CN115203550A - 一种增强邻居关系的社交推荐方法及系统 - Google Patents

一种增强邻居关系的社交推荐方法及系统 Download PDF

Info

Publication number
CN115203550A
CN115203550A CN202210826473.1A CN202210826473A CN115203550A CN 115203550 A CN115203550 A CN 115203550A CN 202210826473 A CN202210826473 A CN 202210826473A CN 115203550 A CN115203550 A CN 115203550A
Authority
CN
China
Prior art keywords
user
social
project
enhancing
representation
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
CN202210826473.1A
Other languages
English (en)
Inventor
高茜
贾子鹤
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202210826473.1A priority Critical patent/CN115203550A/zh
Publication of CN115203550A publication Critical patent/CN115203550A/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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及社交推荐技术领域，提供了一种增强邻居关系的社交推荐方法及系统，包括：获取社交网络中的用户集、项目集及以及用户对项目的评分；基于获取的用户集、项目集及以及用户对项目的评分，通过增强邻居关系的社交推荐模型，为每个用户进行社交推荐；其中，增强邻居关系的社交推荐模型通过建立用户和项目的映射，进行用户和项目的邻居的亲密度计算，基于亲密度进行用户和项目的邻居的采样，并通过自注意力机制根据亲密度计算采样邻居的权重后，计算得到项目社交空间表示和用户社交空间表示，结合项目自身特征表示和用户自身特征表示，得到项目特征表示和用户特征表示。削弱了无效邻居的影响，提高了社交推荐的准确度。

