CN116340646A - 一种基于超图基序优化多元用户表示的推荐方法 - Google Patents

一种基于超图基序优化多元用户表示的推荐方法 Download PDF

Info

Publication number
CN116340646A
CN116340646A CN202310056845.1A CN202310056845A CN116340646A CN 116340646 A CN116340646 A CN 116340646A CN 202310056845 A CN202310056845 A CN 202310056845A CN 116340646 A CN116340646 A CN 116340646A
Authority
CN
China
Prior art keywords
user
hypergraph
interaction
representation
project
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
CN202310056845.1A
Other languages
English (en)
Inventor
唐明靖
吴迪
张姝
陈建兵
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.)
Yunnan Normal University
Original Assignee
Yunnan Normal University
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 Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN202310056845.1A priority Critical patent/CN116340646A/zh
Publication of CN116340646A publication Critical patent/CN116340646A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (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

本发明提供一种基于超图基序优化多元用户表示的推荐方法，涉及知识图谱、推荐系统等相关领域。该方法基于用户的历史交互构建用户项目超图，并将其映射为用户邻接图，作为用户隐式关系网络的初始化表示，然后提取超图基序学习多元用户的交互模式，重构隐式关系网络，并融合超图中的项目特征和隐式关系网络中的用户关联特征，以获得用户的高阶表示，最后，在知识图谱中传播用户的偏好信息，聚合项目的表示。该方法采用超图基序学习多元用户的交互模式，建立具有方向和权重的用户隐式关系网络，可以学习到多元用户的交互信息，然后融合用户的隐式关系特征和历史交互项目特征，以优化用户的表示，提升推荐系统的性能。

