CN115114526A - 一种多行为增强信息的加权图卷积网络评分预测推荐方法 - Google Patents

一种多行为增强信息的加权图卷积网络评分预测推荐方法 Download PDF

Info

Publication number
CN115114526A
CN115114526A CN202210757163.9A CN202210757163A CN115114526A CN 115114526 A CN115114526 A CN 115114526A CN 202210757163 A CN202210757163 A CN 202210757163A CN 115114526 A CN115114526 A CN 115114526A
Authority
CN
China
Prior art keywords
user
behavior
embedding
item
layer
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
CN202210757163.9A
Other languages
English (en)
Inventor
宋玉蓉
杨晨
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210757163.9A priority Critical patent/CN115114526A/zh
Publication of CN115114526A publication Critical patent/CN115114526A/zh
Pending legal-status Critical Current

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
    • G06N3/08—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]

Landscapes

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

Abstract

本发明涉及推荐系统和图卷积神经网络领域，具体地说，是一种多行为增强信息的加权图卷积网络评分预测推荐方法，针对传统推荐系统模型主要关注的是单一类型的用户项目交互行为，导致冷启动或者数据稀疏问题。本发明通过提出一种多行为增强信息的加权图卷积网络评分预测推荐模型，捕获消息传递下不同类型行为之间的隐式关系以及具有高阶关系的行为类型感知协作信号。结合自学习权重区分不同行为强度以得到用户和项目的最终表示进行预测。同时，设计了项目之间的嵌入传播层来建模项目之间的相似性，这反映了不同行为的各种语义。

