CN116304279A - 基于图神经网络的用户偏好演化主动感知方法及系统 - Google Patents
基于图神经网络的用户偏好演化主动感知方法及系统 Download PDFInfo
- Publication number
- CN116304279A CN116304279A CN202310285061.6A CN202310285061A CN116304279A CN 116304279 A CN116304279 A CN 116304279A CN 202310285061 A CN202310285061 A CN 202310285061A CN 116304279 A CN116304279 A CN 116304279A
- Authority
- CN
- China
- Prior art keywords
- user
- preference
- project
- evolution
- term
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 230000008447 perception Effects 0.000 title claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims abstract description 47
- 230000007774 longterm Effects 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000005065 mining Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 208000023445 Congenital pulmonary airway malformation Diseases 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 239000002957 persistent organic pollutant Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000012633 leachable Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000008194 pharmaceutical composition Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
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
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了基于图神经网络的用户偏好演化主动感知方法及系统，包括：基于用户会话数据，将用户历史交互序列建模为用户交互有向序列图；利用门控图神经网络学习有向序列图中节点的嵌入向量表示；基于注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；采用门控网络融合长期偏好和短期偏好得到用户最终的偏好并进行项目预测；通过建立项目与偏好之间的映射关系，结合项目预测结果进行偏好演化的主动感知。
Description
技术领域
本发明属于用户偏好感知技术领域，尤其涉及基于图神经网络的用户偏好演化主动感知方法及系统。
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。
随着互联网的蓬勃发展和智能化时代的到来，电子商务、社交等网络平台迅速涌现，人们日益习惯于在网络上进行购物、社交、娱乐、学习以及工作等活动。在此过程中，衣食住行等方面的需求也越来越依赖于智能化设备和各类应用程序(APP)，如购物需要借助京东、淘宝等电商平台，住宿需要通过携程查询酒店信息，出行则常常依赖于地图定位等工具。这些数据中往往包含大量与用户偏好相关的信息，而用户偏好又是影响个性化推荐精度的关键因素。因此，如何从庞杂的数据信息中快速、准确地获取用户关注的内容，并运用相关技术挖掘和主动感知偏好的演化状况，对于推进个性化推荐技术的发展具有重要的意义。
在现实生活中，存在这样一种场景：假设Tom计划退休后到养老院生活。养老服务公司A会根据Tom提供的个人信息和需求，为其制定一套满足其偏好的服务流程，包括饮食、运动、娱乐等方面的服务。然而，随着时间的推移，Tom的偏好并不是固定不变的，而是会不断演化。例如，Tom可能之前喜欢晨跑运动，但现在喜欢打太极；之前喜欢看中医，但现在喜欢看西医。在这种情况下，公司A需要主动感知Tom偏好的变化情况，及时提供满足Tom新偏好所对应的服务。若公司A继续为Tom提供原定的服务，则可能极大地降低Tom的服务体验和满意度。
可以预见，随着智能化服务的快速发展与普及，类似上述案例中用户偏好演化带来的问题将变得司空见惯。为了有效地解决这个问题，迫切需要一种偏好演化主动感知方法，该方法可以从用户日常行为数据中主动感知偏好演化情况。近年来，国内外学者针对用户偏好问题开展了广泛的研究，并取得了一定的研究成果。已有的研究工作主要集中于偏好学习和偏好预测。
早期的偏好学习方法主要基于协同过滤技术，通过利用用户的历史记录并集体匹配相似用户来学习用户偏好。然而，这些方法通常假设用户偏好是静态不变的。随着人工智能、机器学习和自然语言处理等领域的发展，研究人员开始探索使用用户评论和对话等信息作为一种新的补充数据来学习用户偏好。Kerui Xu等人提出FPAN模型，使用筛选机制聚合用户在线反馈信息学习用户偏好。Charinya等人提出了一种在评价矩阵中捕捉用户动态偏好的模型。该模型利用联合分解方法提取用户的潜在转移模式，并利用基于动态环境的主题建模将潜在因素与评论文本的相关主题演化结合在一起学习用户偏好。Hu等人提出了一种用于对话式推荐的新颖框架CRIF。该模型设计了一个可解释和自适应的推理模块学习用户隐性偏好。