Description

一种基于超图基序优化多元用户表示的推荐方法
技术领域
本发明涉及一种基于超图基序优化多元用户表示的推荐方法，属于知识图谱、推荐系统等相关领域。
背景技术
知识图谱是一种图结构的知识库，由于其丰富的结构化信息和语义信息，进而缓解推荐算法存在的数据稀疏和冷启动问题，知识图谱常作为外部信息以丰富项目的表示，同时，用户之间蕴含彼此的潜在兴趣，学习用户之间的相似性有利于对用户的表示建模，然而，在许多推荐场景中无法获取用户间可用的显示社交关系，因此需要借助隐式关系建立用户之间的关联。
隐式关系以第三方媒介上行为交互的相似性来学习用户之间的潜在关系，以支持推荐系统，现有的方法建立隐式关系只关注两个用户之间的相似性，而没有考虑多个用户之间的交互模式，导致隐式网络无法包含多元用户的交互结构信息，例如，如果某一位用户对另一位用户有明显的导向关系，那么在学习这两位用户的特征时可以建立方向和权重，使模型关注更有用的信息。
从理论上说，复杂网络中的简单结构包含可用的信息，这在用户隐式关系网络中对应多元用户的交互模式，然而，现有的方法通常基于两两用户间的相似性建立隐式关系网络，因此很难建立方向与结构的信息。
发明内容
针对现有的推荐方法没有很好地建模多元用户交互模式的特征表示，本发明提供一种基于超图基序优化多元用户表示的推荐方法，用于提升推荐系统的性能。本发明通过构建用户项目交互超图建立对用户隐式关系的映射，并基于超图基序(超图中一种多元的结构)学习多元用户间的交互模式，在隐式关系网络中建立方向和权重。为了丰富用户的表征，设计了以分层卷积的方式融合超图卷积网络和图卷积网络，以获得项目和用户隐式关联的特征。
本发明通过下列技术方案实现：一种基于超图基序优化多元用户表示的推荐方法。基于用户的历史交互构建用户项目超图，并且其映射为用户邻接图，作为用户隐式关系网络的初始化表示，然后提取超图基序学习多元用户的交互模式，重构隐式关系网络，并融合超图中的项目特征和隐式关系网络中的用户关联特征，以获得用户的高阶表示，最后，在知识图谱中传播用户的偏好信息，聚合项目的表示，基于用户和项目的特征向量表示，预测用户与项目的交互概率完成推荐任务。
优选的，具体步骤如下包括以下步骤：
Step1、给定知识图谱为G＝(E,R)，其中G表示知识图谱，E表示知识图谱中的实体集，R表示关系集，其三元组形式表示为G＝{e,r,e′|e,e′∈E,r∈R}，其中，e表示三元组中的头实体，e′表示三元组中的尾实体，r表示实体间的关系，构建用户-项目交互超图HG：；
Step2、提取HG中的超图基序hm，重构Gu的结构；
Step3、分层图卷积网络融合超图HG和隐式关系网络Gu的特征信息，以获得用户的高阶表示；
Step4、在知识图谱上传播用户的偏好信息；
Step5、预测用户与项目的交互概率。
优选的，所述Step1还包括以下步骤：Step1.1、用于用户u，建立超边与其所有历史交互项目相连：
Figure BDA0004060663350000021
其中Ru是用户u的超边表示，→表示连接关系，
Figure BDA0004060663350000022
表示用户的历史交互项目；
Step1.2、按Step1.1方法遍历所有用户，构建完成HG；
Step1.3、将用户-项目交互超图HG映射为用户邻接图Gu：
Step1.3.1、在用户-项目交互超图中，每一条超边代表一位用户。通过用户-项目超图中超边是否相连，有如下判定：
Figure BDA0004060663350000023
其中，I(·)是一个判定函数，如果超边之间存在项目则为1，否则为0。
Figure BDA0004060663350000024
和/>
Figure BDA0004060663350000025
分别表示用户ui和用户uj的超边，∩表示交集；
Step1.3.2、：对于
Figure BDA0004060663350000026
的用户，使用如下函数计算用户之间的相似性：
Figure BDA0004060663350000027
其中，vk表示交集中单个交互项目，sim(·)表示单个公共交互项目的相似性得分，通过score(·)计算用户之间的相似性并作为边的权重；
Step1.4、将用户邻接图Gu作为用户隐式关系网络的初始化。
优选的，所述Step2还包括以下步骤：Step2、提取HG中的超图基序hm，重构Gu的结构；
Step2.1、根据超图基序的交互模式和交互次数计算其可靠性：
Figure BDA0004060663350000031
其中Re表示超图基序的可靠性评分，|Ru|表示超边连接的节点总数，hm表示超图基序，Ihm表示超图基序中是否存在共同交互项目，存在为1，否则为0；
Step2.1.1、设定阈值，通过可靠性得分过滤不可靠的超图基序；
Step2.2、基于多元用户交互计算相似度权重并建立方向；
Step2.2.1、由于两个用户之间不止与一个超图基序交互，基于所有的超图基序进行归一化：
Figure BDA0004060663350000032
其中score(·)是Step1.3.2中基于二元用户的相似性评分，Re是超图基序可靠性评分，
Figure BDA0004060663350000034
