CN116226547A - 基于流式数据的增量图推荐方法 - Google Patents

基于流式数据的增量图推荐方法 Download PDF

Info

Publication number
CN116226547A
CN116226547A CN202310160686.XA CN202310160686A CN116226547A CN 116226547 A CN116226547 A CN 116226547A CN 202310160686 A CN202310160686 A CN 202310160686A CN 116226547 A CN116226547 A CN 116226547A
Authority
CN
China
Prior art keywords
user
node
graph
nodes
interaction
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
CN202310160686.XA
Other languages
English (en)
Inventor
吕建明
吴思琦
王亚权
黄星杰
李博
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310160686.XA priority Critical patent/CN116226547A/zh
Publication of CN116226547A publication Critical patent/CN116226547A/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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于流式数据的增量图推荐方法，目的是解决现有图推荐方法无法高效获取新增用户和物品特征用于推荐的技术问题。本发明通过用户的历史物品交互序列构建用户和物品的交互二分图，并用轻量级图卷积神经网络提取用户和物品的特征。对于增加的用户‑物品交互数据，在交互二分图中采样对应的负样本节点构建三元组，确定受影响的节点，并通过更新模块更新受影响的节点特征；最后使用更新后的节点特征为用户生成推荐列表。该方法利用先进的轻量级图卷积神经网络来获取用户和物品的特征，并且设计了增量更新用户和物品特征的方法。模型复杂度低且性能好，能有效解决推荐方法在面对大规模数据时计算效率低、工作量大的问题。