用户行为是反应用户偏好最基本的特征之一，偏好预测主要将任务形式化为一个序列学习问题。通过挖掘行为序列中的依赖特征，可以有效地预测用户的动态偏好。Wang等人通过构建项目之间的替代关系和互补关系，并利用正态分布拟合这两种关系随时间的衰减规律，建立了用户偏好随时间变化的动态模型，可以有效地预测用户偏好。Li等人设计了一个包含时间间隔门控循环单元的注意力机制网络，将用户的动态偏好与时间关联，实时预测用户的偏好。温雯等人提出了一种基于嵌入学习的动态行为预测方法。该方法利用改进的词嵌入模型从用户的点击行为序列中学习获得每一个点击项的低维向量表示，然后基于所学习的向量表示，结合用户近期点击行为推断用户的动态偏好，进而预测其下一步的点击行为。
虽然上述方法已经取得了较好的研究成果，但还存在以下不足：
(1)已有的偏好研究工作大多应用于推荐领域，目的在于通过捕捉用户偏好，预测用户下一步交互的项目。然而，这些研究没有建立项目与偏好之间的映射关系，难以直接适用于感知用户偏好的演化情况。
(2)用户会话序列中项目交互顺序表示偏好随着时间的变化过程，有利于充分挖掘用户偏好信息。然而，已有的研究多数忽略了交互序列的相对位置关系。
发明内容
为克服上述现有技术的不足，本发明提供了基于图神经网络的用户偏好演化主动感知方法，能够实现偏好演化的主动感知。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了基于图神经网络的用户偏好演化主动感知方法，包括：
基于用户会话数据，将用户历史交互序列建模为用户交互有向序列图；
利用门控图神经网络学习有向序列图中节点的嵌入向量表示；
基于注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；
基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；
采用门控网络融合长期偏好和短期偏好得到用户最终的偏好并进行项目预测；
通过建立项目与偏好之间的映射关系，结合项目预测结果进行偏好演化的主动感知。
作为进一步的技术方案，将用户历史交互序列建模为用户交互有向序列图，具体为：
将每个用户历史交互序列建模为有向图
其中，
表示顶点集合，U表示用户集合，V表示项目集合，E表示边的集合，其中包含用户-项目边和项目-项目边，每个用户-项目边e＝(u,v)，它表示用户u和项目v之间的交互记录；对于每个项目-项目边/>
它表示用户u在访问序列Su中的项目vi-1之后，又访问了项目vi。
作为进一步的技术方案，建模用户交互有向序列图时，基于存在一些项目可能被用户多次交互的情况，给每条边分配一个标准化的加权值，该值等于项目/用户节点入度除以其节点的出度。
作为进一步的技术方案，利用门控图神经网络学习有向序列图中节点的嵌入向量表示时：
利用更新规则不断更新有向序列图上的每个节点的嵌入向量，得到最终节点向量，在更新门的控制下，最终状态是前一个时间步状态和候选状态的组合。
作为进一步的技术方案，获取用户长期偏好的方式为：
将每个项目的低维嵌入表示通过多层感知机进行变换，得到向量的隐藏表示；
将用户的嵌入向量作为上下文向量；
基于向量的隐藏表示及用户的嵌入向量计算用户和对应项目之间的注意力权重，表示项目对用户的重要性；
利用注意力权重和项目的低维嵌入表示加权求和计算出用户的长期偏好。
作为进一步的技术方案，提取用户短期偏好，具体过程为：
通过利用注意力机制来学习相应的权重，并进行线性组合获得用户u的短期偏好表示
βu,i＝qTσ(W2xn+W3xi+b2)
其中，
和/>
是可训练的参数，βu,i表示序列中注意力分配系数，xi表示含有位置信息的项目的特征表示。
作为进一步的技术方案，进行项目预测时，依据用户最终的偏好和项目的特征之间的内积来计算用户与候选项目交互的可能性。
作为进一步的技术方案，进行偏好演化的主动感知，具体为：
依据<项目-类别>对应关系建立偏好与项目之间的映射关系；
根据偏好演化判断规则，将预测结果和该用户原有的偏好信息进行比较，进而判断偏好演化情况。
第二方面，公开了基于图神经网络的用户偏好演化主动感知系统，包括：
有向序列图构建模块，被配置为：基于用户会话数据，将用户历史交互序列建模为用户交互有向序列图；
网络学习模块，被配置为：利用门控图神经网络学习有向序列图中节点的嵌入向量表示；
用户长期偏好获取模块，被配置为：基于注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；
用户短期偏好获取模块，被配置为：基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；
项目预测模块，被配置为：采用门控网络融合长期偏好和短期偏好得到用户最终的偏好并进行项目预测；
偏好演化的主动感知模块，被配置为：通过建立项目与偏好之间的映射关系，结合项目预测结果进行偏好演化的主动感知。
以上一个或多个技术方案存在以下有益效果：
用户偏好在个性化服务、推荐系统和广告投放等方面扮演着至关重要的角色。然而，现有研究主要关注偏好的建模和预测等方面，对于偏好演化的研究相对较少，难以直接应用于判别用户偏好是否发生变化以及感知偏好转移的过程，本发明技术方案首先基于用户会话数据，将用户历史交互序列建模为有向序列图，利用门控图神经网络(GGNN)学习有向序列图中节点的嵌入向量表示；其次，利用注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；同时，基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；之后，采用门控网络融合长期偏好和短期偏好进行项目预测；最后，通过建立项目与偏好之间的映射关系，并结合项目预测结果实现偏好演化的主动感知。基于两个真实数据集(Gowalla和Foursquare)开展了大量的实验，实验结果表明本实施例子所提出的方法是可行的与有效的。
为了感知用户偏好演化情况，本发明技术方案提出了一种基于图神经网络的用户偏好演化主动感知方法，该方法通过建立项目与偏好的映射关系，从用户与项目的会话数据中感知用户偏好的演化。
为了从用户交互序列中充分挖掘偏好信息，本发明技术方案提出了一种位置感知网络，将可学习的位置矩阵纳入项目嵌入中，保存交互序列中的位置信息。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为本发明实施例基于图神经网络用户偏好演化主动感知模型图；
图2中(a)、(b)分别为交互序列图和邻接矩阵
的示例示意图；
