CN115860880A - 基于多层异质图卷积模型的个性化商品推荐方法及系统 - Google Patents
基于多层异质图卷积模型的个性化商品推荐方法及系统 Download PDFInfo
- Publication number
- CN115860880A CN115860880A CN202310014784.2A CN202310014784A CN115860880A CN 115860880 A CN115860880 A CN 115860880A CN 202310014784 A CN202310014784 A CN 202310014784A CN 115860880 A CN115860880 A CN 115860880A
- Authority
- CN
- China
- Prior art keywords
- user
- node
- commodity
- network
- module
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多层异质图卷积模型的个性化商品推荐方法及系统,属于人工智能技术领域。本发明首先将电子商务网络构建成一个多层异质属性网络,同时建模用户与商品间的多种交互行为;其次,考虑到用户与商品间不同类型交互的不同影响,设置了自适应调节的参数来捕获影响的大小;然后,设计了一个多层图卷积模块,能够自动捕获多层异质属性网络中跨越多种关系的不同长度的元路径信息来得到节点的表征;最后利用余弦相似性实现对用户进行个性化商品推荐。本发明能够建模用户与商品间多种交互行为,学习高性能的表征,进一步提升推荐的准确度,提高用户的体验。
Description
技术领域
本发明涉及一种基于多层异质图卷积模型的个性化商品推荐方法及系统,属于人工智能技术领域。
背景技术
近些年,电子商务和移动互联网飞速发展,淘宝、京东、唯品会、拼多多等电子商务平台纷纷崛起,满足了人们在线购物的需要。如今,网上购物已经成为人们日常生活中不可或缺的部分,在为人们提供便捷服务的同时,也极大地促进了经济增长。电子商务平台中数量庞大的商品信息无论是给商品的提供者还是给商品的购买者都带来了巨大的挑战:商品提供者如何向商品购买者披露合适的商品信息;商品的购买者如何在众多的商品信息中筛选出自己需要的商品信息。针对这一系列的问题,商品个性化推荐系统应运而生。商品推荐系统是立足于大数据分析基础上实现的,根据用户的喜好倾向进行智能推荐,在提升产品销售量的同时,促使用户体验大幅度提升。在个性化推荐越来越受到学术界和工业界重视的大背景下,电子商务领域内个性化商品推荐技术得到不断丰富和发展。
个性化推荐系统的目的是在给定用户的历史交互商品的前提下,预测用户在未来可能交互的一系列商品。人们在网上购物时,大量的用户与商品的交互(比如,用户的点击、评论、收藏、加入购物车等行为)会被记录下来,这些丰富的用户行为记录为了解用户的兴趣爱好提供了机会。人们通过分析用户的多种序列行为,挖掘交互行为中隐含的用户偏好,来对用户进行有效的个性化推荐。
在商品推荐系统中,传统的推荐方法主要以协同过滤模型为代表。最常见的协同过滤算法主要有邻域方法和矩阵分解模型,其中邻域方法通过测量商品与相似性矩阵之间的距离来进行推荐,基于邻域的算法大致分为两大类,一类是基于用户的协同过滤算法,另一类是基于商品的协同过滤算法。不同于邻域推荐方法,矩阵分解通过用户和商品嵌入之间的内积来估计用户对商品的偏好。虽然上述两种方法在推荐方面取得了显著的成效,但是这些方法仅仅将用户的某些历史交互商品直接作为商品的集合,通过分析集合来进行推荐。简言之,它们只是通过挖掘用户和商品之间的静态相关性来进行推荐,而忽略了隐藏在用户序列行为中的偏好的转移,且无法对序列数据中的复杂关系进行建模。
通过对现有的商品推荐方法进行分析总结,传统方法在以下几个方面存在不足:1)忽视或者无法同时建模用户的多种交互行为,造成推荐商品不准确,降低用户体验;2)现有的网络表征学习方法复杂度极高,效率极低,不能及时更新,无法应用于动态环境以捕获用户动态偏好变化;3)忽视或不重视用户与商品的属性,比如用户的地理位置、性别、消费金额等,商品的类别、价格、描述信息等,有效利用这些外部信息,能够进一步提高推荐性能。
发明内容
为解决电子商务领域个性化商品推荐问题,本发明提供一种基于多层异质图卷积模型的个性化商品推荐方法及系统,以实现更有效的商品推荐,提高用户在电商平台上的购物体验感。
为实现上述发明目的,本发明采取的具体技术方案如下:
一种基于多层异质图卷积模型的个性化商品推荐方法,包括如下步骤:
