CN116342228A - 一种基于有向图神经网络的相关推荐的方法 - Google Patents

一种基于有向图神经网络的相关推荐的方法 Download PDF

Info

Publication number
CN116342228A
CN116342228A CN202310559350.0A CN202310559350A CN116342228A CN 116342228 A CN116342228 A CN 116342228A CN 202310559350 A CN202310559350 A CN 202310559350A CN 116342228 A CN116342228 A CN 116342228A
Authority
CN
China
Prior art keywords
commodity
directed graph
node
vector
neural network
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
Application number
CN202310559350.0A
Other languages
English (en)
Other versions
CN116342228B (zh
Inventor
谷满昌
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.)
Yunzhu Information Technology Chengdu Co ltd
Original Assignee
Yunzhu Information Technology Chengdu Co ltd
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 Yunzhu Information Technology Chengdu Co ltd filed Critical Yunzhu Information Technology Chengdu Co ltd
Priority to CN202310559350.0A priority Critical patent/CN116342228B/zh
Publication of CN116342228A publication Critical patent/CN116342228A/zh
Application granted granted Critical
Publication of CN116342228B publication Critical patent/CN116342228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于有向图神经网络的相关推荐的方法，解决现有技术相关推荐无方向性的问题，具体方法包括：定义商品节点集合、商品节点、每个商品节点信息元特征；定义商品节点集合的有向图、商品节点的有向边；输入有向图、商品节点信息元特征、多层有向图神经网络和学习权重；获取初始输入的源特征向量和目的特征向量，并生成源向量和目的向量，提取共同点击的商品对集合，完成有向图的嵌入；将源向量和目的向量输入到反向传播模型，在反向传播模型生成负样本,得到有向图不同的视角，使商品节点远离负样本的嵌入，并且计算共同点击的商品对的不对称性，优化有向图；给定查询商品得到推荐结果。本发明使得相关推荐的具有方向。