图3为PEGNN与基线模型的性能比较示意图，(a)、(b)为不同模型在Gowalla数据集上的对比，(c)、(d)为不同模型在Foursquare数据集上的对比；
图4为PEGNN不同结构的性能比较示意图，(a)、(b)为不同模型在Gowalla数据集上的对比，(c)、(d)为不同模型在Foursquare数据集上的对比；
图5为不同嵌入维度的模型性能比较示意图，(a)、(b)为不同模型在Gowalla数据集上的对比，(c)、(d)为不同模型在Foursquare数据集上的对比；
图6为不同GGNN层数的模型性比较示意图，(a)、(b)为不同模型在Gowalla数据集上的对比，(c)、(d)为不同模型在Foursquare数据集上的对比。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本实施例子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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
假设U＝[u1,u2,...,um]表示用户集合，V＝[v1,v2,...,vn]表示所有交互序列中的项目集合。每个用户u的交互记录可以用带时间戳的序列Su＝[vu,1,vu,2,...,vu,n]表示，这里vu,i∈V表示用户u在序列Su中第i个交互记录。本实施例子方法所建模型目的在于通过给定用户的历史交互序列Su的情况下，预测用户的下一次交互行为vn+1，并根据项目V＝[v1,v2,...,vn]与偏好P＝[p1,p2,...,ps]的映射关系，将预测结果和用户原有偏好信息进行比较，判别用户偏好演化情况。表1给出了主要符号及其解释，关键概念的定义如下：
表1符号描述
定义1.项目交互序列图
项目交互序列图定义为
其中/>
表示顶点集合，U和V分别表示用户集合和项目集合。E表示所有边的集合，其中包括用户-项目的边和项目-项目的边。
定义2.用户-项目交互边
用户-项目交互边
表示用户u已经与项目vi交互。具体地说，用户-项目边编码了用户的偏好和项目的潜在特征。例如，如果两个用户交互了相似的项目，则他们对该项目的偏好相似。
定义3.项目-项目转移边
项目-项目转移边定义为
表示用户u在访问项目vi之后又访问了项目vj。项目与项目之间的边表示用户的交互行为模式，这对于模型的预测很重要。例如，具有较高权重的边意味着在相应项目之间存在频繁转换。
定义4.项目预测
给定用户u∈U和该用户在时间t之前交互的序列Su，模型可以预测用户将在t时刻的交互的项目v∈V。
实施例一
本实施例公开了基于图神经网络的用户偏好演化主动感知方法，如图1所示，括五个主要步骤：
1)项目交互序列图构建步骤；
2)特征表示学习步骤；
3)偏好获取步骤；
4)预测步骤；
5)偏好演化判断步骤。
该方法首先基于用户会话数据，将用户历史交互序列建模为有向序列图。具体地讲，每个交互序列都可以建模为有向图，其中节点包括用户节点和项目节点。有向图中的边可以被划分为用户-项目节点边以及项目-项目节点之间的边。通过探索用户和项目之间的转换关系，使用门控图神经网络对用户和项目的特征进行建模；
其次，利用注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；同时，基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；
之后，采用门控网络应融合长期偏好和短期偏好进行模型预测；
最后，建立项目与偏好之间的映射关系，并结合预测结果实现用户偏好演化的主动感知。
下面详细介绍每一个部分的具体计算过程。
项目交互序列图构建步骤：
本实施例子通过构建用户交互有向序列图来表示用户的行为数据。这种方法的采用主要有两方面原因。首先，由于图结构能够表示用户的整个行为序列，无需像滑动窗口一样将用户行为序列截取为固定长度。因此，该模型可以保留更多序列信息，而这些信息有助于提高模型的预测效果。其次，通过以图的局部化方式来表示用户的交互行为，可以有效地进行节点和边的信息传播。
具体来说，基于图神经网络的用户偏好演化主动感知方法(PEGNN)将每个交互序列S建模为有向图
其中/>
表示顶点集合，U表示用户集合，V表示项目集合。此外，E表示边的集合，其中包含用户-项目边和项目-项目边。每个用户-项目边e＝(u,v)，它表示用户u和项目v之间的交互记录。对于每个项目-项目边/>
它表示了用户u在访问序列Su中的项目vi-1之后，又访问了项目vi。由于存在一些项目可能被用户多次交互的情况，所以PEGNN给每条边分配一个标准化的加权值,该值等于项目/用户节点入度除以其节点的出度。构建的有向图见图2中的(a)所示。
特征表示学习的步骤，用于学习得到用户的特征和项目的特征表示：
在构建项目交互序列图后，PEGNN通过GNN学习用户和项目的低维向量表示，其包含节点的内在特征。每个项目v∈V和用户u∈U被嵌入到一个潜在特征空间中，节点向量v∈Rd表示一个项目或用户的嵌入向量表示，其中d表示隐藏向量的维度大小。
本实施例子使用带门机制的门控图神经网络(GGNN)来来学习节点的嵌入向量，缓解了普通图神经网络每次迭代需要更新所有节点的隐藏状态而导致计算效率较低的局限性。通过GGNN可以捕获用户交互序列中的时序信息，提高信息传播的有效性。
具体来说，交互序列图GV,E上的每个节点的嵌入向量vi更新规则定义如下：
其中，
Wz，Uz、Wr、Ur、Wo、Uo、b均为可训练的参数。公式(1)以图的局部化方式定义了信息在节点之间的传入和传出边上的传播过程，例如用户的行为模式或偏好。其中，邻接矩阵/>
如图2中的(b)所示，Au由两个邻接矩阵Au,in和Au,out拼接组成。图中展示了一个交互序列图生成对应邻接矩阵的例子。/>
包含传入边和传出边的信息，并且邻接矩阵/>
定义了图中的节点彼此连接的程度。此外，矩阵中每个元素/>
表示节点vi和vj之间边的加权值。/>
是序列S中t-1时刻所有项目的嵌入的特征。
公式(2)和公式(3)中，
表示更新门，/>
表示重置门，它们分别被用来决定保留和丢弃输入中的某些信息。σ表示Sigmod函数。根据公式(4)，基于先前状态、当前状态和复位门来构造候选状态。tanh是双曲正切激活函数。公式(5)表示，在更新门的控制下，最终状态是前一个时间步状态和候选状态的组合。最后，学习图中所有节点的嵌入表示，并得到最终的节点向量，用于偏好的获取。