步骤1,收集用户与商品信息数据,并构建多层异质属性网络,其中,/>为所有用户节点的集合,/>为所有商品节点的集合,/>为所有类型边的边集合,R为各种交互行为集合,/>是所有节点的属性矩阵,每一行表示对应节点的属性向量;
步骤2,解耦多层异质属性网络:将多层异质属性网络解耦为多个二分网络,以区分多层网络中节点间的各种关系,每个二分网络仅包含一种用户与商品间的关系;令表示解耦后的所有二分网络的邻接矩阵集合;其中每个二分网络邻接矩阵/> 为用户节点和商品节点间对角线为零的对称邻接矩阵;
步骤4,针对多层异质属性网络设计多层异质图卷积模型以获得节点表征向量;多层异质图卷积模型融合了所有层的输出,以捕获跨越多种关系且长度不同的所有元路径信息:
其中表示正节点对集合,/>表示负节点对集合,u,v分别表示正节点对集合中的用户节点跟商品节点,/>分别表示负节点对集合中的用户节点跟商品节点,/>表示节点v的表征,/>表示节点u的表征,/>表示节点/>的表征,/>表示节点/>的表征,T表示矩阵转置,/>表示sigmoid函数,<·>是任何向量相似性度量函数(例如内积);
步骤6,个性化商品推荐算法:基于所述多层异质图卷积模型学习到的所有用户节点与商品节点的表征向量,对于给定用户v,利用余弦相似性度量用户v对商品w的偏好:
进一步的,所述步骤4中,以两层图卷积网络(GCN)为例来说明如何捕获元路径信息;对于单层GCN:
其中,表示第二层的输出(即网络的隐表征),/>是第二层的可学习权重矩阵,通过步骤(5)训练优化。公式(2)中的组合邻接矩阵/>以视为由长度为1的元路径实例生成的元路径聚合图,因此单层GCN可以有效的学习包含长度为1的元路径信息的节点表征。同理,/>的二次幂自动捕获长度为2的元路径信息同时保留关系的重要性权重。因此,融合单层GCN和双层GCN的输出:
其中和/>分别表示第l-1层和第l层的输出,和/>分别表示第l-1层和第l层的可学习权重矩阵,通过步骤(5)训练优化。因此,多层异质图卷积模型融合了所有层的输出,以捕获跨越多种关系且长度不同的所有元路径信息:
进一步的,所述步骤5中,将网络中的连接节点视为正节点对,并将所有未连接节点视为负节点对。将正节点对按 85%、5% 和 10% 的比例划分为训练集、验证集和测试集。同时,随机选择相同数量的负节点对加入到训练集、验证集和测试集中。
一种基于多层异质图卷积模型的个性化商品推荐系统,包括历史数据库模块100、多层异质属性网络构建模块101、解耦模块102、自适应融合模块103、多层图卷积模块104、模型训练模块105以及个性化商品推荐模块106。
具体的,所述历史数据库模块100中,交互行为记录的每条记录格式为:<用户ID,商品ID,交互行为类型,时间点>;用户的属性信息包括用户地理位置、性别、年龄段、季度消费均额;商品的属性信息包括商品类别、价格、文本描述信息。
所述多层异质属性网络构建模块101:该模块将电子商务网络的历史数据库构建成一个多层异质属性网络;
所述解耦模块102:该模块根据用户与商品的交互行为类型,将多层异质属性网络解耦成多个简单的二分网络,每个二分网络仅包括一种类型的边;
所述自适应融合模块103:该模块将解耦得到的多个二分网络进行加权融合,即将不同的交互行为的影响考虑进来,这里将权重参数设置为可训练参数,以期望权重在训练过程中自动调整大小,达到只适应调节每种关系重要性的作用;
所述多层图卷积模块104:该模块基于图卷积网络GCN,结合加权聚合后的组合邻接矩阵和节点属性特征矩阵X,获得网络节点特征表示Z,多层GCN模块保留每一层的隐表征,来捕获高阶结构信息和不同长度的元路径交互信息,最后通过平均池化得到最后的节点表征;
所述模型模块105:该模块首先在历史数据集按照比例采样与划分,然后依照损失函数,对步骤3与步骤4的可训练参数进行多轮训练,最后获得最终的网络节点特征表示Z;
所述个性化推荐模块106:该模块计算用户对商品的偏好值,然后按大小排序偏好值,向用户推荐前Top-k商品。
本发明的优点和技术效果:
本发明首先将电子商务网络构建成一个多层异质属性网络,同时建模用户与商品间的多种交互行为;其次,考虑到用户与商品间不同类型交互的不同影响,设置了自适应调节的参数来捕获影响的大小;然后,设计了一个多层图卷积模块,能够自动捕获多层异质属性网络中跨越多种关系的不同长度的元路径信息来得到节点的表征;最后利用余弦相似性实现对用户进行个性化商品推荐。
本发明具有如下优点:(1)相比传统推荐方法,本发明同时考虑了用户与商品间的多种交互行为,同时建模多种交互行为;(2)无需人为干预即可捕捉多种行为间的关系,也就是不同用户对同一商品的不同行为的交互,即不同长度的元路径的捕获;(3)本发明所提的图卷积网络有效融合了用户和商品的属性信息来获得表征,进一步提升商品推荐的性能。