是基于注意机制的归一化函数，用于平衡二元和三元关系之间的值，sij是最终用户ui和用户uj之间的相似性评分；
Step2.2.2、根据相关的超图基序类型的比重选择建立方向性；
Step2.3、遍历Gu中的所有边，并在HG找到所有相关超图基序hm；
Step2.4、按照Step2.2重构Gu的结构。
优选的，所述Step3还包括以下步骤：Step3.1、将HG作为超图卷积网络的输入，并利用项目之间的相关性来获得用户表示的嵌入；
Step3.1.1、由超边(Ru)连接的结点(用户历史交互项目集合Iu)执行更多传播，其卷积运算定义为：
Figure BDA0004060663350000033
其中，σ(·)是激活函数，P表示第(l)层和第(l+1)层之间的可训练权重矩阵，∈表示相关超边，W表示偏置矩阵；
Step3.1.2、多个超图卷积层可能导致数值不稳定，因此对其添加了对称归一化，并以矩阵形式表示为：
Figure BDA0004060663350000041
其中，σ(·)是激活函数，D和B是超图中节点和超边的度矩阵，HT表示对H的转置；
Step3.1.3、通过聚合超边上项目的嵌入来获得用户嵌入表示：
Figure BDA0004060663350000042
其中，u表示用户的特征向量表示，σ(·)是激活函数，fagg(·)表示聚合函数，iu是用户的历史交互项目在超图中的表示；
Step3.2、获得用户在Gu中的嵌入表示；
Step3.2.1、基于超图卷积网络获得用户的嵌入表示，并将其用作图卷积网络的输入，卷积操作定义为：
Figure BDA0004060663350000043
其中N(i)表示结点i的邻居，cji是结点度数的平方根的积，eji是从结点j到结点i的标量权重，σ(·)是一个激活函数；
Step3.3、将图卷积网络中的用户表示输出作为超图HG中的输入，重复步骤Step3.1和Step3.2，直至满足分层卷积层数；
Step3.4、获得用户的最终嵌入表示u。
优选的，所述Step4还包括以下步骤：
Step4.1、为了更好地了解用户对知识的偏好，通过一个函数来计算用户和关系之间的分数，以获得知识图谱中不同关系对用户的重要性：
Figure BDA0004060663350000044
其中，其中g(·)表示用户对关系类型偏好的计算函数，Iu表示用户的历史交互项目集，N(i)表示知识图谱中i的邻居集，ri表示与邻居关联时对应的关系类型，exp(u·ri)计算用户u与ri的内积，u和r分别表示用户的特征向量表示和关系的特征向量表示，
Figure BDA0004060663350000046
是用户最终对关系的偏好权重值；
Step4.2、计算用户对项目的偏好权重：
Figure BDA0004060663350000045
其中，|Iu|表示用户交互项目的数量，|vi|表示HG中的vi节点度，h(·)计算用户u对项目i的偏好权重。
Step4.3、基于注意力机制聚合知识图谱中的项目表示；
Step4.3.1、依照用户对项目的偏好权重，决定用户对关系的偏好权重的比率。对于交互率高的项目，使其更平均地聚合邻居实体；
Step4.3.2、从项目本地域中采样实体特征，并聚合项目的多跳邻居，以探索知识图谱中的更多信息，项目聚合表示如下：
Figure BDA0004060663350000051
其中，Relu(·)表示激活函数，N(i)表示项目iu的邻居集合，n表示采样邻居的数量,W和b分别是偏置矩阵和偏置项，v表示项目的特征向量表示。
优选的，所述Step5还包括以下步骤：
Step5.1、将项目的表征v，与用户的表征u计算交互概率，如下所示：
Figure BDA0004060663350000059
其中，
Figure BDA00040606633500000510
表示预测评分函数；
Step5.2、采用负采样策略迭代所有可能的用户项对，损失函数如下：
Figure BDA0004060663350000052
其中，
Figure BDA0004060663350000053
是L2-正则化损失函数，λ、λu和λi是平衡超参数，/>
Figure BDA00040606633500000511
是交叉熵损失，/>
Figure BDA0004060663350000054
是用户聚合损失，/>
Figure BDA0004060663350000055
是项目聚合损失，/>
Figure BDA0004060663350000056
表示l层的用户分层卷积聚合，/>
Figure BDA0004060663350000057
表示h层传播的项目卷积聚合，yuv和/>
Figure BDA0004060663350000058
分别是实际交互和预测交互概率；
Step5.3、模型性能评价：
Step5.3.1、评价指标：对应点击率预测场景，采用准确率AUC、ACC和F1值对模型性能进行评价；对应Top-K推荐场景，采用Precision@K和Recall@K对模型性能进行评价。