Description

基于流式数据的增量图推荐方法
技术领域
本发明涉及信息推荐技术领域，具体涉及一种基于流式数据的增量图推荐方法。
背景技术
随着互联网和移动设备的普及，每时每刻都会产生大量的数据，“信息过载”成为了一个不容忽视的问题。因此，推荐系统应运而生。推荐方法是推荐系统的核心，好的推荐方法可以帮助用户从海量信息中获取自己感兴趣的内容。协同过滤是推荐方法中一种广泛使用的思想。在传统协同过滤模型中，用户与物品之间的交互只被考虑在模型训练的目标函数中，这导致了对交互数据的不充分利用。为了更好地利用用户-物品交互，并且挖掘其中的高阶连接性，图机器学习方法被引入到推荐方法中。同时，在实际场景中，新用户和新物品不断增加，如何高效获取新用户和新物品的特征来进行推荐是一个至关重要的问题。
工业上的大部分推荐系统主要分为两个阶段：召回阶段和排序阶段。召回阶段的推荐方法大多采用多路召回策略，即通过兴趣标签、协同过滤、兴趣实体、热门标签和基于偏好等直接召回相关物品进行推荐。由于召回层具有大量数据的特点，所以要求使用的模型不能过于复杂。现有的大多数图推荐算法主要注重提高推荐的准确度和召回率，模型复杂度较高，不符合召回层的要求，并且很少考虑数据增加时的特征高效获取和更新。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于流式数据的增量图推荐方法。
本发明的目的可以通过采取如下技术方案达到：
一种基于流式数据的增量图推荐方法，所述增量图推荐方法包括以下步骤：
S1、将用户与物品的交互数据构建成用户-物品的交互二分图，其中节点为用户或物品，连边为用户和物品的交互行为；
S2、使用轻量级图卷积神经网络学习步骤S1构建的交互二分图中节点的特征，即用户或物品的特征；
S3、对于新增的每一条用户-物品交互数据，在所有物品中采样一个用户未交互过的物品，与新增的用户和交互物品构成三元组；
S4、根据步骤S3中三元组中用户和物品的特征，计算新增的交互数据对原始交互二分图的影响，并把影响通过三元组传播到其在交互二分图中的邻域；
S5、根据步骤S4更新后的用户或物品特征，计算用户与物品的特征相似度并排序，生成用户的推荐物品列表。
进一步地，所述步骤S2中，轻量级图卷积神经网络以随机初始化的节点特征为输入，分别聚合节点K层邻域节点的特征，并堆叠每层的特征作为输出的节点最终特征。轻量级图卷积神经网络的设计是为了满足增量图的算法效率要求。包括：
定义交互二分图中用户节点的初始特征为
Figure BDA0004094019870000021
物品节点的初始特征为/>
Figure BDA0004094019870000022
并随机初始化节点的初始特征，其中下标表示对应的用户节点或物品节点，上标表示处于轻量级图卷积神经网络传播的层数，假设把节点的初始特征视为第0层。由于在召回层阶段，用户和物品节点只具备标识其身份的ID信息，而没有具体语义信息，因此只能随机初始化节点的特征，并通过轻量级图卷积神经网络的训练使其获取高阶邻域信息；
所述轻量级图卷积神经网络的每层输出设置为：
Figure BDA0004094019870000031
Figure BDA0004094019870000032
其中，Nu表示用户节点的邻居，Ni表示物品节点的邻居，|Nu|和|Ni|分别表示用户节点的邻居数量和物品节点的邻居数量，
Figure BDA0004094019870000033
表示聚合参数，这是一个对称归一化的参数，范围在0到1之间，不仅可以防止特征在传播过程中出现信息爆炸的问题，也同时考虑了特征传播时，两端节点的拓扑信息。具体来说，对于一个节点u，如果其连接的节点i的交互数较少，即邻居数|Ni|较小，则证明节点u对于节点i的重要性较高，聚合参数
Figure BDA0004094019870000034
也会较大，反之则聚合参数较小。这符合我们的实际情况。通过在上述公式中输入前述定义的节点初始特征，可以迭代获取节点k＝1至k＝K层的聚合特征，/>
Figure BDA0004094019870000035
分别表示轻量级图卷积神经网络第k、k+1层用户节点的输出，/>
Figure BDA0004094019870000036
分别表示轻量级图卷积神经网络第k、k+1层物品节点的输出；
通过堆叠节点的每层特征来得到节点的最终特征。堆叠每层特征不仅能充分考虑节点不同范围的邻域信息，也能防止传统图卷积神经网络的过平滑问题。表达式为：
Figure BDA0004094019870000037
Figure BDA0004094019870000038
其中，hu和hi分别表示用户节点和物品节点的最终特征。
进一步地，所述步骤S3中，定义三元组为(hu,him,hin)，其中hu表示用户的最终特征，him表示与前述用户交互的物品的最终特征，hin表示与前述用户未交互的物品的最终特征。这是基于推荐系统的经典方法——贝叶斯个性化排名设计的三元组。贝叶斯个性化排名思想认为，与用户有过交互的物品的排名应该比未有过交互的物品的排名高，因此我们采样用户交互过的物品和未交互过的物品来形成三元组，用于后面的训练。
进一步地，所述步骤S4中，交互数据对原始交互二分图的直接影响表示为三元组中用户交互和未交互物品的特征对用户的影响，以及用户对交互和未交互物品的影响；影响量计算公式为：
Δh(0)＝α·h，
其中，Δh(0)为受影响节点的初始特征的变化量，h为施加影响的节点的最终特征，α是自适应的调节影响强度的参数，表达式为：
α＝σ(hu·hin-hu·him)，