Description

一种多行为增强信息的加权图卷积网络评分预测推荐方法
技术领域
本发明涉及推荐系统和图卷积神经网络领域，具体地说，是一种多行为增强 信息的加权图卷积网络评分预测推荐方法。
背景技术
近些年来，由于信息时代发展到大数据时代，如今的互联网上的数据规模呈 爆炸式增长，导致信息超载成为我们生活中日益严重的问题。而推荐系统是缓解 信息过载问题、方便用户寻求信息的有效解决方案，也可以增加服务提供商的流 量和收入。因此，高效而准确的个性化推荐系统也就成为学术界和工业界的关注 热点。而同时，图神经网络(GNN)的研究逐渐兴起，由于推荐系统中的大部分信 息具有图结构，GNN在图表示学习方面具有优势，因此在推荐系统中得到了广 泛的应用。
传统的推荐模型主要关注的是单一类型的用户项目交互行为，这可能会导致 冷启动或者数据稀疏问题。而在真实的在线平台中，用户的行为本质是多类型的， 这涉及到用户和项目之间的异构关系，如喜欢、收藏、添加到购物车等。不同的 用户项目交互模式可能会表现不同的语义信息，这些异构信息提供了有价值的用 户偏好信号，有助于构建细粒度的推荐系统。
换句话来说，即推荐系统应该有能力利用其他类型的行为：辅助行为，来帮 助预测用户未来在目标行为上的交互，这就是多行为推荐。目前，推荐系统还未 具有此能力。
发明内容
为了解决上述问题，本发明提出一种多行为增强信息的加权图卷积网络评分 预测推荐方法，综合考虑多种类型的用户项目交互行为，通过加权重来捕获不同 行为的强度。
为了实现上述目的，本发明采用的具体技术方案如下：
一种多行为增强信息的加权图卷积网络评分预测推荐方法，采用多行为增强 信息的加权图卷积网络评分预测推荐模型，该模型包括嵌入模块、用户项目消息 传递模块、项目关联性感知模块和最终的预测模块，具体包括以下步骤：
步骤1、建立问题：建立了一个统一的异构图来建模所研究的问题，明确模 型的输入输出；
步骤2、初始嵌入层：使用嵌入向量
Figure BDA0003722957960000021
和
Figure BDA0003722957960000022
来描述一个用户和 一个项目，其中d是嵌入维度，那么用户嵌入向量和项目嵌入向量就可以分别用 嵌入矩阵
Figure BDA0003722957960000023
和
Figure BDA0003722957960000024
来表示，使用
Figure BDA0003722957960000025
来描述用户和项目的一类交互模式；
步骤3、用户的嵌入传播层：模型中的嵌入传播层是建立在GCN的消息传 递架构上的，用来捕获CF信号以及用户项目异构交互的图结构，GCN的基本思 想是通过平滑图上的特征来学习节点的表示。在模型中，用户的表示是通过累积 来自所有异构交互项目的传入消息来建模的，重写公式，对相邻节点的关系
Figure BDA0003722957960000026
进行嵌入组合，以建模关系用户-项目交互，同时为每个行为关系分配一个传播 权重α，为了将行为的重要性和行为的稀疏性融合在一起；
步骤4、项目的嵌入传播层：与用户的嵌入传播层同理，只是并未给其行为 关系分配权重α，因为项目的特性是静态的，所以不管行为类型，假设不同用户 对同一项目内容的贡献是相同的，所以这里的不同行为对项目没有设置影响系数；
步骤5、项目关联性传播层：进一步提出多类型行为语义，每种行为类型下 的交互项目之间应该存在一些共同的特征或特殊的关系。例如，当用户在电子商 务网站上点击和查看产品时，共同点击/查看的产品可能是可替换的(如不同类型 的手机)；当涉及到购买时，这些共同购买的产品可能是互补的(如iPhone和AirPods)。当数据量稀疏时，项目之间的关系可能会增强对项目嵌入的学习能力。
步骤6，多任务预测：在使用L层传播后，得到了用户u、项目v和关系r 的多个表示。从不同层获得的表示强调了从不同跳跃层传递的信息。因此，进一 步结合它们来得到最终的表示形式，建立目标用户u对项目v执行第k个行为的 可能性公式，并计算在特定的行为k下，目标项目v和用户u交互过的项目之间 的相关性评分，两者结合做预测分数，利用损失函数进行模型训练。
所述步骤1具体包括：
输入的交互数据用无向图G＝(V，E)表示，其中节点是由用户节点u∈U和项 目节点v∈V组成。E中的边包含不同行为的不同的用户项目交互边
Figure BDA0003722957960000027
rk∈Nr，Nr是在用户和项目之间发生的所有行为类型的集合。当