本发明首先为了解决优化用户特征表示，以及多元用户间交互信息的学习问题，设计了一种基于超图基序优化多元用户表示的推荐方法。该方法构建用户-项目交互超图并将其映射成用户隐式关系网络。然后提取超图基序重新构建隐式关系网络的结构，建立方向和权重。在分层卷积的方法下融合超图卷积网络和图卷积网络学习到的特征信息，丰富用户的特征表示。最后，在知识图谱上传播用户的偏好获得项目的表示。基于用户嵌入表示和项目嵌入表示预测用户与项目的交互概率，进行推荐。
本发明提供了一种基于超图基序优化多元用户表示的推荐方法。具备以下有益效果：
现有的推荐方法往往通过二元用户间行为的相似性，建立用户间的隐式关联，忽略了多元用户的交互模式信息，本发明提出的方法通过学习多元用户间隐式交互的结构信息，辅助用户的特征表示，本方法建立了用户-项目超图与用户隐式关系网络的映射，通过超图基序学习多元用户的交互模式，并且设计了一种分层卷积的方法，融合项目特征和用户间的隐式关系特征，相比于现有的推荐方法，本方法通过多元用户间的隐式交互关系优化用户的特征表示，以提升推荐系统的性能，并且可以从项目的属性关联和用户间的隐式关联提升对推荐结果的可解释性，通过与其它先进方法的实验比较，证明了本方法在不同的推荐场景中都能取得优异的表现。
附图说明
图1为本发明提出的推荐方法的流程图。
具体实施方式
下面结合实施例对本发明做进一步说明。
实施例一；
如图1所示，本发明实施例提供一种基于超图基序优化多元用户表示的推荐方法，包括于用户的历史交互构建用户项目超图，并且其映射为用户邻接图，作为用户隐式关系网络的初始化表示，然后提取超图基序学习多元用户的交互模式，重构隐式关系网络，并融合超图中的项目特征和隐式关系网络中的用户关联特征，以获得用户的高阶表示，最后，在知识图谱中传播用户的偏好信息，聚合项目的表示，基于用户和项目的特征向量表示，预测用户与项目的交互概率完成推荐任务，通过多元用户间的隐式交互关系优化用户的特征表示，以提升推荐系统的性能，并且可以从项目的属性关联和用户间的隐式关联提升对推荐结果的可解释性，通过与其它先进方法的实验比较，证明了本方法在不同的推荐场景中都能取得优异的表现。
具体步骤如下包括以下步骤：
Step1、给定知识图谱为G＝(E,R)，其中G表示知识图谱，E表示知识图谱中的实体集，R表示关系集，其三元组形式表示为G＝{e,r,e′|e,e′∈E,r∈R}，其中，e表示三元组中的头实体，e′表示三元组中的尾实体，r表示实体间的关系，构建用户-项目交互超图HG：
Step2、提取HG中的超图基序hm，重构Gu的结构；
Step3、分层图卷积网络融合超图HG和隐式关系网络Gu的特征信息，以获得用户的高阶表示；
Step4、在知识图谱上传播用户的偏好信息；
Step5、预测用户与项目的交互概率。
所述Step1还包括以下步骤：
Step1.1、用于用户u，建立超边与其所有历史交互项目相连：
Figure BDA0004060663350000071
其中Ru是用户u的超边表示，→表示连接关系，
Figure BDA0004060663350000075
表示用户的历史交互项目；
Step1.2、按Step1.1方法遍历所有用户，构建完成HG；
Step1.3、将用户-项目交互超图HG映射为用户邻接图Gu：
Step1.3.1、在用户-项目交互超图中，每一条超边代表一位用户。通过用户-项目超图中超边是否相连，有如下判定：
Figure BDA0004060663350000072
其中，I(·)是一个判定函数，如果超边之间存在项目则为1，否则为0。
Figure BDA0004060663350000076
和/>
Figure BDA0004060663350000077
分别表示用户ui和用户uj的超边，∩表示交集；
Step1.3.2、：对于
Figure BDA0004060663350000078
的用户，使用如下函数计算用户之间的相似性：
Figure BDA0004060663350000073
其中，vk表示交集中单个交互项目，sim(·)表示单个公共交互项目的相似性得分，通过score(·)计算用户之间的相似性并作为边的权重；
Step1.4、将用户邻接图Gu作为用户隐式关系网络的初始化。
Step2、提取HG中的超图基序hm，重构Gu的结构；
Step2.1、根据超图基序的交互模式和交互次数计算其可靠性：
Figure BDA0004060663350000074
其中Re表示超图基序的可靠性评分，|Ru|表示超边连接的节点总数，hm表示超图基序，Ihm表示超图基序中是否存在共同交互项目，存在为1，否则为0；
Step2.1.1、设定阈值，通过可靠性得分过滤不可靠的超图基序；
Step2.2、基于多元用户交互计算相似度权重并建立方向；
Step2.2.1、由于两个用户之间不止与一个超图基序交互，基于所有的超图基序进行归一化：
Figure BDA0004060663350000081
其中score(·)是Step1.3.2中基于二元用户的相似性评分，Re是超图基序可靠性评分，
Figure BDA0004060663350000084
是基于注意机制的归一化函数，用于平衡二元和三元关系之间的值，sij是最终用户ui和用户uj之间的相似性评分；
Step2.2.2、根据相关的超图基序类型的比重选择建立方向性；