Description

一种增强邻居关系的社交推荐方法及系统
技术领域
本发明属于社交推荐技术领域，尤其涉及一种增强邻居关系的社交推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着社交网络的发展，人们在选择社交的时候受到社交关系的影响越来越大；因此，社交关系作为一种辅助信息为提高社交推荐的准确率起到了重要作用，例如，淘宝商品推荐和微博资讯推荐；但由于社会关系的复杂性，已有的模型面临很多问题：
1、无效邻居关系带来的干扰。由于网络社交关系建立的廉价性，人们在选择社交的时候愈加随意，例如，淘宝好友和微博好友等，虽然在网络上建立了邻居关系，但大部分都与用户的偏好不同，在基于图神经网络模型的社交推荐模型(Graph Neural Networksfor Social Recommendation，GraphRec)中，并没有考虑无效邻居的干扰，对社交推荐的准确性有着不小的影响；因此，如何识别并增强有效邻居的权重，减少模型中无效邻居的权重是需要解决的问题。
2、缺少有效手段选择有效邻居。原始数据带有大量的信任关系，不同的用户信任关系的可靠性不同；因此，如何判断信任关系的有效性是需要解决问题。
3、缺失项目社交网络的完整性。例如，在深度社会化协同过滤(Deep SocialCollaborative Filtering，DSCF)模型中，虽然提出了用户项目的交互方式，但是却没有针对项目的社交网络进行建模；缺少了这一辅助信息对推荐的准确率有不小的影响；因此，如何补全项目社交信息也是需要解决问题。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种增强邻居关系的社交推荐方法及系统，通过亲密度计算和自注意力机制削弱无效邻居的影响，提高了社交推荐的准确度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种增强邻居关系的社交推荐方法，其包括：
获取社交网络中的用户集、项目集及以及用户对项目的评分；
基于获取的用户集、项目集及以及用户对项目的评分，通过增强邻居关系的社交推荐模型，为每个用户进行社交推荐；
其中，增强邻居关系的社交推荐模型通过建立用户和项目的映射，进行用户和项目的邻居的亲密度计算，基于亲密度进行用户和项目的邻居的采样，并通过自注意力机制根据亲密度计算采样邻居的权重后，计算得到项目社交空间表示和用户社交空间表示，结合项目自身特征表示和用户自身特征表示，得到项目特征表示和用户特征表示。
进一步地，所述增强邻居关系的社交推荐模型对于每个项目，通过将所交互用户的嵌入和评分嵌入拼接后，通过多层感知机得到项目与用户之间的交互意见，将项目与不同用户之间的交互意见进行聚合，得到所述项目的自身特征表示。
进一步地，所述增强邻居关系的社交推荐模型对于每个用户，通过将所交互项目的嵌入和评分嵌入拼接后，通过多层感知机得到用户对项目的感知交互，将用户对不同项目的感知交互进行聚合，得到所述用户的自身特征表示。
进一步地，所述增强邻居关系的社交推荐模型通过用户的采样邻居的权重，对用户的采样邻居进行聚合，基于聚合信息通过一个单层感知机，得到所述用户社交空间表示。
进一步地，所述增强邻居关系的社交推荐模型通过项目的采样邻居的权重，对项目的采样邻居进行聚合，基于聚合信息通过一个单层感知机，得到所述项目社交空间表示。
进一步地所述增强邻居关系的社交推荐模型将项目社交空间表示和项目自身特征表示通过一个多层感知机整合得到所述项目特征表示；
或者，
所述增强邻居关系的社交推荐模型将用户社交空间表示和用户自身特征表示通过一个多层感知机整合得到所述用户特征表示。
进一步地，所述增强邻居关系的社交推荐模型将所述项目特征表示和用户特征表示拼接后，通过一个多层感知机预测得到评分。
本发明的第二个方面提供一种增强邻居关系的社交推荐系统，其包括：
数据获取模块，其被配置为：获取社交网络中的用户集、项目集及以及用户对项目的评分；
社交推荐模块，其被配置为：基于获取的用户集、项目集及以及用户对项目的评分，通过增强邻居关系的社交推荐模型，为每个用户进行社交推荐；
其中，增强邻居关系的社交推荐模型通过建立用户和项目的映射，进行用户和项目的邻居的亲密度计算，基于亲密度进行用户和项目的邻居的采样，并通过自注意力机制根据亲密度计算采样邻居的权重后，计算得到项目社交空间表示和用户社交空间表示，结合项目自身特征表示和用户自身特征表示，得到项目特征表示和用户特征表示。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种增强邻居关系的社交推荐方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种增强邻居关系的社交推荐方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了一种增强邻居关系的社交推荐方法，其通过相似性邻居和自注意力机制来减轻无效邻居在社交推荐中的比重，解决信任关系廉价性的问题；选择具有相同偏好的邻居作为有效邻居，以此来解决有效邻居的选择问题；提高了社交推荐的准确度。