其中，σ是sigmoid激活函数，将影响强度调节量映射到0到1之间。α利用了用户特征hu与未交互物品特征hin和交互物品特征him的相似性差异来调节影响强度，当用户特征与未交互物品的特征的相似性高于与交互物品的特征的相似性时，不符合贝叶斯个性化排名思想，应该增大特征的更新量，此时α会更接近1，反之α更接近0，证明模型收敛；
将影响量从受影响节点开始，通过宽度优先搜索逐层传递给受影响节点的邻域，从用户节点传递给物品节点的传递参数定义为
Figure BDA0004094019870000041
这与前述聚合参数的定义是相同的，体现了对称性原则；
将影响量及其传递的影响量累加到相应节点的初始特征上，完成一次训练。
进一步地，所述步骤S5中，利用更新好的节点初始特征，输入到轻量级图卷积神经网络得到节点的最终特征；并使用内积计算用户与物品的相似度并排序，根据排序结果生成用户的推荐物品列表。
本发明相对于现有技术具有如下的优点及效果：
本发明公开的一种基于流式数据的增量图推荐方法，采用的是针对推荐系统两阶段模式中召回阶段的轻量级推荐方法，使用了先进的轻量级图卷积神经网络来获取用户/物品的特征，充分利用历史交互数据，能达到较高的准确性；针对流式增长的用户交互数据，设计了针对新增交互数据构建三元组，并计算影响量传播至局部受影响节点的高效特征更新方式，不仅为新增数据训练了特征，同时将新数据产生的影响传递到原始交互二分图上，使得模型在不用重新训练的基础上获得很好的召回性能。该方法能够在充分利用用户和物品的交互数据的基础上，满足推荐系统效率、准确性和可扩展性等需求。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：
图1是本发明实施例中用户-物品交互二分图的示意图；
图2是本发明实施例提供的基于流式数据的增量图推荐方法的流程示意图；
图3是本发明实施例中三元组相互影响并传播影响过程的示意图；
图4是本发明仿真过程数据集评估方法的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例通过如图2所示的实施步骤进行实现，提供了初始交互二分图的训练及推荐过程。其中包括以下步骤：
S1、将用户与物品的交互数据构建成用户-物品的交互二分图，其中节点为用户或物品，连边为用户和物品的交互行为；
步骤S1的具体实施方式是：获取用户与物品的交互数据，并将数据做隐式反馈处理，即只要用户与物品有交互，则将交互强度设为1，否则为0。然后用networkx包存储用户与物品的交互二分图。首先，用networkx创建一个无向无权图，然后将用户与物品的交互数据以边的形式逐条输入到networkx创建的图中。最终会形成如图1所示的交互二分图，该图的节点分别为用户节点和物品节点，而连边代表用户和物品间有交互。交互二分图中，用户之间无直接连边，物品之间也无直接连边。
S2、使用轻量级图卷积神经网络学习步骤S1构建的交互二分图中节点的特征，即用户或物品的特征；
步骤S2的具体实施方式是：为前述步骤S1中构建的交互二分图中的每个节点随机初始化一个128维的节点特征，用户节点和物品节点的特征分别记为
Figure BDA0004094019870000061
和/>
Figure BDA0004094019870000062
下标分别表示用户节点u和物品节点i，上标表示把节点的初始特征视为第0层，/>
Figure BDA0004094019870000063
轻量级图卷积神经网络的聚合器定义为：
Figure BDA0004094019870000071
Figure BDA0004094019870000072
通过聚合器迭代3次聚合节点特征，得到用户多层特征向量组
Figure BDA0004094019870000073
与物品多层特征向量组/>
Figure BDA0004094019870000074
由于聚合过程不涉及特征维度映射过程，所以节点多层特征向量组中的节点多层特征都是128维。
然后堆叠节点的每层特征得到节点的最终特征，表达式为：
Figure BDA0004094019870000075
Figure BDA0004094019870000076
其中，hu和hi分别表示用户节点和物品节点的最终特征。由于图中节点的聚合过程是相互独立的，可以并行进行，可以根据实际设备和需要处理的数据的大小确定并行聚合的节点数。
S3、对于新增的每一条用户-物品交互数据，在所有物品中采样一个用户未交互过的物品，与新增的用户和交互物品构成三元组；
步骤S3的具体实施方式是：由于交互二分图通过前述步骤S1构建，还未训练过，因此将所有连边都视为新增的交互数据。为交互二分图中的所有用户构建三元组(hu,him,hin)，其中hu表示用户的最终特征。him表示与前述用户交互的物品的最终特征，节点im从与用户u交互过的物品中随机采样得到。hin表示与前述用户未交互的物品的最终特征，节点in从除去用户u交互过的物品的所有物品中随机采样得到。
S4、根据步骤S3中三元组中用户和物品的特征，计算新增的交互数据对原始交互二分图的影响，并把影响通过三元组传播到其在交互二分图中的邻域，具体过程如图3所示；
步骤S4的具体实施方式是：交互数据对原始交互二分图的直接影响表示为三元组中用户交互和未交互物品的特征对用户的影响，以及用户对交互和未交互物品的影响。影响量计算公式为：
Δh(0)＝α·h，
其中，Δh(0)为受影响节点的初始特征的变化量，h为施加影响的节点的最终特征，α是自适应的调节影响强度的参数，表达式为：