Figure BDA0003722957960000031
时，将会有一 条边
Figure BDA0003722957960000032
建立。
假设行为的数量为T，交互矩阵
Figure BDA0003722957960000033
表示用户是否与项目在行为k下进行了交 互，所有的行为矩阵都可以表示为{Y1,Y2,....,YT}。具体来说，交互矩阵
Figure BDA0003722957960000034
是二 进制形式，每个条目的值为1或0，当
Figure BDA0003722957960000035
时，则表示用户u与项目v在行为 k下有互动。
模型的输入：T种行为下的用户-项目交互数据，{Y1,Y2,....,YT}。
模型的输出：一种推荐模型，它可以估计了用户u在第k种行为下与项目v 交互的概率，即目标行为。
所述步骤2具体包括：
用户嵌入向量和项目嵌入向量可以分别用嵌入矩阵U和V来表示：
Figure BDA0003722957960000036
Figure BDA0003722957960000037
Figure BDA0003722957960000038
使用one-hot编码作为输入来描述一个用户、一个项目和一种行为关系，矩 阵U、矩阵V和矩阵E中的嵌入可以作为用户、项目和行为类型的初始化特征， 可以看作是图神经网络框架中每个用户、项目和关系的输入特征。
所述步骤3具体包括：
图卷积运算定义为下式，模型通过其进行消息传递，在每层卷积中有两个主 要操作的过程：消息传递和消息聚合，
Figure BDA0003722957960000039
Figure BDA00037229579600000310
Figure BDA00037229579600000311
其中，
Figure BDA00037229579600000314
表示在第L层嵌入传播层后得到的用户u的表示，W(l)∈Rd'×d为提 取传播中有用信息的可训练权值矩阵，d'为变换大小。Nu和Nv分别为u和v的邻 居节点集合；使用对称归一化项
Figure BDA00037229579600000313
来避免随着图卷积操作而增加的嵌入规模。 ⊙为元素级乘积，将关系和邻居项目嵌入纳入公式中。激活函数δ为LeakyReLU。
为每个行为分配一个权重，如行为k的
Figure BDA0003722957960000041
为了将行为的重要性和行为的 稀疏性融合在一起，为用户u的特定行为k定义了传播权重为
Figure BDA0003722957960000042
其中，
Figure BDA0003722957960000043
wm由模型自行训练。
Figure BDA0003722957960000044
是用户操作的行为k的数量，
Figure BDA0003722957960000045
是用户交互总数 目。
关系嵌入转换公式中，
Figure BDA0003722957960000046
是一个特定于层的参数，它将所有的关系投影到 与节点相同的嵌入空间中，并允许它们在下一个GCN层中被使用。
所述步骤4具体包括：
图卷积运算定义为下式，在每层卷积中有两个主要操作的过程：消息传递和 消息聚合。
Figure BDA0003722957960000047
Figure BDA0003722957960000048
其中，
Figure BDA00037229579600000416
表示在第L层嵌入传播层后得到的用户v的表示，W(l)∈Rd'×d为提 取传播中有用信息的可训练权值矩阵，d'为变换大小。Nu和Nv分别为u和v的邻 居节点集合；使用对称归一化项
Figure BDA00037229579600000410
来避免随着图卷积操作而增加的嵌入规模。 ⊙为元素级乘积，将关系和邻居用户嵌入纳入公式中。激活函数δ为LeakyReLU。
关系嵌入转换公式中，
Figure BDA00037229579600000411
是一个特定于层的参数，它将所有的关系投影到 与节点相同的嵌入空间中，并允许它们在下一个GCN层中被使用。
所述步骤5具体包括：
设计了一个项目关联性传播层来获取行为语义
Figure BDA00037229579600000412
其中，
Figure BDA00037229579600000413
是和项目v一起在行为k下与用户有交互的一组项目集合，
Figure BDA00037229579600000414