综上所述,本发明能够建模用户与商品间多种交互行为,学习高性能的表征,进一步提升推荐的准确度,提高用户的体验。
附图说明
图1是本发明系统的总体框架图。
图2是基于历史数据库构建多层异质属性网络模块的框架图。
图3是自适应融合模块调节各种类型交互权重的框架图。
图4是多层图卷积获得节点表征的框架图。
图5是本发明基于节点表征向量进行个性化商品推荐的框架图。
图6是本发明基于多层异质图卷积的个性化商品推荐方法的流程图。
具体实施方式
下面结合附图与具体实施例对本发明做进一步说明。
实施例1:
一种基于多层异质图卷积的个性化商品推荐方法,包括如下步骤:
步骤1,将每个用户作为一个用户节点,每个商品作为一个商品节点,将用户与商品间每一种交互行为看作一种类型的边,例如:点击、购买、收藏、加入购物车为四种典型的交互行为,如果用户v点击了商品w,则节点v和w之间构建一条类型为点击的连边;从而构建一个多层异质属性网络,其中/>,/>为所有用户节点的集合,/>为所有商品节点的集合,/>为所有类型边的边集合,R为各种交互行为集合,例如R={点击、购买、收藏、加入购物车},四种之外的其他交互行为也可以按照同样方式考虑进来;是所有节点的属性矩阵,每一行表示对应节点的属性向量,例如用户的地理位置、性别、年龄段、季度消费均额等,商品的类别、价格、描述信息等,每种属性都可以采用one-hot编码,n为所有节点数量,m为节点编码后的属性的维度。如果用户v点击了商品w,则节点v和w之间构建一条类型为点击的边。
步骤2,所述多层异质属性网络中存在多种类型的节点和多种类型的边,每种类型的边对节点表征有不同的作用和影响;因此首先将多层异质属性网络解耦为多个二分网络,以区分多层网络中节点间的各种关系。例如,典型的电子商务网络有两类节点(用户与商品),当边的类型有4种(点击、购买、收藏、加入购物车)时将被解耦成四个单独的二分网络,每个二分网络仅包含一种用户与商品间的关系;令表示解耦后的所有二分网络的邻接矩阵集合,其中每个二分网络邻接矩阵/>形式为为用户节点和商品节点间对角线为零的对称邻接矩阵。如图3所示,将多层异质属性网络解耦成多个二分网络,每个二分网络仅包括一类交互行为关系,令/>表示所有二分网络的邻接矩阵集合。为便于后续邻接矩阵对齐,每个邻接矩阵/>包含了所有用户节点与商品。
步骤3,在电子商务网络中,用户和商品之间的不同交互(不同的边类型)对节点表征有着不同的影响,因此在进行商品推荐时,点击、购买、收藏和加入购物车等行为都会对推荐产生不同的影响。考虑到这一因素,对解耦后的多个二分网络进行加权融合,以获得组合邻接矩阵:
其中二分网络邻接矩阵的权重/>表示网络中相应边类型的重要性。值得注意的是,权重集合/>并不是一组预先设定的超参数,而应该根据推荐任务的展开动态更改,因此将他们设置为可训练参数,以便在模型训练过程中自适应调节。自适应融合过程如图3所示,首先根据公式(1)融合多个二分网络,其中公式(1)中的权重参数参与步骤5的训练过程,起到自适应调节每种关系重要性的作用。
步骤4,与同质网络不同,异质网络包含不同类型的节点和边。指定类型的边和节点次序形成元路径信息,这对异质网络的表征学习有显著的影响。以前的工作需要手动定义元路径类型,并在采样的异质元路径实例上学习节点表征。然而,人工设置元路径类型和采样元路径实例是一项复杂的任务。在大规模网络中,元路径实例的数量非常多。对如此大量的元路径实例进行采样需要很长时间。同时,将元路径实例聚合为元路径图也需要大量内存开销。此外,元路径的类型对节点表征有重要影响,这几乎决定了节点表征在推荐任务中的性能。异质网络元路径的类型也非常多,涉及不同的长度和不同的关系组合。以两层图卷积网络(GCN)为例来说明如何捕获元路径信息;对于单层GCN:
其中,表示第二层的输出(即网络的隐表征),/>是第二层的可学习权重矩阵,通过步骤(5)训练优化。公式(2)中的组合邻接矩阵/>可以视为由长度为1的元路径实例生成的元路径聚合图,因此单层GCN可以有效的学习包含长度为1的元路径信息的节点表征。同理,/>的二次幂自动捕获长度为2的元路径信息同时保留关系的重要性权重。因此,融合单层GCN和双层GCN的输出:
其中和/>分别表示第l-1层和第l层的输出(即网络的隐表征),/>和/>分别表示第l-1层和第l层的可学习权重矩阵,通过步骤(5)训练优化。因此,多层异质图卷积模型融合了所有层的输出,以捕获跨越多种关系且长度不同的所有元路径信息:
多层异质图卷积模型根据公式(2)~(6),融合各层的隐表征得到最终表征H。