偏好获取步骤：
用户的长期偏好相对稳定，可以从长期行为Su＝[vu,1,vu,2,...,vu,n-1]中推断出来。首先，根据公式(6)将每个项目i∈Su的低维嵌入表示vi通过多层感知机进行变换，得到向量的隐藏表示hi。然后，将用户u的嵌入向量vu作为上下文向量，根据公式(7)计算用户u和对应项目之间的注意力权重αu,i，它表示了项目vi对用户u的重要性。最后，根据公式(8)利用注意力分数和项目的嵌入向量加权求和计算出用户u的长期偏好
如公式(6-8)所示：
hi＝φ(W1vi+b1) (6)
其中，
和/>
是可训练的参数，φ是Relu激活函数，vu表示用户的特征向量，αu,i表示用户和对应项目之间的注意力权重。
用户的短期偏好是动态变化的，可以从用户最近的交互行为中推断出来。其中，用户交互序列的位置信息是至关重要的，因为交互的顺序表明了偏好随着时间变化过程。因此，本实施例子提出了一种位置感知网络。该网络引入了一个可学习的位置嵌入矩阵
来保存序列中的位置信息。如下所示：
其中，n表示近期交互序列的长度，L＝[L1,L2,...,Ln]，
表示vi的位置向量信息。
通过利用注意力机制来学习相应的权重，并进行线性组合获得用户u的短期偏好表示
如公式(10-11)所示：
βu,i＝qTσ(W2xn+W3xi+b2) (10)
其中，
和/>
是可训练的参数，βu,i表示序列中注意力分配系数，xi表示含有位置信息的项目的特征表示。
最后，考虑到用户的长期偏好和短期偏好在预测任务中可能扮演不同的角色。为了有效的结合用户的长期偏好和短期偏好，本实施例子引入门控网络融合二者得到用户最终的偏好pu，公式如下：
其中，
为可训练参数矩阵，f是权重系数，⊙表示矩阵对应元素点乘。
预测步骤：
使用SoftMax函数，依据用户u的偏好pu和项目vi的特征vi之间的内积来计算用户与候选项目交互的可能性。
形式上，
表示每个候选项目vi∈V的分数，计算如下：
然后，使用SoftMax函数计算获得与项目交互的概率：
其中，
表每个候选项目的得分，y表示目标用户接下来与该项目交互的概率值。
本实施例子采用交叉熵损失函数来学习优化目标，其定义如下：
其中，yi为one-hot向量，表示用户真实交互的项目。
偏好演化判断步骤：
为了判断用户偏好的演化情况，本实施例子首先依据<项目-类别>对应关系建立偏好与项目之间的映射关系；然后根据偏好演化判断规则，将模型预测结果和该用户原有的偏好信息进行比较，进而判断偏好演化情况。
具体的讲，V＝[v1,v2,...,vn]表示项目集合，C＝[c1,c2,...,cm]表示项目类别集合,其中n和m分别表示数据集中唯一项和类别的数量，并且通常为n≥m。每个项目vi∈V对应于唯一的类别cj∈C，但是在每个类别下可以有多个项目。考虑到项目的类别信息通常可以反应用户的具体偏好内容。例如，当预测模块中输出的项目所属类别为篮球类，则可以表示当前该用户偏好篮球运动；项目类别为书籍，则可以表示该用户当前偏好阅读。基于此，建立项目-偏好映射关系公式如(17)所示：
其中，
表示项目vi对应的偏好信息。
偏好演化判断规则定义如式(18)所示：
其中，
表示项目vi对应的偏好信息，Po表示用户原有的偏好信息。/>
与Po相同时，表明用户偏好没有发生变化；/>
与Po相异时，说明用户偏好发生变化，且偏好由Po演化为/>
实验：
鉴于本实施例子所提出的模型是基于推荐模型的基础构建而成的，因此，在实验中验证了推荐模型的准确性，也就相应地验证了偏好演化感知方法的准确性。
数据集
为了验证本实施例子所提出方法的有效性，在公开数据集Gowalla和Foursquare上对PEGNN模型进行了性能评估，具体评估结果如下：
Gowalla：来自Gowalla网站的签到数据集，它允许用户通过签到来共享位置。如果用户u在时间t访问POI，则会有一个元组记录(u,l,t)∈Su，其中Su是用户u的顺序交互行为序列。为了减少噪声数据对模型结果的影响，本实施例子过滤掉出现次数少于五次的POI，同时去除只有一条交互记录的用户。
Foursquare：是一个基于用户地理信息的社交平台，通过手机用户与其他人共享位置。本实施例子过滤掉了不活跃的用户和POI，即去除出现频率小于五次的POI，同时删除只有一条交互记录的用户。
在每个数据集中，本实施例子采用随机抽样的方法，选择所有交互记录的80％作为训练集，并使用剩余的20％作为测试集。预处理后的数据集统计信息如表2所示。
表2.数据集统计信息
评估指标
本实施例子选择了两个广泛使用的度量指标，Recall@K(召回率)和MRR@K(平均倒数排名)，来评估模型的性能。
Recall@K表示在排名列表中正确推荐的项目位于前K位的测试用例的比例。计算公式如下：
其中，K表示选取排名前K位的结果，#(hit)表示出现列表中真实访问项目的数量，#(N)表示所有测试用例中的项目数量。召回值越大，表示模型预测效果越好。
MRR@K表示正确推荐的排名项目相互排名的平均值。MRR指标考虑推荐排名的顺序，MRR值越大，表示位于排名列表顶部的正确推荐就越多。计算公式如下：
其中，K表示选取排名前K位的结果，ranki表示第i个测试项目排名。如果ranki＞K，则
即正确项目未包含在推荐列表中。
本实施例子针对这两个评估指标，分别设置K＝5，10，15，20进行实验。
基准模型：
将所提出的PEGNN模型与下列模型进行比较，以评估其性能。其中，POP、BPR、FPMC为传统模型，而HRM、CPAM、SHAN、SR-GNN和ASGNN为基于深度学习模型。
·POP：根据候选项目的受欢迎程度对它们进行排名，然后将排名最靠前的项目推荐给目标用户，是一种非个性化的推荐。
·BPR：将Bayes个性化排序与矩阵分解模型相结合，利用隐式反馈信息进行推荐。
·FPMC：将矩阵分解和马尔可夫链相结合的方法，用于同时捕获序列信息和长期偏好，以实现序列推荐。
·HRM：将每个用户或物品表示为连续空间中的一个特征向量，并且采用两层模型，挖掘序列行为和用户的偏好表示，进行下一篮子的推荐。
·CPAM：将基于Skip-gram的兴趣点嵌入模型与逻辑矩阵分解结合起来，综合上下文影响和用户对兴趣点的偏好进行推荐。
·SHAN：使用分层注意力网络结构以获取用户长期和短期偏好进行推荐。