为行为k的编码矩阵。这里的聚合函数为简单的平均函数，并且
Figure BDA00037229579600000415
等于对应的 项目v的初始嵌入向量。
所述步骤6具体包括：
Figure BDA0003722957960000051
Figure BDA0003722957960000052
Figure BDA0003722957960000053
Figure BDA0003722957960000054
用户u在项目v上执行第k个行为的可能性估计为：
Figure BDA0003722957960000055
并计算在特定的行为k下，目标项目v和用户u交互的项目之间的相关性评 分y2(u，v)。
Figure BDA0003722957960000056
两者一起作为预测分数：
y(k)u,v＝λ·y1(k)u,v+(1-λ)·y2(k)u,v (13)
可以在后续实验中尝试使用不同的λ，以检验其影响。
损失函数进行训练：
loss＝∑(u,v,j)∈O-lnσ((y(k)u,v-y(k)u,j))+β·||Θ||2 (14)
其中，O＝{(u，v，j)|(u，v)∈R+,(u,j)∈R-}表示成对的目标行为训练数据集， R+表示观察到的目标行为，R-表示未观察到的目标行为，σ(·)为sigmoid函数， Θ表示所有可训练参数，β为L2归一化系数，控制L2归一化强度以防止过拟合。
有益效果：本发明捕获消息传递下不同类型行为之间的隐式关系以及具有高 阶关系的行为类型感知协作信号。结合自学习权重区分不同行为强度以得到用户 和项目的最终表示进行预测。同时，设计了项目之间的嵌入传播层来建模项目之 间的相似性，这反映了不同行为的各种语义。
附图说明
图1为本发明中一个多种类型的用户项目的示例图。
图2为本发明中用户-项目异构图。
图3为本发明中用户消息传递模块图。
图4为本发明中项目消息传递模块图。
图5为本发明中项目关联性感知模块图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明 作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本 发明，并不用于限定本发明。
如图1所示，是一个多种类型的用户项目的示例图，可以看到在真实电子商 务场景中，用户可以点击查看商品，将商品添加到收藏中，以及购买商品等。这 些异构行为有助于构建细粒度的推荐系统。推荐系统应该有能力利用其他类型的 行为：辅助行为，来帮助预测用户未来在目标行为上的交互，这就是多行为推荐。
一种多行为增强信息的加权图卷积网络评分预测推荐模型，包括四个模块： 嵌入模块、用户项目消息传递模块、项目关联性感知模块和最终的预测模块，使 用该模型的多行为增强信息的加权图卷积网络评分预测推荐方法具体包括以下 步骤：
步骤1：建立问题，如图2，建立了一个统一的异构图来建模所研究的问题。 如果用户u和v在行为k下有交互，将会有一条边
Figure BDA0003722957960000061
建立。明确模型的输入 输出。
步骤2：初始嵌入层，用户嵌入向量和项目嵌入向量可以分别用嵌入矩阵U 和V来表示：
Figure BDA0003722957960000062
Figure BDA0003722957960000063
Figure BDA0003722957960000064
矩阵U、矩阵V和矩阵E中的嵌入可以作为用户、项目和行为类型的初始化 特征，将对其进行优化，在框架中，通过在用户-项目交互图上传播嵌入来细化 嵌入。这为推荐任务提供更有效的嵌入，因为细化步骤显式地将协作信号注入到 嵌入中。
步骤3、步骤4：用户(项目)的嵌入传播层，直观地说，用户交互的项目 提供了用户偏好的直接证据，类似地，操作一个项目的用户可以被视为项目的特 征，用于衡量两个项目的协作相似性。
模型中的嵌入传播层是建立在GCN的消息传递架构上的,用来捕获CF信号以 及用户项目异构交互的图结构。GCN的基本思想是通过平滑图上的特征来学习节 点的表示。在模型中，用户(项目)的表示是通过累积来自所有异构交互项目(用 户)的传入消息来建模的。在连接的用户和项目之间执行嵌入传播，形成了两个 主要操作的过程：消息传递和消息聚合。
图2中，用户u1在行为r1上与v1交互，在行为r2上与v2交互，使用公式(1)， 将ev1和
Figure BDA0003722957960000071