步骤5,对模型进行训练,获得最优表征。将历史数据集中的所有连接节点视为正节点对,并将所有未连接节点视为负节点对。将正节点对按 85%、5% 和 10% 的比例划分为训练集、验证集和测试集。同时,随机选择相同数量的负节点对加入到训练集、验证集和测试集中。通过负采样最小化以下二元交叉熵损失函数来优化模型参数:
依照公式(7)的损失函数在训练集上进行训练,每次训练得到的表征在验证集上进行验证,确定最优模型参数获得最优表征并在测试集上进行测试。
步骤6,如图5所示,基于学习到的用户节点与商品节点的表征向量,给定一个用户v,利用余弦相似性度量用户v对商品w的偏好:
实施例2:
一种基于多层异质图卷积的个性化商品推荐系统,包括历史数据库模块100、多层异质属性网络构建模块101、解耦模块102、自适应融合模块103、多层图卷积模块104、模型训练模块105以及个性化商品推荐模块106,如图1、图6所示,以下对各部分进行具体说明:
历史数据库模块100:该数据库包括电子商务网络中用户与商品的交互行为记录(包括点击、购买、收藏、加入购物车),每条记录格式为:<用户ID,商品ID,交互行为类型,时间点>,用户与商品的属性信息(包括用户地理位置、性别、年龄段、季度消费均额等,商品类别、价格、文本描述信息等);
多层异质属性网络构建模块101:根据上述技术方案步骤1所述方法将电子商务网络的历史数据库构建成一个多层异质属性网络,如图2所示,从电子商务平台的历史数据库(即电子商务平台中用户与商品的历史交互信息)中分离用户节点集合与商品节点集合。根据用户与商品间不同的交互方式(例如:点击、购买等)构建多层异质网络,同时提取用户与商品的固有属性(例如用户的性别、职业,商品的类别、价格)构建节点属性矩阵。最后将构建的多层异质网络与节点属性矩阵组合为多层异质属性网络;
解耦模块102:根据上述技术方案步骤2,根据用户与商品的交互行为类型,将多层异质属性网络解耦成多个简单的二分网络,每个二分网络仅包括一种类型的边;
自适应融合模块103:根据上述技术方案步骤3,首先将解耦得到的多个二分网络进行加权融合,即将不同的交互行为的影响考虑进来,这里将权重参数设置为可训练参数,以期望权重在训练过程中自动调整大小,达到只适应调节每种关系重要性的作用;
多层图卷积模块104:根据上述技术方案步骤4,基于图卷积网络GCN,结合加权聚合后的邻接矩阵和节点属性特征矩阵X,获得网络节点特征表示H,多层异质图卷积模型保留每一层的隐表征,来捕获高阶结构信息和不同长度的元路径交互信息,最后通过平均池化得到最后的节点表征,如图4所示;/>
模型模块105:根据上述技术方案步骤5,首先在历史数据集按照比例采样与划分,然后依照损失函数,对步骤3与步骤4的可训练参数进行多轮训练,最后获得最终的网络节点特征表示H;
个性化推荐模块107:根据上述技术方案步骤6,以公式(8)计算用户对商品的偏好值,然后按大小排序偏好值,向用户推荐前Top-k商品。
利用实施例1、2提供方法及系统与现有方法进行结果比对分析:
在阿里巴巴数据集上进行了实验,阿里巴巴数据集是一个典型的电子商务平台数据集,拥有用户、商品两种类型的节点跟点击、购买、收藏、加购四种类型的边,也与一些经典的方法(node2vec、GCN、MAGNN)做了对比。
表1为不同方法间的推荐结果对比
从表1中可以看出,本发明提供的方法(多层异质图卷积模型)取得了最优的性能,并且两个评估指标都达到了0.99,这是因为与基线方法对比,本方法考虑了用户与商品间不同交互方式的不同影响,并且本方法可以自动捕获有效的元路径信息用于商品推荐。
本发明对用户与商品的多种交互行为通过构建多层异质属性网络同时建模,并充分考虑了用户及商品的多种属性因素,具体表现为:将用户与商品看成两类节点,用户与商品的每一种交互看成一种类型的边,用户及商品的附属信息看成节点属性,根据历史数据,建模成一个多层异质属性网络;利用多层异质图卷积模型,为每个用户和商品分别学习出一个表征向量,该表征向量考虑了用户与商品间的多种交互行为,隐含了用户与商品间偏好距离;根据用户与商品的表征向量,利用余弦相似性,针对不同的用户进行过更精确的商品推荐。该方法尤其适用于带有商品信息和用户标签特征的电子商务网络数据上进行商品推荐。
以上计划方案,仅为本发明中的实施方法,但本发明的保护范围不限于此,所有熟悉该技术的人员在本发明所披露的技术范围以内,可理解想到的替换或者变换,都应该包含在本发明的保护范围之内,所以,本发明的保护范围应以权利要求书的保护范围为准。
Claims (6)
1.一种基于多层异质图卷积模型的个性化商品推荐方法,其特征在于,包括如下步骤:
步骤1,收集用户与商品信息数据,并构建多层异质属性网络,其中,/>为所有用户节点的集合,/>为所有商品节点的集合,/>为所有类型边的边集合,R为各种交互行为集合,/>是所有节点的属性矩阵,每一行表示对应节点的属性向量;