本发明提供了一种增强邻居关系的社交推荐方法，其通过对偶性建立项目社交网络，补全了项目社交信息，解决了辅助信息不完整的问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一的增强邻居关系的社交推荐模型的结构图；
图2是本发明实施例一的社交网络的示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释：
基于图神经网络模型的社交推荐模型GraphRec：采用用户-项目的嵌入表达方式，以此作为底层嵌入更加详细；此外，GraphRec提供了一种建模思路，即从用户和项目两个模块分别构建自身特征和社会特征。
实施例一
本实施例提供了一种增强邻居关系的社交推荐方法，具体包括以下步骤：
步骤1、获取数据集，即获取社交网络(图网络或关系图网络)中的用户集、项目集、用户和用户之间信任关系及以及用户对项目的评分。
具体的，社交网络可以为微博中的社交关系。用户集C中的每个用户可以为微博中的一个注册用户。项目集合B中的每个项目可以为微博中用户发表的一条微博(资讯)。对于一个项目，不同的用户具有不同的观点(评论)，通过预处理(情感识别)将用户的评论转化为可以用数字表示的评分，即为用户对项目的评分。
如图2所示，为以用户u1为中心节点的关系图网络，其中包含：显示的用户-用户关系，有两个相反的关系；显示的用户-项目关系，有5个等级的评分；隐式的用户-用户关系；隐式的项目-项目关系。
步骤2、基于获取的用户集、项目集及以及用户对项目的评分，通过增强邻居关系的社交推荐模型，为每个用户进行社交推荐。
由于社交模型需要信任关系这一辅助信息，但数据集中的信任关系并不可靠。所以，本发明在GraphRec模型的基础上构建了增强邻居关系的社交推荐模型Sim-GraphRec，主要贡献是在GraphRec模型的基础上参考ConsisRec模型中的一致性方法构建了更可靠的邻居关系，并创新了映射，映射是通过多层感知机来构建非线性关系的。
如图1所示，Sim-GraphRec主要由三部分构成：嵌入层(采用多层感知机(一种小型多层神经网路模型))，社交层(分为注意力网络、图神经网络等，每个网络都可以分为L层)和评分层(采用多层感知机)。
嵌入层中分为两部分：项目空间和用户空间。
项目空间：对于项目集合B中的每个项目，利用与项目交互的用户和这些用户的评分来整合项目信息。因为不同的用户可能对同一项目具有不同的观点，收集这些观点有助于对项目的特征进行建模；另一方面，也能帮助对邻居用户关系进行筛选，丰富隐藏信息。
项目j与所交互的用户t之间的交互意见fjt的表示如下：
Figure BDA0003746800050000061
其中，
Figure BDA0003746800050000062
表示两个向量之间的连接操作，pt为用户t的嵌入，re为评分嵌入，gu为多层感知机，实现更好的对初始嵌入融合。
由于同一项目会有不同的用户交互，接下来，聚合得到项目的不同交互意见表示为
Figure BDA0003746800050000071
即得到项目j的自身特征表示：
Figure BDA0003746800050000072
其中，I表示的是自身的特征表示，对应下面的S表示社会的特征表示，∑t∈B(j)为聚合函数，μjt和b分别为权重和偏置参数；W为权重矩阵，σ为激活函数。
用户空间：类似的，使用近似的方法来构建用户的不同交互意见表示
Figure BDA0003746800050000073
用户可以对不同的项目进行评分，对于不同项目的评分有助于捕捉用户的偏好，更有利于对项目建模。
对于用户i与其交互的项目a，引入感知交互xia、项目嵌入qa和评分嵌入re，把项目嵌入和评分嵌入的组合通过一个多层感知机gv()，输出感知交互：
Figure BDA0003746800050000074
其中，
Figure BDA0003746800050000075
表示两个向量之间的连接操作；qa为项目a的嵌入，re为评分嵌入，实现更好的对初始嵌入融合。
为了减少特殊值带来的影响，对
Figure BDA0003746800050000076
中的每一对(qa,re)分配不同的权重αia，接下来聚合得到用户的不同交互意见表示为
Figure BDA0003746800050000077
Figure BDA0003746800050000078
其中，∑a∈C(i)为聚合函数，αia和b为权重和偏置参数；W为权重矩阵，σ为激活函数。
在社交层中，以用户-项目交互作为基线，评分作为辅助信息，筛选出亲密度低的邻居关系；通过自注意力机制削弱这些关系影响，防止因为无效数据干扰导致模型过拟合；然后得到项目的社交影响和用户的社交影响；最后把嵌入层的结果和社交层的结果通过线性组合得到用户特征和项目特征，如图1所示。
(1)项目的社交影响。
两个项目之间相似度计算一般是通过用户点击或评价项目。因此，利用用户和项目之间评分来计算项目(微博)之间的亲密度，利用亲密度关系来构建模型的社交空间。具体地，用图网络中项目的邻居项目来构建社交影响。首先定义节点(项目)j的社交空间项目表示为