之间的交互作用通过
Figure BDA0003722957960000072
将ev2和
Figure BDA0003722957960000073
之间的交互作用通过
Figure BDA0003722957960000074
编码到正在传递的消息中，利用这个组合操作子来联合嵌入项目节点的表示和关 系，以进行多关系预测。嵌入用户节点的表示和关系原理与上述相同。
公式(2)中
Figure BDA0003722957960000075
是行为k的行为重要性权重，对所有用户都是相同的，
Figure BDA0003722957960000076
是用户u操作的行为k的计数，根据用户的不同而不同。具体来说，
Figure BDA0003722957960000077
值大的 行为比
Figure BDA0003722957960000078
值小的行为更重要，
Figure BDA0003722957960000079
是用户u的k行为的最终传播权重，
Figure BDA00037229579600000710
Figure BDA00037229579600000711
是由模型学习的，因此每个行为的重要性可以自动学习，而 不需要为每个行为分配重要性。
堆叠更多的嵌入传播层来探索高阶连通性信息。这种高阶连接对于编码协作 信号以估计用户和项目之间的相关性是至关重要的，通过叠加了L个嵌入传播层， 用户(和一个项目)能够接收从其L-hop邻居传播的消息。在第L步中，用户u 的表示被递归地表示为公式(1)，
Figure BDA00037229579600000712
是由前面的消息传递步骤生成的项目表 示，记忆来自其(L-1)跳邻居的消息。它进一步有助于用户u在第L层的表示。 类似地，可以得到在第L层上的项目的表示。
步骤5：如图5，在r2行为下与v1有共同行为的项目j的嵌入
Figure BDA00037229579600000713
聚合，得到 下一层嵌入
Figure BDA00037229579600000714
通过这种机制，与项目v1共同行为的项目的特征将被聚合到v1的嵌入中，这有助于更好的嵌入学习和最终预测。
步骤6：通过L层传播后，得到了用户u的多个表示：
Figure BDA00037229579600000715
项目v的多个表示：
Figure BDA00037229579600000716
关系r的多个表示：
Figure BDA00037229579600000717
从不同层获得的表示强调了从不同跳跃层传递而来的信息。例如，第一层对用户 和其交互的项目强制执行平滑，第二层平滑该交互项目相连的用户，更高层捕获 更高阶关系。因此，进一步结合它们来得到最终的表示形式：如式(7)(8)(9) (10)，在这里，每个嵌入层都设置了一个简单的统一的权重
Figure BDA0003722957960000081
这就可以导致 了良好的一般性能。
为了预测用户在项目上的多重行为的可能性，将学习到的每种行为的表示作 为一个独立的预测层进行预测。在这里使用简单的内积交互函数来计算分数y1， 如步骤5所述，在多行为推荐中可能存在行为语义，用户对两个项目的共同行为 可能意味着这两个项目之间的相关性，而项目之间的相关性可能会影响用户的行 为(购买或不购买)。因此，这里部署了一个评分机制，以挖掘行为语义，并计 算目标项目v与用户u在行为k下交互的项目之间的相关性评分y2。通过将这 两个分数相加，最终的分数不仅提取了用户和项目之间的协同过滤信号，而且还 考虑了行为语义。可以在后续实验中尝试使用不同的λ，以检验其影响。
损失函数进行训练：
loss＝∑(u,v,j)∈O-lnσ((y(k)u,v-y(k)u,j))+β·||Θ||2 (14)
其中，O＝{(u,v,j)|(u,v)∈R+,(u,j)∈R-}表示成对的目标行为训练数据集，R+表示观察到的目标行为，R-表示未观察到的目标行为，σ(·)为sigmoid函数， Θ表示所有可训练参数，β为L2归一化系数，控制L2归一化强度以防止过拟合。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技 术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作 的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (7)