步骤2,解耦多层异质属性网络:将多层异质属性网络解耦为多个二分网络,每个二分网络仅包含一种用户与商品间的关系;令表示解耦后的所有二分网络的邻接矩阵集合;其中每个二分网络邻接矩阵/>为用户节点和商品节点间对角线为零的对称邻接矩阵;
步骤4,针对多层异质属性网络设计多层异质图卷积模型以获得节点表征向量;多层异质图卷积模型融合了所有层的输出,以捕获元路径信息:
其中表示正节点对集合,/>表示负节点对集合,u,v分别表示正节点对集合中的用户节点跟商品节点,/>分别表示负节点对集合中的用户节点和商品节点,/>表示节点v的表征,/>表示节点u的表征,/>表示节点/>的表征,/>表示节点/>的表征,T表示矩阵转置,表示sigmoid函数,<·>是任何向量相似性度量函数;
步骤6,个性化商品推荐算法:基于所述多层异质图卷积模型学习到的所有用户节点与商品节点的表征向量,对于给定用户v,利用余弦相似性度量用户v对商品w的偏好:
2.如权利要求1所述的基于多层异质图卷积模型的个性化商品推荐方法,其特征在于,所述步骤4中,捕获元路径信息具体为:对于单层GCN:
公式(2)中的组合邻接矩阵视为由长度为1的元路径实例生成的元路径聚合图,因此单层GCN有效的学习包含长度为1的元路径信息的节点表征;同理,/>的二次幂自动捕获长度为2的元路径信息同时保留关系的重要性权重;因此,融合单层GCN和双层GCN的输出:
因此,多层图卷积模块融合了所有层的输出:
3.如权利要求1所述的基于多层异质图卷积模型的个性化商品推荐方法,其特征在于,所述步骤5中,将网络中的连接节点视为正节点对,并将所有未连接节点视为负节点对;将正节点对按 85%、5% 和 10% 的比例划分为训练集、验证集和测试集;同时,随机选择相同数量的负节点对加入到训练集、验证集和测试集中。
4.一种基于多层异质图卷积模型的个性化商品推荐系统,其特征在于,包括历史数据库模块100、多层异质属性网络构建模块101、解耦模块102、自适应融合模块103、多层图卷积模块104、模型训练模块105以及个性化商品推荐模块106。
5.如权利要求4所述的基于多层异质图卷积模型的个性化商品推荐系统,其特征在于,所述历史数据库模块100:该数据库包括电子商务网络中用户与商品的交互行为记录,以及用户与商品的属性信息;
所述多层异质属性网络构建模块101:该模块将电子商务网络的历史数据库构建成一个多层异质属性网络模型;
所述解耦模块102:该模块根据用户与商品的交互行为类型,将多层异质属性网络解耦成多个简单的二分网络,每个二分网络仅包括一种类型的边;
所述自适应融合模块103:该模块将解耦得到的多个二分网络进行加权融合,将权重参数设置为可训练参数,以期望权重在训练过程中自动调整大小;
所述多层图卷积模块104:该模块基于图卷积网络GCN,结合加权聚合后的邻接矩阵和节点属性特征矩阵X,获得网络节点特征表示Z,多层GCN模块保留每一层的隐表征,来捕获高阶结构信息和不同长度的元路径交互信息,最后通过平均池化得到最后的节点表征;
所述模型模块105:该模块首先在历史数据集按照比例采样与划分,然后依照损失函数,进行多轮训练,最后获得最终的网络节点特征表示Z;
所述个性化推荐模块106:该模块计算用户对商品的偏好值,然后按大小排序偏好值,向用户推荐前Top-k商品。
6.如权利要求5所述的基于多层异质图卷积模型的个性化商品推荐系统,其特征在于,所述历史数据库模块100中,交互行为记录的每条记录格式为<用户ID,商品ID,交互行为类型,时间点>;用户的属性信息包括用户地理位置、性别、年龄段、季度消费均额;商品的属性信息包括商品类别、价格、文本描述信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014784.2A CN115860880B (zh) | 2023-01-06 | 2023-01-06 | 基于多层异质图卷积模型的个性化商品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014784.2A CN115860880B (zh) | 2023-01-06 | 2023-01-06 | 基于多层异质图卷积模型的个性化商品推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860880A true CN115860880A (zh) | 2023-03-28 |
CN115860880B CN115860880B (zh) | 2023-07-14 |
Family
