络数据的自适应图卷积聚类方法
WO2022011652A1 (en) * 2020-07-16 2022-01-20 Huawei Technologies Co., Ltd. Multi-graph convolution collaborative filtering
CN113987200A (zh) * 2021-10-19 2022-01-28 云南大学 神经网络结合知识图谱的推荐方法、系统、终端、介质
CN114282122A (zh) * 2021-12-21 2022-04-05 郑州大学 一种高效非采样的图卷积网络推荐方法
CN114637857A (zh) * 2022-03-17 2022-06-17 广西师范大学 一种基于去噪的知识感知图卷积网络推荐方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200250734A1 (en) * 2019-02-01 2020-08-06 Target Brands, Inc. Item recommendations using convolutions on weighted graphs
WO2022011652A1 (en) * 2020-07-16 2022-01-20 Huawei Technologies Co., Ltd. Multi-graph convolution collaborative filtering
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
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
CN113362131A (zh) * 2021-06-02 2021-09-07 合肥工业大学 一种融合知识图谱和用户交互的图模型智能商品推荐方法
CN113688974A (zh) * 2021-07-28 2021-11-23 湖南科技大学 一种基于轻量化图卷积网络的移动应用推荐方法
CN113869058A (zh) * 2021-08-31 2021-12-31 合肥工业大学 基于lc-gcn方面级情感分析方法、系统、存储介质和电子设备
CN113824707A (zh) * 2021-09-13 2021-12-21 厦门吉快科技有限公司 一种基于知识图谱的网站性能拨测度量方法和装置
CN113869404A (zh) * 2021-09-27 2021-12-31 北京工业大学 面向论文网络数据的自适应图卷积聚类方法
CN113987200A (zh) * 2021-10-19 2022-01-28 云南大学 神经网络结合知识图谱的推荐方法、系统、终端、介质
CN114282122A (zh) * 2021-12-21 2022-04-05 郑州大学 一种高效非采样的图卷积网络推荐方法
CN114637857A (zh) * 2022-03-17 2022-06-17 广西师范大学 一种基于去噪的知识感知图卷积网络推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANG WANG,XIANGNAN HE: "KGAT:Knowledge Graph Attention Network for Recommendation", 《ARXIV》 *
XIANGNAN HE: "LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation", 《ARXIV》 *
XIANGNAN HE: "Neural Graph Collaborative Filtering", 《ACM》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115391414A (zh) * 2022-10-28 2022-11-25 北京双赢天下管理咨询有限公司 一种基于大数据的银行市场拓展系统及方法

Also Published As

Publication number Publication date
CN114861072B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Khan et al. CNN with depthwise separable convolutions and combined kernels for rating prediction
CN112364976B (zh) 基于会话推荐系统的用户偏好预测方法
CN112529168B (zh) 一种基于gcn的属性多层网络表示学习方法
Cao Coupling learning of complex interactions
Bentz et al. Neural networks and the multinomial logit for brand choice modelling: a hybrid approach
Bali et al. R: Unleash machine learning techniques
Chou et al. Predictive analytics for customer repurchase: Interdisciplinary integration of buy till you die modeling and machine learning
CN114637923B (zh) 基于层次注意力图神经网络的数据信息推荐方法和装置
CN113362131A (zh) 一种融合知识图谱和用户交互的图模型智能商品推荐方法
CN113918833B (zh) 通过社交网络关系的图卷积协同过滤实现的产品推荐方法
CN113918832B (zh) 基于社交关系的图卷积协同过滤推荐系统
CN112380453B (zh) 物品推荐方法、装置、存储介质及设备
CN113468227A (zh) 基于图神经网络的信息推荐方法、系统、设备和存储介质
CN114357312B (zh) 基于图神经网络自动建模的社区发现方法及个性推荐方法
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
CN112150238A (zh) 一种基于深度神经网络的商品推荐方法及系统
CN112541575A (zh) 图神经网络的训练方法及装置
CN112364242A (zh) 针对上下文感知型的图卷积推荐系统
CN113918834A (zh) 融合社交关系的图卷积协同过滤推荐方法
CN110348906A (zh) 一种基于多类型隐式反馈的改进商品推荐方法
CN114861072B (zh) 一种基于层间组合机制的图卷积网络推荐方法及装置
CN110781405B (zh) 基于联合卷积矩阵分解的文档上下文感知推荐方法及系统
CN114417161B (zh) 基于异构图的虚拟物品时序推荐方法、装置、介质及设备
CN116167812A (zh) 用于多行为推荐的异构协同过滤方法
CN113744023B (zh) 一种基于图卷积网络的双通道协同过滤推荐方法

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