α＝σ(hu·hin-hu·him)，
其中，σ是sigmoid激活函数，将影响强度调节量映射到0到1之间。α利用了用户特征hu与未交互物品特征hin和交互物品特征him的相似性差异来调节影响强度，当用户特征与未交互物品的特征的相似性高于与交互物品的特征的相似性时，不符合贝叶斯个性化排名思想，应该增大特征的更新量，此时α会更接近1，反之α更接近0，证明模型收敛；
将影响量从受影响节点开始，通过宽度优先搜索逐层传递给受影响节点的邻域，从用户节点传递给物品节点的传递参数定义为
Figure BDA0004094019870000081
将影响量及其传递的影响量累加到相应节点的初始特征上，完成一次训练。
重复前述步骤S4，直至自适应参数α趋于0，证明轻量图卷积神经网络收敛，完成训练。
S5、根据步骤S4更新后的用户或物品特征，计算用户与物品的特征相似度并排序，生成用户的推荐物品列表。
步骤S5的具体实施方式是：利用更新好的节点初始特征，输入到轻量级图卷积神经网络得到节点的最终特征；并使用内积计算用户与物品的相似度并排序，根据排序结果生成用户的推荐物品列表。
在本实施例中，提供了一种由交互数据构建原始交互二分图并进行训练的推荐方法。将轻量图卷积神经网络引入推荐系统，不同的图卷积层可以获取节点的低阶和高阶特征，可以帮助推荐方法更好地理解用户和物品的关系，从理论上提升预测结果的有效性。同时轻量级的网络能更好地满足实际推荐系统的效率要求。
实施例2
为了处理流式数据的训练过程，提供了一种针对增量数据的图推荐方法。本实施例建立在已经通过轻量图卷积神经网络训练了原始交互二分图的节点特征的基础上。对于增量数据，无需重新训练网络，而是在交互二分图上传播新增数据的影响。
首先，我们对于新增的节点也进行初始特征的随机初始化，然后参照实施例1中的S2步骤，利用下述公式获取新增节点的最终特征。
Figure BDA0004094019870000091
/>
Figure BDA0004094019870000092
Figure BDA0004094019870000093
Figure BDA0004094019870000094
其中，新增节点的邻居：Nu或Ni的节点特征
Figure BDA0004094019870000095
或/>
Figure BDA0004094019870000096
是在原始交互二分图中已经训练好的。
然后参照实施例1中的S3步骤，为新增节点中的用户构建三元组(hu,him,hin)，同时参照实施例1中的S4步骤，将新增节点对原始交互二分图的影响通过以下公式传递到受影响节点中：
Δh(0)＝α·h，
α＝σ(hu·hin-hu·him).
并将影响量从受影响节点开始，通过宽度优先搜索逐层传递给受影响节点的邻域，从用户节点传递给物品节点的传递参数定义为
Figure BDA0004094019870000101
最后将影响量及其传递的影响量累加到相应节点的初始特征上，完成一次增量训练。
迭代上述步骤，直到自适应参数α趋于0，就完成了节点的增量训练。
对用户推荐列表的生成过程与实施例1中的步骤S5相同，这里不再赘述。
本实施例的有益效果在于：
相比于一般的图推荐方法，本方法提供了对增量数据的处理，直接考虑增量数据对原始交互二分图的影响，只更新部分受影响节点的特征。相比于一般推荐方法只能重新训练模型，本方法具有更高的效率。并且重新训练模型会损失时间信息，本方法可以使节点的特征更关注最近的交互，从而提高推荐性能。
以下提供本方法，这里称为IPM，与现有轻量推荐模型LightGCN和现有增量图方法GloDyNE、FILDNE和DeepWalk的实验数据对比：
(1)仿真数据设置：
数据集为：MovieLens-1M和LastFM真实数据集，MovieLens-1M这个数据集包含了多个用户对多个电影项目的评分，这里选择包含6040个用户，3706个电影项目，总共有1000209个交互，稀疏度大约为4.47％。并将评分视为有交互的隐式反馈。LastFM是一个真实世界的音乐推荐数据集，包含用户收听的曲目和艺术家信息，我们考虑向用户推荐艺术家，并参照MovieLens-1M数据集的20核处理，确保每个用户至少有20个交互。处理之后的数据集包含983个用户和35432个艺术家，总共有18138847个交互，稀疏度大约为52.08％；
(2)性能指标设置：
为了更好地模拟数据流的到达，我们将数据集按时间顺序分为两部分：(i)大约前60％的数据用于构建初始图，以及训练原始模型；(ii)其余40％的数据称为候选测试集，用于模拟流设置。需要注意的是，我们根据天数而不是数据量来确定分割点。我们进一步将候选测试集按时间顺序分为10个部分，即每个部分的天数占总天数的4％，如图4所示。
候选测试集的第一部分作为原始模型的测试集，即60％到64％。再将这些数据提供给原始模型进行增量训练，然后将下一部分，即64％～68％，用作测试集。
重复此过程，直到测试完96％～100％。
对于测试集中的每个用户，我们将用户未交互过的所有项目视为要召回的候选项目列表，然后针对每种方法输出用户对这些项目的偏好分数。通常，我们只为用户推荐前K个项目。为了评估这些偏好分数排名的有效性，我们使用广泛使用的指标：Precision@K、Recall@K和NDCG@K。在我们的仿真中，我们将K固定为20。
(3)仿真参数设置：
使用python语言执行仿真。全部方法的特征维度都设为128。对于LightGCN、DeepWalk和GloDyNE，我们使用他们论文中推荐的参数设置来训练模型。对于FILDNE，我们使用开源代码中提供的超参数搜索方法来获取训练前的超参数。对于本方法，初始图的采样三元组数设置为初始图交互次数的5倍，传播层数设置为3跳。