ID=85656935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014784.2A Active CN115860880B (zh) | 2023-01-06 | 2023-01-06 | 基于多层异质图卷积模型的个性化商品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860880B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186317A (zh) * | 2023-04-23 | 2023-05-30 | 中国海洋大学 | 一种基于跨模态交叉指导的图文检索方法及系统 |
CN117474637A (zh) * | 2023-12-28 | 2024-01-30 | 中国海洋大学 | 基于时序图卷积网络的个性化商品推荐方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710835A (zh) * | 2018-11-15 | 2019-05-03 | 中国人民解放军国防科技大学 | 一种带有时间权重的异构信息网络推荐方法 |
US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
CN112131480A (zh) * | 2020-09-30 | 2020-12-25 | 中国海洋大学 | 基于多层异质属性网络表征学习的个性化商品推荐方法及系统 |
CN112800342A (zh) * | 2021-04-15 | 2021-05-14 | 中国人民解放军国防科技大学 | 基于异质信息的推荐方法、系统、计算机设备和存储介质 |
CN113379494A (zh) * | 2021-06-10 | 2021-09-10 | 清华大学 | 基于异质社交关系的商品推荐方法、装置和电子设备 |
US20220180391A1 (en) * | 2020-12-09 | 2022-06-09 | ZS Associates, Inc. | Systems and methods for machine learning model to calculate user elasticity and generate recommendations using heterogeneous data |
CN115033803A (zh) * | 2022-05-18 | 2022-09-09 | 电子科技大学 | 一种基于元路径的社交媒体用户推荐方法 |
CN115310005A (zh) * | 2022-08-15 | 2022-11-08 | 中国人民解放军战略支援部队信息工程大学 | 基于元路径融合和异构网络的神经网络推荐方法及系统 |
-
2023
- 2023-01-06 CN CN202310014784.2A patent/CN115860880B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710835A (zh) * | 2018-11-15 | 2019-05-03 | 中国人民解放军国防科技大学 | 一种带有时间权重的异构信息网络推荐方法 |
US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
CN112131480A (zh) * | 2020-09-30 | 2020-12-25 | 中国海洋大学 | 基于多层异质属性网络表征学习的个性化商品推荐方法及系统 |
US20220180391A1 (en) * | 2020-12-09 | 2022-06-09 | ZS Associates, Inc. | Systems and methods for machine learning model to calculate user elasticity and generate recommendations using heterogeneous data |
CN112800342A (zh) * | 2021-04-15 | 2021-05-14 | 中国人民解放军国防科技大学 | 基于异质信息的推荐方法、系统、计算机设备和存储介质 |
CN113379494A (zh) * | 2021-06-10 | 2021-09-10 | 清华大学 | 基于异质社交关系的商品推荐方法、装置和电子设备 |
CN115033803A (zh) * | 2022-05-18 | 2022-09-09 | 电子科技大学 | 一种基于元路径的社交媒体用户推荐方法 |