Figure BDA0003746800050000081
(上标s表示社会影响)，它是由项目j在第l层隐藏层的不同社交邻居表示(信息表示嵌入)
Figure BDA0003746800050000082
(即项目j在第l层的社交邻居项目j*的自身特征表示
Figure BDA0003746800050000083
)聚合构成的，M(j)是与项目j相似或相关的项目集合(即项目j的邻居集合)，项目社交空间表示
Figure BDA0003746800050000084
如下：
Figure BDA0003746800050000085
其中，k()是一个单层感知机，AGG(l)表示第l层隐藏层的聚合函数，σ表示激活函数。
其中，项目中的邻居关系并没有准确的标准，现有的模型少有牵扯到项目的邻居选择，所以加入了映射模块，建立用户和项目的直接联系，方便寻找项目的邻居。定义一个映射函数qij，用来动态选择采样的邻居，建立的映射公式如下：
Figure BDA0003746800050000086
其中，qij为项目j与用户i之间的映射嵌入，
Figure BDA0003746800050000087
分别是用户节点i和项目节点j的嵌入，g()是一个多层感知机，更有利于发现项目和用户节点的非线性关系。
项目j与所有交互用户之间的映射嵌入组成项目j的查询q。之后，应对强弱联系的邻居项目进行区别。目标是挑选出亲密性比较强的邻居，所以采用一致性公式来判断相似性强弱。项目j的邻居节点j*在l层的采样由项目j的映射q所有邻居的强弱亲密度定义为p(l)(j*；q)：
Figure BDA00037468000500000910
Figure BDA0003746800050000091
其中，s(l)(k*；q)表示在第l层网络中项目j的邻居k*和查询q的亲密度分数，
Figure BDA0003746800050000092
表示邻居项目节点k*在l层的信息表示嵌入。
得到项目j与所有邻居项目j*的强弱亲密度(即邻居的概率表示)，设定采样邻居的比率，计算出项目采样邻居的数量M*，选取与项目j的强弱亲密度最大的M*个采样邻居项目，作为项目j的采样邻居。采样邻居的数量与邻居总数成正比，其中比率为0≤γ≤1。因此，如果一个节点连接到更多节点，将采样更多的邻居。
为了整合具有强亲密度的邻居项目信息，对聚合函数AGG(l)进行进一步分析，具体地：采用自注意力机制为项目j的每个采样邻居项目节点j*分配了关注权重βj：
Figure BDA0003746800050000093
其中，
Figure BDA0003746800050000094
是第j*个采样邻居的重要性，M*为采样邻居项目总数，采用自注意力机制对前一层的所有邻居节点信息
Figure BDA0003746800050000095
进行计算，求出关注权重
Figure BDA0003746800050000096
Figure BDA0003746800050000097
其中，
Figure BDA0003746800050000098
是重要性因子，l是隐藏层的索引，l＝1,2,…,L。项目的评分嵌入用re表示。
Figure BDA0003746800050000099
是自注意力层的可训练参数，σ为激活函数。需要注意的是，这里的自注意力层指的是图网络结构的隐藏层中的注意力机制，自注意力层里面也可以包含隐藏层。
聚合之后的信息可以作为用户社交嵌入
Figure BDA0003746800050000101
之后对项目社交嵌入和项目关系嵌入通过一个多层感知机整合得到项目特征表示zj，具体如下：
Figure BDA0003746800050000102
其中，L是隐藏层的总层数，Wl和bl为权重和偏置参数。
(2)用户的社交影响。
同样，用户与用户之间也存在关联，而且用户更容易受到朋友的影响。本文利用自注意力机制来聚合社交影响的差异性。假设社交空间的用户影响为
Figure BDA0003746800050000103
Figure BDA0003746800050000104
是聚合了用户ui在l层的不同社交邻居表示
Figure BDA0003746800050000105
(即用户i在第l层的社交邻居用户i*的自身特征表示
Figure BDA0003746800050000106
)，用户社交空间表示公式如下：
Figure BDA0003746800050000107
其中，N(i)是与用户ui相似/相关的项目集合。在生活中，邻居用户是比较容易建立的，但邻居之间的信任关系并非全部可靠。针对原始数据中用户之间的信任关系。
建立的映射公式如下：
Figure BDA0003746800050000108
其中，qij为项目j与用户i之间的映射嵌入，
Figure BDA0003746800050000109
分别是用户节点i和项目节点j的嵌入，g()是一个多层感知机，更有利于发现项目和用户节点的非线性关系。
用户i与所有交互项目之间的映射嵌入组成用户i的查询q’。