在同样的设备上运行所有方法5次，并将平均结果和标准差展示在表1和表2，同时，Precision、Recall和NDCG为换算百分率后的结果，运行时间结果的单位为秒。
表1.不同推荐方法在MovieLens-1M上的结果对比表
Figure BDA0004094019870000121
表2.不同推荐方法在LastFM上的结果对比表
Figure BDA0004094019870000122
由表1和表2可知，IPM方法在2个数据集上，所有推荐性能指标都达到最优。证明相较于现有模型，IPM能够提升推荐精确度；从训练所需的运行时间看，IPM相较于现有模型，其运行效率大大提升。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种基于流式数据的增量图推荐方法，其特征在于，所述增量图推荐方法包括以下步骤：
S1、将用户与物品的交互数据构建成用户-物品的交互二分图，其中节点为用户或物品，连边为用户和物品的交互行为；
S2、使用轻量级图卷积神经网络学习步骤S1构建的交互二分图中节点的特征，即用户或物品的特征；
S3、对于新增的每一条用户-物品交互数据，在所有物品中采样一个用户未交互过的物品，与新增的用户和交互物品构成三元组；
S4、根据步骤S3中三元组中用户和物品的特征，计算新增的交互数据对原始交互二分图的影响，并把影响通过三元组传播到其在交互二分图中的邻域；
S5、根据步骤S4更新后的用户或物品特征，计算用户与物品的特征相似度并排序，生成用户的推荐物品列表。
2.根据权利要求1所述的基于流式数据的增量图推荐方法，其特征在于，所述步骤S2中，轻量级图卷积神经网络以随机初始化的节点特征为输入，分别聚合节点K层邻域节点的特征，并堆叠每层的特征作为输出的节点最终特征，包括：
定义交互二分图中用户节点的初始特征为
Figure FDA0004094019860000011
物品节点的初始特征为/>
Figure FDA0004094019860000012
并随机初始化节点的初始特征，其中下标表示对应的用户节点或物品节点，上标表示处于轻量级图卷积神经网络传播的层数，假设把节点的初始特征视为第0层：
所述轻量级图卷积神经网络的每层输出设置为：
Figure FDA0004094019860000021
Figure FDA0004094019860000022
其中，Nu表示用户节点的邻居，Ni表示物品节点的邻居，|Nu|和|Ni|分别表示用户节点的邻居数量和物品节点的邻居数量，
Figure FDA0004094019860000023
表示聚合参数，通过输入前述定义的节点初始特征，迭代获取节点k＝1至k＝K层的聚合特征，/>
Figure FDA0004094019860000024
分别表示轻量级图卷积神经网络第k、k+1层用户节点的输出，/>
Figure FDA0004094019860000025
分别表示轻量级图卷积神经网络第k、k+1层物品节点的输出；
堆叠节点的每层特征得到节点的最终特征，表达式为：
Figure FDA0004094019860000026
Figure FDA0004094019860000027
其中，hu和hi分别表示用户节点和物品节点的最终特征。
3.根据权利要求1所述的基于流式数据的增量图推荐方法，其特征在于，所述步骤S3中，定义三元组为(hu,him,hin)，其中hu表示用户的最终特征，him表示与前述用户交互的物品的最终特征，hin表示与前述用户未交互的物品的最终特征。
4.根据权利要求3所述的基于流式数据的增量图推荐方法，其特征在于，所述步骤S4中，交互数据对原始交互二分图的直接影响表示为三元组中用户交互和未交互物品的特征对用户的影响，以及用户对交互和未交互物品的影响；影响量计算公式为：
Δh(0)＝α·h，
其中，Δh(0)为受影响节点的初始特征的变化量，h为施加影响的节点的最终特征，α是自适应的调节影响强度的参数，表达式为：
α＝σ(hu·hin-hu·him)，
其中，σ是sigmoid激活函数；
将影响量从受影响节点开始，通过宽度优先搜索逐层传递给受影响节点的邻域，传递的参数与前述聚合参数相同，即从用户节点传递给物品节点的传递参数定义为
Figure FDA0004094019860000031
将影响量及其传递的影响量累加到相应节点的初始特征上，完成一次训练。
5.根据权利要求1所述的基于流式数据的增量图推荐方法，其特征在于，所述步骤S5中，利用更新好的节点初始特征，输入到轻量级图卷积神经网络得到节点的最终特征；并使用内积计算用户与物品的相似度并排序，根据排序结果生成用户的推荐物品列表。
CN202310160686.XA 2023-02-24 2023-02-24 基于流式数据的增量图推荐方法 Pending CN116226547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310160686.XA CN116226547A (zh) 2023-02-24 2023-02-24 基于流式数据的增量图推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310160686.XA CN116226547A (zh) 2023-02-24 2023-02-24 基于流式数据的增量图推荐方法