1.一种多行为增强信息的加权图卷积网络评分预测推荐方法，其特征在于，采用多行为增强信息的加权图卷积网络评分预测推荐模型，该模型包括嵌入模块、用户项目消息传递模块、项目关联性感知模块和最终的预测模块，具体包括以下步骤：
步骤1、建立问题：建立了一个统一的异构图来建模所研究的问题，明确模型的输入输出；
步骤2、初始嵌入层：使用嵌入向量
Figure FDA0003722957950000011
和
Figure FDA0003722957950000012
来描述一个用户和一个项目，其中d是嵌入维度，用户嵌入向量和项目嵌入向量分别用嵌入矩阵
Figure FDA0003722957950000013
和
Figure FDA0003722957950000014
来表示，使用
Figure FDA0003722957950000015
来描述用户和项目的一类交互模式；
步骤3、用户的嵌入传播层：对相邻节点的关系
Figure FDA0003722957950000016
进行嵌入组合，以建模关系用户-项目交互，同时为每个行为关系分配一个传播权重α，将行为的重要性和行为的稀疏性融合在一起；
步骤4、项目的嵌入传播层：对相邻节点的关系
Figure FDA0003722957950000017
进行嵌入组合，以建模关系用户-项目交互；
步骤5、项目关联性传播层：进一步提出多类型行为语义；
步骤6，多任务预测：从不同层获得的表示强调了从不同跳跃层传递的信息。
2.根据权利要求1所述的一种多行为增强信息的加权图卷积网络评分预测推荐方法，其特征在于，所述步骤1具体包括：
输入的交互数据用无向图G＝(V，E)表示，其中节点是由用户节点u∈U和项目节点v∈V组成，E中的边包含不同行为的不同的用户项目交互边
Figure FDA0003722957950000018
Figure FDA0003722957950000019
Nr是在用户和项目之间发生的所有行为类型的集合，当
Figure FDA00037229579500000110
时，建立条目
Figure FDA00037229579500000111
设定行为的数量为T，交互矩阵
Figure FDA00037229579500000112
表示用户是否与项目在行为k下进行了交互，所有的行为矩阵都表示为{Y1,Y2,....,YT}。
3.根据权利要求1所述的一种多行为增强信息的加权图卷积网络评分预测推荐方法，其特征在于，所述步骤2具体包括：
用户嵌入向量和项目嵌入向量分别用嵌入矩阵U和V来表示：
Figure FDA0003722957950000021
Figure FDA0003722957950000022
Figure FDA0003722957950000023
使用one-hot编码作为输入来描述一个用户、一个项目和一种行为关系，矩阵U、矩阵V和矩阵E中的嵌入作为用户、项目和行为类型的初始化特征。
4.根据权利要求1所述的一种多行为增强信息的加权图卷积网络评分预测推荐方法，其特征在于，所述步骤3具体包括：
图卷积运算定义为下式，模型通过其进行消息传递，在每层卷积中有两个主要操作的过程，消息传递和消息聚合：
Figure FDA0003722957950000024
Figure FDA0003722957950000025
Figure FDA0003722957950000026
其中，
Figure FDA0003722957950000027
表示在第L层嵌入传播层后得到的用户u的表示，W(l)∈Rd′×d为提取传播中有用信息的可训练权值矩阵，d'为变换大小，Nu和Nv分别为u和v的邻居节点集合，使用对称归一化项
Figure FDA0003722957950000028
来避免随着图卷积操作而增加的嵌入规模，⊙为元素级乘积，将关系和邻居项目嵌入纳入公式中，激活函数δ为LeakyReLU，为每个行为分配一个权重，设定行为k的权重为
Figure FDA0003722957950000029
为了将行为的重要性和行为的稀疏性融合在一起，为用户u的特定行为k定义了传播权重为
Figure FDA00037229579500000210
其中，
Figure FDA00037229579500000211
wm由模型自行训练，
Figure FDA00037229579500000212
是用户操作的行为k的数量，
Figure FDA00037229579500000213
是用户交互总数目，关系嵌入转换公式中，
Figure FDA00037229579500000214
是一个特定于层的参数，它将所有的关系投影到与节点相同的嵌入空间中，并允许它们在下一个GCN层中被使用。
5.根据权利要求1所述的一种多行为增强信息的加权图卷积网络评分预测推荐方法，其特征在于，所述步骤4具体包括：
图卷积运算定义为下式，在每层卷积中有两个主要操作的过程：消息传递和消息聚合：
Figure FDA0003722957950000031
Figure FDA0003722957950000032
其中，
Figure FDA0003722957950000033
表示在第L层嵌入传播层后得到的用户v的表示，W(l)∈Rd′×d为提取传播中有用信息的可训练权值矩阵，d'为变换大小，Nu和Nv分别为u和v的邻居节点集合；使用对称归一化项
Figure FDA0003722957950000034
来避免随着图卷积操作而增加的嵌入规模，⊙为元素级乘积，将关系和邻居用户嵌入纳入公式中，激活函数δ为LeakyReLU，关系嵌入转换公式中，
Figure FDA0003722957950000035
是一个特定于层的参数，它将所有的关系投影到与节点相同的嵌入空间中，并允许它们在下一个GCN层中被使用。
6.根据权利要求1所述的一种多行为增强信息的加权图卷积网络评分预测推荐方法，其特征在于，所述步骤5具体包括：
设计了一个项目关联性传播层来获取行为语义
Figure FDA0003722957950000036
其中，
Figure FDA0003722957950000037
是和项目v一起在行为k下与用户有交互的一组项目集合，
Figure FDA0003722957950000038
为行为k的编码矩阵，这里的聚合函数为简单的平均函数，并且
Figure FDA0003722957950000039
等于对应的项目v的初始嵌入向量。
7.根据权利要求1所述的一种多行为增强信息的加权图卷积网络评分预测推荐方法，其特征在于，所述步骤6具体包括：
Figure FDA00037229579500000310
Figure FDA00037229579500000311
Figure FDA00037229579500000312
Figure FDA00037229579500000313
用户u在项目v上执行第k个行为的可能性估计为：
Figure FDA00037229579500000314
并计算在特定的行为k下，目标项目v和用户u交互的项目之间的相关性评分y2(u，v)：
Figure FDA0003722957950000041
两者一起作为预测分数：
y(k)u,v＝λ·y1(k)u,v+(1-λ)·y2(k)u,v (13)。
CN202210757163.9A 2022-06-30 2022-06-30 一种多行为增强信息的加权图卷积网络评分预测推荐方法 Pending CN115114526A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210757163.9A CN115114526A (zh) 2022-06-30 2022-06-30 一种多行为增强信息的加权图卷积网络评分预测推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210757163.9A CN115114526A (zh) 2022-06-30 2022-06-30 一种多行为增强信息的加权图卷积网络评分预测推荐方法