CN115310005A (zh) * | 2022-08-15 | 2022-11-08 | 中国人民解放军战略支援部队信息工程大学 | 基于元路径融合和异构网络的神经网络推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
蒋宗礼;李苗苗;张津丽;: "基于融合元路径图卷积的异质网络表示学习", 计算机科学, no. 07 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186317A (zh) * | 2023-04-23 | 2023-05-30 | 中国海洋大学 | 一种基于跨模态交叉指导的图文检索方法及系统 |
CN116186317B (zh) * | 2023-04-23 | 2023-06-30 | 中国海洋大学 | 一种基于跨模态交叉指导的图文检索方法及系统 |
CN117474637A (zh) * | 2023-12-28 | 2024-01-30 | 中国海洋大学 | 基于时序图卷积网络的个性化商品推荐方法及系统 |
CN117474637B (zh) * | 2023-12-28 | 2024-04-16 | 中国海洋大学 | 基于时序图卷积网络的个性化商品推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115860880B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131480B (zh) | 基于多层异质属性网络表征学习的个性化商品推荐方法及系统 | |
US11748379B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
CN111461841B (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN115860880B (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及系统 | |
CN105528374A (zh) | 一种电子商务中的商品推荐方法及其系统 | |
CN111079014B (zh) | 基于树结构的推荐方法、系统、介质和电子设备 | |
CN106447463A (zh) | 一种基于马尔科夫决策过程模型的商品推荐方法 | |
CN107230098A (zh) | 一种业务对象的分时推荐方法和系统 | |
CN103310353B (zh) | 一种抗攻击的数据过滤优化系统和方法 | |
CN112258260A (zh) | 基于用户特征的页面展示方法、装置、介质及电子设备 | |
CN111949887A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
CN106157156A (zh) | 一种基于用户社区的协作推荐系统 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN105303447A (zh) | 利用网络信息进行信用评级的方法和系统 | |
CN115375382A (zh) | 一种商品推荐方法、装置及相关设备 | |
Li | Accurate digital marketing communication based on intelligent data analysis | |
CN113763095A (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
CN107133811A (zh) | 一种目标用户的识别方法和装置 | |
CN105590234A (zh) | 一种向目标用户推荐商品的方法和系统 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
CN114971805A (zh) | 一种基于深度学习的电子商务平台商品智能分析推荐系统 | |
CN113283960A (zh) | 基于大数据分析和云计算的垂直电商平台商品智能推荐方法和云服务平台 | |
CN112767085A (zh) | 商品相似性分析及商品推荐方法、装置及计算机存储介质 | |
CN111460300A (zh) | 网络内容推送方法、装置及存储介质 | |
Ivanov et al. | Big Data based marketing forecasting. |
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 |