Step2.3、遍历Gu中的所有边，并在HG找到所有相关超图基序hm；
Step2.4、按照Step2.2重构Gu的结构。
所述Step3还包括以下步骤：
Step3.1、将HG作为超图卷积网络的输入，并利用项目之间的相关性来获得用户表示的嵌入；
Step3.1.1、由超边(Ru)连接的结点(用户历史交互项目集合Iu)执行更多传播，其卷积运算定义为：
Figure BDA0004060663350000082
其中，σ(·)是激活函数，P表示第(l)层和第(l+1)层之间的可训练权重矩阵，∈表示相关超边，W表示偏置矩阵；
Step3.1.2、多个超图卷积层可能导致数值不稳定，因此对其添加了对称归一化，并以矩阵形式表示为：
Figure BDA0004060663350000083
其中，σ(·)是激活函数，D和B是超图中节点和超边的度矩阵，HT表示对H的转置；
Step3.1.3、通过聚合超边上项目的嵌入来获得用户嵌入表示：
u＝σ(fagg(iu)) (8)
其中，u表示用户的特征向量表示，σ(·)是激活函数，fagg(·)表示聚合函数，iu是用户的历史交互项目在超图中的表示；
Step3.2、获得用户在Gu中的嵌入表示；
Step3.2.1、基于超图卷积网络获得用户的嵌入表示，并将其用作图卷积网络的输入，卷积操作定义为：
Figure BDA0004060663350000091
其中N(i)表示结点i的邻居，cji是结点度数的平方根的积，eji是从结点j到结点i的标量权重，σ(·)是一个激活函数；
Step3.3、将图卷积网络中的用户表示输出作为超图HG中的输入，重复步骤Step3.1和Step3.2，直至满足分层卷积层数；
Step3.4、获得用户的最终嵌入表示u。
所述Step4还包括以下步骤：
Step4、在知识图谱上传播用户的偏好信息；
Step4.1、为了更好地了解用户对知识的偏好，通过一个函数来计算用户和关系之间的分数，以获得知识图谱中不同关系对用户的重要性：
Figure BDA0004060663350000092
其中，其中g(·)表示用户对关系类型偏好的计算函数，Iu表示用户的历史交互项目集，N(i)表示知识图谱中i的邻居集，ri表示与邻居关联时对应的关系类型，exp(u·ri)计算用户u与ri的内积，u和r分别表示用户的特征向量表示和关系的特征向量表示，
Figure BDA0004060663350000094
是用户最终对关系的偏好权重值；
Step4.2、计算用户对项目的偏好权重：
Figure BDA0004060663350000093
其中，|Iu|表示用户交互项目的数量，|vi|表示HG中的vi节点度，h(·)计算用户u对项目i的偏好权重。
Step4.3、基于注意力机制聚合知识图谱中的项目表示；
Step4.3.1、依照用户对项目的偏好权重，决定用户对关系的偏好权重的比率。对于交互率高的项目，使其更平均地聚合邻居实体。例如，大多数人都喜欢高评分的电影，但小众电影可能包含更多用户的兴趣偏好；
Step4.3.2、从项目本地域中采样实体特征，并聚合项目的多跳邻居，以探索知识图谱中的更多信息，项目聚合表示如下：
Figure BDA0004060663350000101
其中，Relu(·)表示激活函数，N(i)表示项目iu的邻居集合，n表示采样邻居的数量,W和b分别是偏置矩阵和偏置项，v表示项目的特征向量表示。
所述Step5还包括以下步骤：
Step5、预测用户与项目的交互概率；
Step5.1、将项目的表征v，与用户的表征u计算交互概率，如下所示：
Figure BDA0004060663350000102
其中，
Figure BDA00040606633500001011
表示预测评分函数；
Step5.2、采用负采样策略迭代所有可能的用户项对，损失函数如下：
Figure BDA0004060663350000103
其中，
Figure BDA0004060663350000104
L2-正则化损失函数，λ、λu和λi是平衡超参数，/>
Figure BDA00040606633500001012
是交叉熵损失，/>
Figure BDA0004060663350000105
是用户聚合损失，/>
Figure BDA0004060663350000106
是项目聚合损失，/>
Figure BDA0004060663350000107
表示l层的用户分层卷积聚合，/>
Figure BDA0004060663350000108
表示h层传播的项目卷积聚合，yuv和/>
Figure BDA0004060663350000109
分别是实际交互和预测交互概率；
Step5.3、模型性能评价：
Step5.3.1、评价指标：对应点击率预测场景，采用准确率AUC(Area UnderCurve)、ACC(Accuracy)和F1值对模型性能进行评价；对应Top-K推荐场景，采用Precision@K和Recall@K对模型性能进行评价。
Step5.3.2、实验数据集：采用Movielens-1M和Last.FM等推荐系统领域常用公开数据集进行实验；详细信息如表1所示：
表1数据集的详细信息