Publications (1)

Publication Number Publication Date
CN115114526A true CN115114526A (zh) 2022-09-27

Family

ID=83330021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210757163.9A Pending CN115114526A (zh) 2022-06-30 2022-06-30 一种多行为增强信息的加权图卷积网络评分预测推荐方法

Country Status (1)

Country Link
CN (1) CN115114526A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115878904A (zh) * 2023-02-22 2023-03-31 深圳昊通技术有限公司 基于深度学习的知识产权个性化推荐方法、系统及介质
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
CN118297682A (zh) * 2024-06-04 2024-07-05 湖南工商大学 基于多行为的交互内容推荐方法、装置及相关设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220027722A1 (en) * 2020-07-27 2022-01-27 Adobe Inc. Deep Relational Factorization Machine Techniques for Content Usage Prediction via Multiple Interaction Types
CN114117220A (zh) * 2021-11-26 2022-03-01 东北大学 基于知识增强的深度强化学习交互式推荐系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220027722A1 (en) * 2020-07-27 2022-01-27 Adobe Inc. Deep Relational Factorization Machine Techniques for Content Usage Prediction via Multiple Interaction Types
CN114117220A (zh) * 2021-11-26 2022-03-01 东北大学 基于知识增强的深度强化学习交互式推荐系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BOWEN JIN 等: "Multi-behavior Recommendation with Graph Convolutional Networks", SIGIR ’20, 30 July 2020 (2020-07-30), pages 1 - 10 *
高钰澜 等: "基于轻量图卷积和注意力增强的多行为推荐模型", 计算机应用研究, vol. 39, no. 6, 10 February 2022 (2022-02-10), pages 1 - 7 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115878904A (zh) * 2023-02-22 2023-03-31 深圳昊通技术有限公司 基于深度学习的知识产权个性化推荐方法、系统及介质
CN115878904B (zh) * 2023-02-22 2023-06-02 深圳昊通技术有限公司 基于深度学习的知识产权个性化推荐方法、系统及介质
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
CN118297682A (zh) * 2024-06-04 2024-07-05 湖南工商大学 基于多行为的交互内容推荐方法、装置及相关设备
CN118297682B (zh) * 2024-06-04 2024-09-20 湖南工商大学 基于多行为的交互内容推荐方法、装置及相关设备

Similar Documents

Publication Publication Date Title
Zhang et al. Star-gcn: Stacked and reconstructed graph convolutional networks for recommender systems
CN112989064B (zh) 一种聚合知识图神经网络和自适应注意力的推荐方法
Gao et al. Causal inference in recommender systems: A survey and future directions
Li et al. Fi-gnn: Modeling feature interactions via graph neural networks for ctr prediction
Yang et al. HAGERec: Hierarchical attention graph convolutional network incorporating knowledge graph for explainable recommendation
Sang et al. Knowledge graph enhanced neural collaborative recommendation
CN115114526A (zh) 一种多行为增强信息的加权图卷积网络评分预测推荐方法
Zhang et al. A deep variational matrix factorization method for recommendation on large scale sparse dataset
CN111160954B (zh) 基于图卷积网络模型的面向群组对象的推荐方法
CN109903103B (zh) 一种推荐物品的方法和装置
CN112085615B (zh) 图神经网络的训练方法及装置
Zan et al. UDA: A user-difference attention for group recommendation
CN107346333B (zh) 一种基于链路预测的在线社交网络好友推荐方法与系统
Sang et al. Knowledge graph enhanced neural collaborative filtering with residual recurrent network
Shao et al. FairCF: Fairness-aware collaborative filtering
Li et al. Deep sparse autoencoder prediction model based on adversarial learning for cross-domain recommendations
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
CN115357804A (zh) 基于图卷积网络的两阶段协同过滤多行为推荐方法
US20230359678A1 (en) Recommended content selection method and apparatus, device, storage medium, and program product
CN114282077A (zh) 一种基于会话数据的会话推荐方法及系统
Liu et al. Towards context-aware collaborative filtering by learning context-aware latent representations
Wu et al. PDA-GNN: propagation-depth-aware graph neural networks for recommendation
CN112364257A (zh) 一种基于知识图谱的用户群组推荐系统及方法
Hammou et al. FRAIPA: A fast recommendation approach with improved prediction accuracy
Vaiyapuri Deep Learning Enabled Autoencoder Architecture for Collaborative Filtering Recommendation in IoT Environment.

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