使用相同的方法用用户i的用户邻居节点i*在l层的采样由映射q’和所有求出邻居用户i*亲密度分数s(l)(i*；q’)，参考一致性公式如下：
Figure BDA00037468000500001110
Figure BDA0003746800050000111
其中，s(l)(o*；q’)表示在第l层网络中用户i的用户邻居o*和查询q’的亲密度分数，
Figure BDA0003746800050000112
表示用户i的用户邻居o*在l层的信息表示嵌入。
得到用户i与所有邻居用户i*的强弱亲密度(即邻居的概率表示)，设定采样邻居的比率，计算出用户采样邻居的数量N*，选取与用户i的强弱亲密度最大的N*个邻居用户，作为用户i的采样邻居。采样邻居的数量与邻居总数成正比，其中比率为0≤γ≤1。因此，如果一个节点连接到更多节点，将采样更多的邻居。
采用自注意力机制计算和不同邻居用户i*嵌入的相关性并计算影响因子
Figure BDA0003746800050000113
再结合影响因子进行聚合。聚合信息如下：
Figure BDA0003746800050000114
其中，l为隐藏层的索引，求出关注权重
Figure BDA0003746800050000115
Figure BDA0003746800050000116
其中，l是隐藏层的索引，re为评分嵌入，
Figure BDA0003746800050000117
是注意力层的可训练参数。聚合之后的信息可以作为用户社交嵌入
Figure BDA0003746800050000118
之后对用户社交影响嵌入和用户关系嵌入通过一个多层感知机整合得到用户特征表示hi，表示如下：
Figure BDA0003746800050000119
其中，L是隐藏层的总层数，W′l和b′l为权重和偏置参数。
通过L层的计算传播之后，得到了用户特征hi和项目特征zj。评分层将嵌入表示拼接之后通过多层感知机进行计算，从而得出预测评分r′ij，具体如下：
Figure BDA0003746800050000121
其中，W″l和b″l为权重和偏置参数，
Figure BDA0003746800050000123
的含义为权重矩阵。
预测得到每个用户对所有项目的评分后，根据预测得到的评分，为用户推荐项目(资讯)。
增强邻居关系的社交推荐模型的损失函数定义为评估中所有r′ij与真实评分得分rij的差值，损失函数为：
Figure BDA0003746800050000122
其中，|O|是数据集中的评级的数目。
另外，针对优化深度神经网络模型时长期存在的过拟合问题，采用了dropout策略并在实验中采用了提前停止的方法。
通过在Epinions和Ciao两个公开数据集上进行的对比实验证明，与最新的GraphRec+相比，平均绝对误差(mean absolute error，MAE)和均方根误差(root meansquared error，RMSE)值分别提升了0.81％-1.09％，1.15％-1.41％，证明了增强邻居关系的社交推荐模型的性能优于其他模型。由于增强邻居关系的社交推荐模型中增加了邻居抽样方法，对邻居抽样的比例选择60％，所以增强邻居关系的社交推荐模型在一定程度上缩减的运行时间。实验结果证明数据集中的信任关系并非全部可靠，而且增强邻居关系的社交推荐模型在一定程度上解决了好友信任关系不可靠的问题。
本发明通过相似性邻居和自注意力机制来减轻无效邻居在社交推荐中的比重，解决信任关系廉价性的问题；通过构建用户-项目对来选择具有相同偏好的邻居作为有效邻居，以此来解决有效邻居的选择问题；通过对偶性建立项目社交网络，补全了项目社交信息，解决了辅助信息不完整的问题。
实施例二
本实施例提供了一种增强邻居关系的社交推荐系统，其具体包括如下模块：
数据获取模块，其被配置为：获取社交网络中的用户集、项目集及以及用户对项目的评分；
社交推荐模块，其被配置为：基于获取的用户集、项目集及以及用户对项目的评分，通过增强邻居关系的社交推荐模型，为每个用户进行社交推荐；
其中，增强邻居关系的社交推荐模型通过建立用户和项目的映射，进行用户和项目的邻居的亲密度计算，基于亲密度进行用户和项目的邻居的采样，并通过自注意力机制根据亲密度计算采样邻居的权重后，计算得到项目社交空间表示和用户社交空间表示，结合项目自身特征表示和用户自身特征表示，得到项目特征表示和用户特征表示。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种增强邻居关系的社交推荐方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种增强邻居关系的社交推荐方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
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，对于本领域的技术人员来说，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 (10)