·SR-GNN：将会话序列建模为图结构数据，使用图神经网络来捕捉项目之间的复杂转换关系，并学习用户的偏好向量，从而实现非个性化推荐。
·ASGNN：使用图神经网络建模交互序列，并通过两层个性化分层注意网络捕捉并融合用户偏好进行推荐。
实验参数设定
该实验环境的配置如下：操作系：Windows 10专业版64-bit；CPU：AMD Ryzen55600H with Radeon Graphics 3.30GHz；GPU：NVIDIA GeForce GTX 1650；选取Pycharm作为开发平台，基于Python3.6与tensorflow 1.15深度学习框架实现本实施例子的模型。在本实施例子中，使用高斯分布初始化方法，将所有可训练参数初始化为均值为0，标准差为0.1。此外，将初始学习率设置为0.001，并设置L2正则化参数为10-5，批量大小为100，epoch为30进行训练。使用Adam优化器对模型进行优化。
实验结果分析：
与基准模型比较
为了证明本实施例子模型的性能，将PEGNN与上述基准模型在Gowalla和Foursquare数据集上进行实验，通过评估Recall@K和MRR@K分数进行比较。实验结果如图3中的(a)、(b)及图3中的(c)、(d)所示。
根据上述实验结果可以看出：
1)POP和BPR在Gowalla和Foursquare这两个数据集上的Recall和MRR指标都小于1％，性能相对较低，与其它基线之间的性能差距较大。原因在于POP只考虑项目的受欢迎程度，根据候选项目的受欢迎程度对它们进行排名。BPR是基于用户与项目之间的交互，而忽略了交互数据中的顺序信息。由于用户交互数据中包含的用户行为模式、时序信息和项目之间联系等信息，这些模型无法充分挖掘这些信息，因此导致性能较差。
2)与POP和BPR两种模型不同，FPMC和CPAM融合了交互序列中的序列信息，模型效果有所提升。其中，FPMC算法将矩阵分解与马尔可夫链相结合，捕捉用户在历史交互数据中的偏好和序列信息。CPAM捕捉交互序列中的上下文影响，并将其与用户对项目的偏好相结合进行模型预测。然而,FPMC和CPAM并没有明确地学习用户的短期偏好，也没考虑将长期偏好与短期偏好结合，因此它们的性能不如本实施例子所提模型，这也表明了长期偏好和短期偏好对于模型预测都很重要。
3)HRM、SHAN、SRGNN和ASGNN充分考虑并捕获用户长期和短期偏好，同时融合二者获得用户最终的偏好信息，因此与FPMC和CPAM相比取得了更好的效果。在Gowalla数据集上，HRM和SHAN算法的Recall@20分别为7％和8％，SRGNN算法的Recall@20达到18.41％，ASGNN的Recall@20达到21.06％。其中，HRM使用两层模型从用户交互序列中构建用户和项目的特征表示，并采用平均和最大池化策略将用户的偏好表示和项目的特征组合成一个向量，因此它的模型效果表现良好。此外，SHAN算法采用分层注意力网络从行为序列中捕获用户的长期和短期偏好，并将它们相互融合，以获得更好的模型结果。SRGNN算法学习用户的长期和短期偏好并将其与GNN相结合，但是针对匿名用户，并且直接将用户长期偏好和短期偏好线性融合，忽略了用户个性化特征。ASGNN利用GNN建模和捕获长期和短期偏好，并通过两层个性化分层注意网络获取用户偏好用于推荐。然而ASGNN忽略了序列中项目的位置信息，冗余信息较多。
4)本实施例子所提出的PEGNN模型仍然优于这四种深度学习基线模型，原因在于该模型使用GGNN建模型用户序列，同时考虑了序列中项目的位置因素以及它与最新交互项目之间的相关性，去除无关的噪声项目，从而准确的捕捉用户偏好。其次，采用门控网络融合长期和短期偏好，充分考虑了用户个性化需求。
消融实验：
本节对模型的架构进行进一步的分析和研究，以证明其有效性。将PEGNN模型与两个变体模型PEGNN-P(无位置信息)和PEGNN-C(无门控融合)进行了比较。具体的讲，PEGNN-P：不使用位置信息模块，忽略交互序列中位置对项目重要性的影响。PEGNN-C：不使用门控融合方式，直接将长期偏好和短期偏好拼接融合。实验结果如图4中的(a)、(b)及图4中的(c)、(d)所示：
根据上述实验结果可以看出：
1)移除位置信息模块后，模型的性能有所下降。这表明了位置信息的嵌入可以提升模型的效果。位置矩阵的嵌入可以更准确地表明每个项目的重要性，有助于充分挖掘用户偏好信息。
2)在使用门控融合网络后，自适应融合用户的长期偏好和短期偏好，给模型效果带来明显的提升，表明了门控融合网络充分考虑了用户的个性化需求和行为模式。
3)可以观察到，与其他不完全方案变体相比，本实施例子的原始方案获得了最好的结果，不仅证实了每个子模块对于模型效果均有影响，也证明了本实施例子所提模型的优越性。
参数分析：
鉴于不同的超参数可能对实验结果产生一定程度影响，本节针对此进行分析，探究嵌入维度大小和门控图神经网络层数对模型性能的影响。
嵌入维度分析
嵌入向量的维度是一个重要的超参数，会影响模型的拟合能力和建模能力。高维嵌入向量可以更全面地表达关于用户和项目的信息，从而在模型预测中展现更好的效果。但是，高维嵌入向量也可能导致过拟合问题，从而影响模型的性能。在本节中，设定嵌入维度的取值范围为0到100，并选择Recall@K和MRR@K作为评估指标，在Gowalla数据集和Foursquare数据集上进行实验，评估不同嵌入维度对模型性能的影响。实验结果如图5中的(a)、(b)及图5中的(c)、(d)所示。
可以观察到，随着嵌入向量维度d从10变化到80时，在两个数据集上的Recall@20和MRR@20指标都会增加。这是因为高维的嵌入能够以更多的计算资源和时间为代价，为模型的预测任务捕捉到更多重要的信息。其次，当维度d达到80时，PEGNN在两个数据集上的性能表现最好。此外，可以看到当维度d从80到100逐渐增加时，模型的性能效果略有下降，这可能是由于过拟合问题导致模型泛化能力下降所致。
门控图神经网络层数：
本节进一步研究门控图神经网络的层数对模型性能的影响。在Gowalla和Foursquare数据集上分别设定GGNN的层数为1、2、3进行实验。实验结果如图6中的(a)、(b)及图6中的(c)、(d)所示，可以观察到，随着GGNN层数的增加，模型的性能几乎没有得到提升，甚至略有下降。这表明，选用一层的GGNN足以有效捕获交互序列的相关性。