Publications (1)

Publication Number Publication Date
CN116226547A true CN116226547A (zh) 2023-06-06

Family

ID=86569179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310160686.XA Pending CN116226547A (zh) 2023-02-24 2023-02-24 基于流式数据的增量图推荐方法

Country Status (1)

Country Link
CN (1) CN116226547A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540105A (zh) * 2024-01-09 2024-02-09 浙江大学 一种增强图推荐模型鲁棒性的方法、装置及一种推荐方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540105A (zh) * 2024-01-09 2024-02-09 浙江大学 一种增强图推荐模型鲁棒性的方法、装置及一种推荐方法
CN117540105B (zh) * 2024-01-09 2024-04-16 浙江大学 一种增强图推荐模型鲁棒性的方法、装置及一种推荐方法

Similar Documents

Publication Publication Date Title
CN109271522B (zh) 基于深度混合模型迁移学习的评论情感分类方法及系统
CN111881363B (zh) 一种基于图交互网络的推荐方法
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
Ma et al. Adaptive-step graph meta-learner for few-shot graph classification
WO2023065859A1 (zh) 物品推荐方法、装置及存储介质
CN107122455A (zh) 一种基于微博的网络用户增强表示方法
CN113918832B (zh) 基于社交关系的图卷积协同过滤推荐系统
CN112256870A (zh) 基于自适应随机游走的属性网络表示学习方法
CN116226547A (zh) 基于流式数据的增量图推荐方法
CN114925268A (zh) 基于图神经网络的推荐方法、系统、电子设备及计算机可读介质
CN114579852A (zh) 一种基于图卷积网络与注意力机制的推荐方法
Zhang et al. Knowledge graph driven recommendation model of graph neural network
Xu et al. CNN-based skip-gram method for improving classification accuracy of chinese text
CN112487110A (zh) 基于网络结构和节点内容的重叠社区演化分析方法及系统
CN117390267A (zh) 基于知识图谱的个性化多任务增强推荐模型
CN116610874A (zh) 一种基于知识图谱和图神经网络的跨域推荐方法
CN117235216A (zh) 一种基于异构知识融合的知识推理方法
CN114842247B (zh) 基于特征累加的图卷积网络半监督节点分类方法
CN115545833A (zh) 一种基于用户社交信息的推荐方法及系统
CN115564013B (zh) 提高网络表示学习表示能力的方法、模型训练方法和系统
Li et al. ANN: a heuristic search algorithm based on artificial neural networks
CN115131605A (zh) 一种基于自适应子图的结构感知图对比学习方法
Gao et al. Wide & ResNet: An improved network for CTR prediction
CN112686736B (zh) 一种系统推荐方法
Zhang et al. SARC: Split-and-recombine networks for knowledge-based recommendation

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