1.一种增强邻居关系的社交推荐方法，其特征在于，包括：
获取社交网络中的用户集、项目集及以及用户对项目的评分；
基于获取的用户集、项目集及以及用户对项目的评分，通过增强邻居关系的社交推荐模型，为每个用户进行社交推荐；
其中，增强邻居关系的社交推荐模型通过建立用户和项目的映射，进行用户和项目的邻居的亲密度计算，基于亲密度进行用户和项目的邻居的采样，并通过自注意力机制根据亲密度计算采样邻居的权重后，计算得到项目社交空间表示和用户社交空间表示，结合项目自身特征表示和用户自身特征表示，得到项目特征表示和用户特征表示。
2.如权利要求1所述的一种增强邻居关系的社交推荐方法，其特征在于，所述增强邻居关系的社交推荐模型对于每个项目，通过将所交互用户的嵌入和评分嵌入拼接后，通过多层感知机得到项目与用户之间的交互意见，将项目与不同用户之间的交互意见进行聚合，得到所述项目的自身特征表示。
3.如权利要求1所述的一种增强邻居关系的社交推荐方法，其特征在于，所述增强邻居关系的社交推荐模型对于每个用户，通过将所交互项目的嵌入和评分嵌入拼接后，通过多层感知机得到用户对项目的感知交互，将用户对不同项目的感知交互进行聚合，得到所述用户的自身特征表示。
4.如权利要求1所述的一种增强邻居关系的社交推荐方法，其特征在于，所述增强邻居关系的社交推荐模型通过用户的采样邻居的权重，对用户的采样邻居进行聚合，基于聚合信息通过一个单层感知机，得到所述用户社交空间表示。
5.如权利要求1所述的一种增强邻居关系的社交推荐方法，其特征在于，所述增强邻居关系的社交推荐模型通过项目的采样邻居的权重，对项目的采样邻居进行聚合，基于聚合信息通过一个单层感知机，得到所述项目社交空间表示。
6.如权利要求1所述的一种增强邻居关系的社交推荐方法，其特征在于，所述增强邻居关系的社交推荐模型将项目社交空间表示和项目自身特征表示通过一个多层感知机整合得到所述项目特征表示；
或者，
所述增强邻居关系的社交推荐模型将用户社交空间表示和用户自身特征表示通过一个多层感知机整合得到所述用户特征表示。
7.如权利要求1所述的一种增强邻居关系的社交推荐方法，其特征在于，所述增强邻居关系的社交推荐模型将所述项目特征表示和用户特征表示拼接后，通过一个多层感知机预测得到评分。
8.一种增强邻居关系的社交推荐系统，其特征在于，包括：
数据获取模块，其被配置为：获取社交网络中的用户集、项目集及以及用户对项目的评分；
社交推荐模块，其被配置为：基于获取的用户集、项目集及以及用户对项目的评分，通过增强邻居关系的社交推荐模型，为每个用户进行社交推荐；
其中，增强邻居关系的社交推荐模型通过建立用户和项目的映射，进行用户和项目的邻居的亲密度计算，基于亲密度进行用户和项目的邻居的采样，并通过自注意力机制根据亲密度计算采样邻居的权重后，计算得到项目社交空间表示和用户社交空间表示，结合项目自身特征表示和用户自身特征表示，得到项目特征表示和用户特征表示。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种增强邻居关系的社交推荐方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种增强邻居关系的社交推荐方法中的步骤。
CN202210826473.1A 2022-07-14 2022-07-14 一种增强邻居关系的社交推荐方法及系统 Pending CN115203550A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210826473.1A CN115203550A (zh) 2022-07-14 2022-07-14 一种增强邻居关系的社交推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210826473.1A CN115203550A (zh) 2022-07-14 2022-07-14 一种增强邻居关系的社交推荐方法及系统