为了感知用户偏好演化情况，本实施例子提出了一种基于图神经网络的用户偏好演化主动感知方法。首先基于用户会话大数据，将用户历史交互序列建模为有向序列图，利用门控图神经网络学习有向序列图中节点的结构性信息；其次，利用注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；同时，基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；之后，采用门控网络融合长期偏好和短期偏好进行模型预测；最后，建立项目与偏好之间的映射关系，结合预测结果实现用户偏好演化的主动感知。基于两个公开数据集验证了本实施例子方法的合理性和有效性。进一步研究时间因素对模型效果的影响，并考虑交互项目之间的时间间隔，以更准确地对用户的短期偏好进行建模，是我们未来工作的重点。
实施例二
本实施例的目的是提供一种计算机装置,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上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
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执行上述方法的步骤。
实施例四
本实施例的目的是提供了基于图神经网络的用户偏好演化主动感知系统，包括：
有向序列图构建模块，被配置为：基于用户会话数据，将用户历史交互序列建模为用户交互有向序列图；
网络学习模块，被配置为：利用门控图神经网络学习有向序列图中节点的嵌入向量表示；
用户长期偏好获取模块，被配置为：基于注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；
用户短期偏好获取模块，被配置为：基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；
项目预测模块，被配置为：采用门控网络融合长期偏好和短期偏好得到用户最终的偏好并进行项目预测；
偏好演化的主动感知模块，被配置为：通过建立项目与偏好之间的映射关系，结合项目预测结果进行偏好演化的主动感知。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于图神经网络的用户偏好演化主动感知方法，其特征是，包括：
基于用户会话数据，将用户历史交互序列建模为用户交互有向序列图；
利用门控图神经网络学习有向序列图中节点的嵌入向量表示；
基于注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；
基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；
采用门控网络融合长期偏好和短期偏好得到用户最终的偏好并进行项目预测；
通过建立项目与偏好之间的映射关系，结合项目预测结果进行偏好演化的主动感知。
2.如权利要求1所述的基于图神经网络的用户偏好演化主动感知方法，其特征是，将用户历史交互序列建模为用户交互有向序列图，具体为：
将每个用户历史交互序列建模为有向图
其中，
表示顶点集合，U表示用户集合，V表示项目集合，E表示边的集合，其中包含用户-项目边和项目-项目边，每个用户-项目边e＝(u,v)，它表示用户u和项目v之间的交互记录；对于每个项目-项目边/>
它表示用户u在访问序列Su中的项目vi-1之后，又访问了项目vi。
3.如权利要求1所述的基于图神经网络的用户偏好演化主动感知方法，其特征是，建模用户交互有向序列图时，基于存在一些项目可能被用户多次交互的情况，给每条边分配一个标准化的加权值，该值等于项目/用户节点入度除以其节点的出度。
4.如权利要求1所述的基于图神经网络的用户偏好演化主动感知方法，其特征是，利用门控图神经网络学习有向序列图中节点的嵌入向量表示时：
利用更新规则不断更新有向序列图上的每个节点的嵌入向量，得到最终节点向量，在更新门的控制下，最终状态是前一个时间步状态和候选状态的组合。
5.如权利要求1所述的基于图神经网络的用户偏好演化主动感知方法，其特征是，获取用户长期偏好的方式为：
将每个项目的低维嵌入表示通过多层感知机进行变换，得到向量的隐藏表示；
将用户的嵌入向量作为上下文向量；
基于向量的隐藏表示及用户的嵌入向量计算用户和对应项目之间的注意力权重，表示项目对用户的重要性；
利用注意力权重和项目的低维嵌入表示加权求和计算出用户的长期偏好。
6.如权利要求1所述的基于图神经网络的用户偏好演化主动感知方法，其特征是，提取用户短期偏好，具体过程为：
通过利用注意力机制来学习相应的权重，并进行线性组合获得用户u的短期偏好表示
βu,i＝qTσ(W2xn+W3xi+b2)
其中，W2,
和/>
是可训练的参数，βu,i表示序列中注意力分配系数，xi表示含有位置信息的项目的特征表示。
7.如权利要求1所述的基于图神经网络的用户偏好演化主动感知方法，其特征是，进行项目预测时，依据用户最终的偏好和项目的特征之间的内积来计算用户与候选项目交互的可能性；
作为进一步的技术方案，进行偏好演化的主动感知，具体为：
依据<项目-类别>对应关系建立偏好与项目之间的映射关系；
根据偏好演化判断规则，将预测结果和该用户原有的偏好信息进行比较，进而判断偏好演化情况。
8.基于图神经网络的用户偏好演化主动感知系统，其特征是，包括：
有向序列图构建模块，被配置为：基于用户会话数据，将用户历史交互序列建模为用户交互有向序列图；
网络学习模块，被配置为：利用门控图神经网络学习有向序列图中节点的嵌入向量表示；
用户长期偏好获取模块，被配置为：基于注意力网络挖掘交互序列中用户与项目之间的复杂相关性，获取用户长期偏好；
用户短期偏好获取模块，被配置为：基于位置感知网络，将可学习的位置矩阵纳入项目嵌入中，利用注意力网络提取用户短期偏好；
项目预测模块，被配置为：采用门控网络融合长期偏好和短期偏好得到用户最终的偏好并进行项目预测；
偏好演化的主动感知模块，被配置为：通过建立项目与偏好之间的映射关系，结合项目预测结果进行偏好演化的主动感知。