Figure BDA00040606633500001010
Step5.3.3、实验结果：每个数据集的训练、评估和测试集比率为8:1:1，每个实验重复10次，并报告平均性能；击率预测场景，准确率AUC、ACC和F1值的实验结果如表2所示；Top-K推荐场景，Precision@K和Recall@K的实验结果如表3所示：
表2.CTR点击预测结果
Figure BDA0004060663350000111
表3.Top-K推荐结果
Figure BDA0004060663350000112
Figure BDA0004060663350000121
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种基于超图基序优化多元用户表示的推荐方法，其特征在于：基于用户的历史交互构建用户项目超图，并且其映射为用户邻接图，作为用户隐式关系网络的初始化表示，然后提取超图基序学习多元用户的交互模式，重构隐式关系网络，并融合超图中的项目特征和隐式关系网络中的用户关联特征，以获得用户的高阶表示，最后，在知识图谱中传播用户的偏好信息，聚合项目的表示，基于用户和项目的特征向量表示，预测用户与项目的交互概率完成推荐任务。
2.根据权利要求1所述的一种基于超图基序优化多元用户表示的推荐方法，其特征在于：具体步骤如下：
Step1、给定知识图谱为G＝(E,R)，其中G表示知识图谱，E表示知识图谱中的实体集，R表示关系集，其三元组形式表示为G＝{e,r,e′|e,e′∈E,r∈R}，其中，e表示三元组中的头实体，e′表示三元组中的尾实体，r表示实体间的关系，构建用户-项目交互超图HG：
Step2、提取HG中的超图基序hm，重构Gu的结构；
Step3、分层图卷积网络融合超图HG和隐式关系网络Gu的特征信息，以获得用户的高阶表示；
Step4、在知识图谱上传播用户的偏好信息；
Step5、预测用户与项目的交互概率。
3.根据权利要求1所述的一种基于超图基序优化多元用户表示的推荐方法，其特征在于：所述Step1还包括以下步骤：
Step1.1、用于用户u，建立超边与其所有历史交互项目相连：
Figure FDA0004060663340000011
其中Ru是用户u的超边表示，→表示连接关系，
Figure FDA0004060663340000012
表示用户的历史交互项目；
Step1.2、按Step1.1方法遍历所有用户，构建完成HG；
Step1.3、将用户-项目交互超图HG映射为用户邻接图Gu：
Step1.3.1、在用户-项目交互超图中，每一条超边代表一位用户。通过用户-项目超图中超边是否相连，有如下判定：
Figure FDA0004060663340000013
其中，I(·)是一个判定函数，如果超边之间存在项目则为1，否则为0。
Figure FDA0004060663340000014
和/>
Figure FDA0004060663340000015
分别表示用户ui和用户uj的超边，∩表示交集；
Step1.3.2、：对于
Figure FDA0004060663340000021
的用户，使用如下函数计算用户之间的相似性：
Figure FDA0004060663340000022
其中，vk表示交集中单个交互项目，sim(·)表示单个公共交互项目的相似性得分，通过score(·)计算用户之间的相似性并作为边的权重；
Step1.4、将用户邻接图Gu作为用户隐式关系网络的初始化。
4.根据权利要求1所述的一种基于超图基序优化多元用户表示的推荐方法，其特征在于：所述Step2还包括以下步骤：
Step2.1、根据超图基序的交互模式和交互次数计算其可靠性：
Figure FDA0004060663340000023
其中Re表示超图基序的可靠性评分，|Ru|表示超边连接的节点总数，hm表示超图基序，Ihm表示超图基序中是否存在共同交互项目，存在为1，否则为0；
Step2.1.1、设定阈值，通过可靠性得分过滤不可靠的超图基序；
Step2.2、基于多元用户交互计算相似度权重并建立方向；
Step2.2.1、由于两个用户之间不止与一个超图基序交互，基于所有的超图基序进行归一化：
Figure FDA0004060663340000024
其中score(·)是Step1.3.2中基于二元用户的相似性评分，Re是超图基序可靠性评分，S(·)是基于注意机制的归一化函数，用于平衡二元和三元关系之间的值，sij是最终用户ui和用户uj之间的相似性评分；
Step2.2.2、根据相关的超图基序类型的比重选择建立方向性；
Step2.3、遍历Gu中的所有边，并在HG找到所有相关超图基序hm；
Step2.4、按照Step2.2重构Gu的结构.。
5.根据权利要求1所述的一种基于超图基序优化多元用户表示的推荐方法，其特征在于：所述Step3还包括以下步骤：
Step3.1、将HG作为超图卷积网络的输入，并利用项目之间的相关性来获得用户表示的嵌入；
Step3.1.1、由超边(Ru)连接的结点(用户历史交互项目集合Iu)执行更多传播，其卷积运算定义为：
Figure FDA0004060663340000031