Publications (1)

Publication Number Publication Date
CN115203550A true CN115203550A (zh) 2022-10-18

Family

ID=83580409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210826473.1A Pending CN115203550A (zh) 2022-07-14 2022-07-14 一种增强邻居关系的社交推荐方法及系统

Country Status (1)

Country Link
CN (1) CN115203550A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422470A (zh) * 2022-11-03 2022-12-02 中国传媒大学 基于新闻异构网络的关系感知新闻推荐方法、系统、设备
CN117540111A (zh) * 2024-01-09 2024-02-09 安徽农业大学 一种基于图神经网络的偏好感知社会化推荐方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422470A (zh) * 2022-11-03 2022-12-02 中国传媒大学 基于新闻异构网络的关系感知新闻推荐方法、系统、设备
CN117540111A (zh) * 2024-01-09 2024-02-09 安徽农业大学 一种基于图神经网络的偏好感知社会化推荐方法
CN117540111B (zh) * 2024-01-09 2024-03-26 安徽农业大学 一种基于图神经网络的偏好感知社会化推荐方法

Similar Documents

Publication Publication Date Title
CN112784092B (zh) 一种混合融合模型的跨模态图像文本检索方法
CN111931062B (zh) 一种信息推荐模型的训练方法和相关装置
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
Yang et al. Friend or frenemy? Predicting signed ties in social networks
CN115203550A (zh) 一种增强邻居关系的社交推荐方法及系统
CN111737551A (zh) 一种基于异构图注意力神经网络的暗网线索检测方法
CN113987155B (zh) 一种融合知识图谱与大规模用户日志的会话式检索方法
Wang et al. Trust-aware collaborative filtering with a denoising autoencoder
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
CN116601626A (zh) 个人知识图谱构建方法、装置及相关设备
CN112085158A (zh) 一种基于堆栈降噪自编码器的图书推荐方法
CN116089645A (zh) 一种基于层次化风格的条件文本-电商图片检索方法和系统
CN114221991B (zh) 基于大数据的会话推荐反馈处理方法及深度学习服务系统
CN114676315A (zh) 基于增强图卷积的属性融合交互推荐模型构建方法及系统
CN115375382A (zh) 一种商品推荐方法、装置及相关设备
CN116662570A (zh) 一种用于银行风险评估的异构图知识图谱补全方法及系统
CN114462707B (zh) 一种基于特征深度融合的Web服务多维QoS联合预测方法
CN115545833A (zh) 一种基于用户社交信息的推荐方法及系统
CN114821188A (zh) 图像处理方法、场景图生成模型的训练方法以及电子设备
CN113158088A (zh) 一种基于图神经网络的位置推荐方法
CN112364258A (zh) 基于图谱的推荐方法、系统、存储介质及电子设备
CN111125541A (zh) 面向多用户的可持续多云服务组合的获取方法
CN116051224B (zh) 联合互补知识迁移与目标域特征抽取的跨域推荐方法
CN113961816B (zh) 一种基于结构增强的图卷积神经网络会话推荐方法
CN116485501B (zh) 一种基于图嵌入与注意力机制的图神经网络会话推荐方法

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