9.一种计算机装置,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，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310285061.6A CN116304279B (zh) | 2023-03-22 | 2023-03-22 | 基于图神经网络的用户偏好演化主动感知方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310285061.6A CN116304279B (zh) | 2023-03-22 | 2023-03-22 | 基于图神经网络的用户偏好演化主动感知方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116304279A true CN116304279A (zh) | 2023-06-23 |
| CN116304279B CN116304279B (zh) | 2024-01-26 |
Family
ID=86802852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310285061.6A Active CN116304279B (zh) | 2023-03-22 | 2023-03-22 | 基于图神经网络的用户偏好演化主动感知方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304279B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134606A (zh) * | 2024-05-06 | 2024-06-04 | 烟台大学 | 基于用户偏好的服务推荐方法、系统、设备和存储介质 |
| CN118227872A (zh) * | 2024-02-26 | 2024-06-21 | 北京市遥感信息研究所 | 一种社交关系感知的人类移动行为预测方法及系统 |
| CN118644044A (zh) * | 2024-08-07 | 2024-09-13 | 吉林大学 | 基于学习和偏好的实时智能订单调度方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140123165A1 (en) * | 2011-06-28 | 2014-05-01 | Tata Consultancy Services Limited | Method and system for context-aware recommendation |
| CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
| CN113222700A (zh) * | 2021-05-17 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于会话的推荐方法及装置 |
| CN113537622A (zh) * | 2021-07-30 | 2021-10-22 | 烟台大学 | 基于动态信任感知的服务偏好预测方法及系统 |
| CN113987261A (zh) * | 2021-11-08 | 2022-01-28 | 烟台大学 | 一种基于动态信任感知的视频推荐方法及系统 |
| CN114282077A (zh) * | 2021-12-31 | 2022-04-05 | 深圳市颐通科技有限公司 | 一种基于会话数据的会话推荐方法及系统 |
| CN114492763A (zh) * | 2022-02-16 | 2022-05-13 | 辽宁工程技术大学 | 一种融合全局上下文信息注意力增强的图神经网络方法 |
| CN114780841A (zh) * | 2022-04-20 | 2022-07-22 | 湖南大学 | 一种基于kphan的序列推荐方法 |
| CN114969533A (zh) * | 2022-06-02 | 2022-08-30 | 重庆邮电大学 | 一种基于用户长短期偏好的序列推荐方法 |
| CN115658864A (zh) * | 2022-10-24 | 2023-01-31 | 重庆师范大学 | 一种基于图神经网络和兴趣注意力网络的会话推荐方法 |
-
2023
- 2023-03-22 CN CN202310285061.6A patent/CN116304279B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140123165A1 (en) * | 2011-06-28 | 2014-05-01 | Tata Consultancy Services Limited | Method and system for context-aware recommendation |
| CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
| CN113222700A (zh) * | 2021-05-17 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于会话的推荐方法及装置 |
| CN113537622A (zh) * | 2021-07-30 | 2021-10-22 | 烟台大学 | 基于动态信任感知的服务偏好预测方法及系统 |
| CN113987261A (zh) * | 2021-11-08 | 2022-01-28 | 烟台大学 | 一种基于动态信任感知的视频推荐方法及系统 |
| CN114282077A (zh) * | 2021-12-31 | 2022-04-05 | 深圳市颐通科技有限公司 | 一种基于会话数据的会话推荐方法及系统 |
| CN114492763A (zh) * | 2022-02-16 | 2022-05-13 | 辽宁工程技术大学 | 一种融合全局上下文信息注意力增强的图神经网络方法 |
| CN114780841A (zh) * | 2022-04-20 | 2022-07-22 | 湖南大学 | 一种基于kphan的序列推荐方法 |
| CN114969533A (zh) * | 2022-06-02 | 2022-08-30 | 重庆邮电大学 | 一种基于用户长短期偏好的序列推荐方法 |