其中，σ(·)是激活函数，P表示第(l)层和第(l+1)层之间的可训练权重矩阵，∈表示相关超边，W表示偏置矩阵；
Step3.1.2、多个超图卷积层可能导致数值不稳定，因此对其添加了对称归一化，并以矩阵形式表示为：
Figure FDA0004060663340000032
其中，σ(·)是激活函数，D和B是超图中节点和超边的度矩阵，HT表示对H的转置；
Step3.1.3、通过聚合超边上项目的嵌入来获得用户嵌入表示：
u＝σ(fagg(iu)) (8)
其中，u表示用户的特征向量表示，σ(·)是激活函数，fagg(·)表示聚合函数，iu是用户的历史交互项目在超图中的表示；
Step3.2、获得用户在Gu中的嵌入表示；
Step3.2.1、基于超图卷积网络获得用户的嵌入表示，并将其用作图卷积网络的输入，卷积操作定义为：
Figure FDA0004060663340000033
其中N(i)表示结点i的邻居，cji是结点度数的平方根的积，eji是从结点j到结点i的标量权重，σ(·)是一个激活函数；
Step3.3、将图卷积网络中的用户表示输出作为超图HG中的输入，重复步骤Step3.1和Step3.2，直至满足分层卷积层数；
Step3.4、获得用户的最终嵌入表示u。
6.根据权利要求1所述的一种基于超图基序优化多元用户表示的推荐方法，其特征在于：所述Step4还包括以下步骤：
Step4.1、为了更好地了解用户对知识的偏好，通过一个函数来计算用户和关系之间的分数，以获得知识图谱中不同关系对用户的重要性：
Figure FDA0004060663340000041
其中，其中g(·)表示用户对关系类型偏好的计算函数，Iu表示用户的历史交互项目集，N(i)表示知识图谱中i的邻居集，ri表示与邻居关联时对应的关系类型，exp(u·ri)计算用户u与ri的内积，u和r分别表示用户的特征向量表示和关系的特征向量表示，
Figure FDA0004060663340000042
Step4.2、计算用户对项目的偏好权重：
Figure FDA0004060663340000043
其中，|Iu|表示用户交互项目的数量，|vi|表示HG中的vi节点度，h(·)计算用户u对项目i的偏好权重；
Step4.3、基于注意力机制聚合知识图谱中的项目表示；
Step4.3.1、依照用户对项目的偏好权重，决定用户对关系的偏好权重的比率。对于交互率高的项目，使其更平均地聚合邻居实体；
Step4.3.2、从项目本地域中采样实体特征，并聚合项目的多跳邻居，以探索知识图谱中的更多信息，项目聚合表示如下：
Figure FDA0004060663340000044
其中，Relu(·)表示激活函数，N(i)表示项目iu的邻居集合，n表示采样邻居的数量,W和b分别是偏置矩阵和偏置项，v表示项目的特征向量表示。
7.根据权利要求1所述的一种基于超图基序优化多元用户表示的推荐方法，其特征在于：所述Step5还包括以下步骤：
Step5.1、将项目的表征v，与用户的表征u计算交互概率，如下所示：
Figure FDA0004060663340000045
其中，
Figure FDA0004060663340000046
表示预测评分函数；
Step5.2、采用负采样策略迭代所有可能的用户项对，损失函数如下：
Figure FDA0004060663340000047
其中，
Figure FDA0004060663340000048
是L2-正则化损失函数，λ、λu和λi是平衡超参数，/>
Figure FDA00040606633400000414
是交叉熵损失，/>
Figure FDA0004060663340000049
是用户聚合损失，/>
Figure FDA00040606633400000410
是项目聚合损失，/>
Figure FDA00040606633400000411
表示l层的用户分层卷积聚合，/>
Figure FDA00040606633400000412
表示h层传播的项目卷积聚合，yuv和/>
Figure FDA00040606633400000413
分别是实际交互和预测交互概率；
Step5.3、模型性能评价：
Step5.3.1、评价指标：对应点击率预测场景，采用准确率AUC、ACC和F1值对模型性能进行评价；对应Top-K推荐场景，采用Precision@K和Recall@K对模型性能进行评价。
CN202310056845.1A 2023-01-18 2023-01-18 一种基于超图基序优化多元用户表示的推荐方法 Pending CN116340646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310056845.1A CN116340646A (zh) 2023-01-18 2023-01-18 一种基于超图基序优化多元用户表示的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310056845.1A CN116340646A (zh) 2023-01-18 2023-01-18 一种基于超图基序优化多元用户表示的推荐方法