| CN115658864A (zh) * | 2022-10-24 | 2023-01-31 | 重庆师范大学 | 一种基于图神经网络和兴趣注意力网络的会话推荐方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118227872A (zh) * | 2024-02-26 | 2024-06-21 | 北京市遥感信息研究所 | 一种社交关系感知的人类移动行为预测方法及系统 |
| CN118134606A (zh) * | 2024-05-06 | 2024-06-04 | 烟台大学 | 基于用户偏好的服务推荐方法、系统、设备和存储介质 |
| CN118644044A (zh) * | 2024-08-07 | 2024-09-13 | 吉林大学 | 基于学习和偏好的实时智能订单调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116304279B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | A survey on reinforcement learning for recommender systems | |
| Chen et al. | Deep reinforcement learning in recommender systems: A survey and new perspectives | |
| CN112150210B (zh) | 一种基于ggnn网络的改进型神经网络推荐方法及系统 | |
| CN116304279B (zh) | 基于图神经网络的用户偏好演化主动感知方法及系统 | |
| CN109992710A (zh) | 点击率预估方法、系统、介质和计算设备 | |
| Wang et al. | Towards real-time demand-aware sequential POI recommendation | |
| WO2021139415A1 (zh) | 数据处理方法、装置、计算机可读存储介质及电子设备 | |
| CN114519145A (zh) | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 | |
| CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
| Chen et al. | A survey on heterogeneous one-class collaborative filtering | |
| CN113918833A (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 | |
| CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
| Wan et al. | Pre-training time-aware location embeddings from spatial-temporal trajectories | |
| Zeng et al. | Muformer: A long sequence time-series forecasting model based on modified multi-head attention | |
| Ding et al. | Session-based recommendation with hypergraph convolutional networks and sequential information embeddings | |
| Gui et al. | Mention recommendation in twitter with cooperative multi-agent reinforcement learning | |
| Wang et al. | Time-aware user modeling with check-in time prediction for next POI recommendation | |
| Chen et al. | Session-based recommendation: Learning multi-dimension interests via a multi-head attention graph neural network | |
| Wang et al. | Session-based recommendation with time-aware neural attention network | |
| Du et al. | A unified hierarchical attention framework for sequential recommendation by fusing long and short-term preferences | |
| CN117633371B (zh) | 基于多注意力机制的推荐方法、设备和可读存储介质 | |
| Xu et al. | Deep convolutional recurrent model for region recommendation with spatial and temporal contexts | |
| Sang et al. | Position-aware graph neural network for session-based recommendation | |
| Zhang et al. | Hybrid structural graph attention network for POI recommendation | |
| Liu | POI recommendation model using multi-head attention in location-based social network big data |
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 |