Publications (1)

Publication Number Publication Date
CN116340646A true CN116340646A (zh) 2023-06-27

Family

ID=86881186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310056845.1A Pending CN116340646A (zh) 2023-01-18 2023-01-18 一种基于超图基序优化多元用户表示的推荐方法

Country Status (1)

Country Link
CN (1) CN116340646A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116844645A (zh) * 2023-08-31 2023-10-03 云南师范大学 一种基于多视角分层超图的基因调控网络推断方法
CN116845889A (zh) * 2023-09-01 2023-10-03 东海实验室 一种基于层次化超图神经网络的电力负载预测方法
CN116894122A (zh) * 2023-07-06 2023-10-17 黑龙江大学 一种基于超图卷积网络的跨视图对比学习群组推荐方法
CN117314266A (zh) * 2023-11-30 2023-12-29 贵州大学 一种基于超图注意力机制的新型科技人才智能评价方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894122A (zh) * 2023-07-06 2023-10-17 黑龙江大学 一种基于超图卷积网络的跨视图对比学习群组推荐方法
CN116894122B (zh) * 2023-07-06 2024-02-13 黑龙江大学 一种基于超图卷积网络的跨视图对比学习群组推荐方法
CN116844645A (zh) * 2023-08-31 2023-10-03 云南师范大学 一种基于多视角分层超图的基因调控网络推断方法
CN116844645B (zh) * 2023-08-31 2023-11-17 云南师范大学 一种基于多视角分层超图的基因调控网络推断方法
CN116845889A (zh) * 2023-09-01 2023-10-03 东海实验室 一种基于层次化超图神经网络的电力负载预测方法
CN116845889B (zh) * 2023-09-01 2023-12-22 东海实验室 一种基于层次化超图神经网络的电力负载预测方法
CN117314266A (zh) * 2023-11-30 2023-12-29 贵州大学 一种基于超图注意力机制的新型科技人才智能评价方法
CN117314266B (zh) * 2023-11-30 2024-02-06 贵州大学 一种基于超图注意力机制的新型科技人才智能评价方法

Similar Documents

Publication Publication Date Title
CN112529168B (zh) 一种基于gcn的属性多层网络表示学习方法
CN116340646A (zh) 一种基于超图基序优化多元用户表示的推荐方法
CN113362131B (zh) 一种融合知识图谱和用户交互的图模型智能商品推荐方法
CN112364976B (zh) 基于会话推荐系统的用户偏好预测方法
CN109389151B (zh) 一种基于半监督嵌入表示模型的知识图谱处理方法和装置
CN110677284B (zh) 一种基于元路径的异构网络链路预测的方法
CN110263236B (zh) 基于动态多视图学习模型的社交网络用户多标签分类方法
CN110889001B (zh) 一种基于图表征学习的大图采样可视化方法
CN110619081A (zh) 一种基于交互图神经网络的新闻推送方法
CN103106279A (zh) 一种同时基于节点属性以及结构关系相似度的聚类方法
CN113807422B (zh) 融合多特征信息的加权图卷积神经网络评分预测模型
CN113486190A (zh) 一种融合实体图像信息和实体类别信息的多模态知识表示方法
CN107526975A (zh) 一种基于差分隐私保护决策树的方法
CN109960755B (zh) 一种基于动态迭代快速梯度的用户隐私保护方法
CN112417313A (zh) 一种基于知识图卷积网络的模型混合推荐方法
CN115905691B (zh) 一种基于深度强化学习的偏好感知推荐方法
CN114329222B (zh) 一种融合注意力机制和双端知识图谱的电影推荐方法
CN115270007B (zh) 一种基于混合图神经网络的poi推荐方法及系统
CN113869424A (zh) 基于双通道图卷积网络的半监督节点分类方法
CN114817712A (zh) 一种基于多任务学习和知识图谱增强的项目推荐方法
CN116383519A (zh) 基于双加权的自注意力的群组推荐方法
Zhang et al. Knowledge graph driven recommendation model of graph neural network
CN116932923B (zh) 一种结合行为特征与三角协作度量的项目推荐方法
CN112084418A (zh) 一种基于邻居信息和属性网络表征学习的微博用户社团发现方法
CN117194765A (zh) 一种兴趣感知的双通道图对比学习会话推荐方法

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