Description

一种基于有向图神经网络的相关推荐的方法
技术领域
本发明涉及图神经网络技术领域，涉及一种基于有向图神经网络的相关推荐的方法。
背景技术
相关推荐指的是根据用户的行为数据和内容特征，提供与当前内容相关的其他内容的推荐功能。相关推荐电子商务网站服务成功的关键，它不仅可以帮助客户发现新的相关产品，还可以减少客户的购物精力，提升网站的购物体验。
电子商务网站经常推荐与客户查询相关的产品，但电子商务网所推荐的相关产品基本上为无方向性推荐。而产品关系的信息通常由具有有向边的图表示，这意味着由边表示的关系只能在一个方向上流动：例如，向购买手机的人推荐一个保护套是有意义的，但购买保护套的人可能不需要手机推荐，所以现在的电子商务网站客户在查询商品时，显示的内容有许多无用信息，为客户查询有用信息带来不便。
发明内容
本发明要解决的技术问题是：为了解决上述部分问题，提供一种基于有向图神经网络的相关推荐的方法
一种基于有向图神经网络的相关推荐的方法，包括以下步骤：
步骤1、定义商品节点集合、商品节点、每个商品节点信息元特征；
步骤2、定义商品节点集合的有向图、商品节点的有向边；
步骤3、在有向图前向传播模型中输入有向图、商品节点信息元特征、多层有向图神经网络和每层有向图神经网络学习权重；
步骤4、获取每个商品节点初始输入的源特征向量和目的特征向量，生成商品节点的源向量和目的向量，并且提取商品节点的共同点击的商品对集合，完成有向图的嵌入；
步骤5、将生成的商品节点的源向量和目的向量输入到有向图反向传播模型，在有向图反向传播模型生成负样本,获取商品节点有向图不同的视角，根据非对称损失函数使商品节点远离负样本的嵌入，并且计算共同点击的商品对在有向图中的不对称性，优化有向图的嵌入；
步骤6、给定查询商品，在有向图中执行查找，得到推荐结果。
进一步的，所述步骤2具体为：定义有向图
Figure SMS_1
，其中/>
Figure SMS_2
为共同点击的商品对集合，CT为具有方向的共同点击的商品对，P为商品节点集合。
进一步的，所述步骤4包括：步骤41、根据商品节点信息元特征获取每个商品节点初始输入的源特征向量
Figure SMS_3
和目的特征向量/>
Figure SMS_4
；步骤42、将每个商品节点初始输入的源特征向量和目的特征向量代入函数：
Figure SMS_5
；
Figure SMS_6
；
依次提取每个商品节点在当前层有向图神经网络的共同点击的商品对集合，并且获取当前层有向图神经网络的源特征向量
Figure SMS_23
和目的特征向量/>
Figure SMS_26
，其中/>
Figure SMS_28
，L为有向图神经网络层数，outdegree(i)为第i个商品节点的出度数，indegree(i)为第i个商品节点的入度数；/>
Figure SMS_7
为i指向j，/>
Figure SMS_12
为j指向i，/>
Figure SMS_16
为/>
Figure SMS_20
中i节点在当前层有向图神经网络求得的源特征向量，/>
Figure SMS_8
为/>
Figure SMS_11
中i节点在当前层有向图神经网络求得的目的特征向量，/>
Figure SMS_15
为上一层有向图神经网络/>
Figure SMS_19
中j节点的目的特征向量，/>
Figure SMS_9
为上一层有向图神经网络/>
Figure SMS_13
中j节点的源特征向量，/>
Figure SMS_17
为神经网络学习权重；步骤43、获取步骤42中的有向图神经网络的源特征向量/>
Figure SMS_21
和目的特征向量/>
Figure SMS_25
作为下一层图神经网络初始输入的源特征向量和目标特征向量；步骤44、重复步骤42-步骤43获取每个商品节点在每层有向图神经网络的源特征向量/>
Figure SMS_27
和目标特征向量/>
Figure SMS_29
，以及提取每个商品节点在每层有向图神经网络的共同点击的商品对集合，将每层的共同点击的商品对集合结合，生成每个商品节点的最终的共同点击的商品对集合/>
Figure SMS_30
，进行有向图的嵌入；步骤45、将获取到的每个商品节点在每层有向图神经网络的源特征向量/>
Figure SMS_10
和目标特征向量/>
Figure SMS_14
代入函数：
Figure SMS_18
；求出每个商品节点的源向量/>
Figure SMS_22
和每个商品节点的目的向量/>
Figure SMS_24
，完成有向图。
进一步的，所述步骤5包括：步骤51、将生成的商品节点的源向量和目的向量输入到有向图反向传播模型；步骤52、生成一个商品负样本z，商品负样本z的目的向量
Figure SMS_32
作为目的嵌入；步骤53、当/>
Figure SMS_35
时，第i个商品节点的源向量/>
Figure SMS_37
作为源嵌入，第j个商品的目的向量/>
Figure SMS_33
作为目的嵌入，利用非对称损失函数优化第i个商品节点的源嵌入和第j个商品的目的嵌入，并且第i个商品节点的源嵌入远离商品负样本z的目的嵌入，完成第i个商品节点的嵌入，其中/>
Figure SMS_34
；步骤54、强调共同点击的商品对CT在有向图中的不对称性，具体为：利用非对称损失函数/>
Figure SMS_36
，给第i个商品节点的有向边/>
Figure SMS_38
分配第一得分，给与第i个商品节点的有向边对称的非有向边/>
Figure SMS_31
分配比第一得分更低的第二得分；步骤55、每个商品节点均完成步骤53-步骤54，优化有向图。
进一步的，所述商品负样本z通过均匀分布商品节点集合P生成。
进一步的，所述步骤5中的非对称损失函数
Figure SMS_39
具体为：
Figure SMS_40
；其中sigmoid为神经网络的一种非线性的激活函数，/>
Figure SMS_41
为i个商品节点的源向量，/>
Figure SMS_42
为i个商品节点的目的向量，/>
Figure SMS_43
为第j个商品的源向量，/>
Figure SMS_44
为第j个商品的目的向量，z为商品负样本，/>
Figure SMS_45
为商品负样本z的目的向量，/>
Figure SMS_46
代表用均匀分布取样方法随机的从P中抽取一个样本。
进一步的，所述步骤6包括：步骤61、给定查询商品q，q
Figure SMS_47
P；步骤62、利用商品q的源向量/>
Figure SMS_48
作为源嵌入，在商品集合有向图中执行最邻近查询，得到候选商品j；步骤63、计算候选商品j的相关性得分/>
Figure SMS_49
，将相关性得分合格的候选商品j放入相关商品集合/>
Figure SMS_50
，其中相关性得分具体为：/>
Figure SMS_51
，其中T为旋转向量；步骤64、显示推荐结果为相关商品集合/>
Figure SMS_52
中的所有候选商品。
与现有技术相比，本发明具有以下有益效果：本发明为基于有向图神经网络的相关推荐方法，结合了有向图的前向传播模型和反向传播模型对数据进一步优化，得到商品节点集合的有向图，使得商品之间具有明确的方向性，为电子商务网站带来更好的相关推荐功能，即当给定一个商品时，将该商品节点作为输入，通过该商品节点在有向图中执行查找，得到的推荐结果与查询节点具有很高的链接性和方向性，从而有效地提高电子商务网站的相关推荐效率，同时也为客户节省筛选时间，减少了时间成本，给客户带来更好的购物体验。
附图说明
图1为本发明实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进一步详细说明。显然，所描述的实施例仅仅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。
如图1所示，一种基于有向图神经网络的相关推荐的方法，包括以下步骤：
步骤1、定义商品节点集合、商品节点、每个商品节点信息元特征；
步骤2、定义商品节点集合的有向图、商品节点的有向边；
步骤3、在有向图前向传播模型中输入有向图、商品节点信息元特征、多层有向图神经网络和每层有向图神经网络学习权重；
步骤4、获取每个商品节点初始输入的源特征向量和目的特征向量，生成商品的源向量和目的向量，并且提取商品节点的共同点击的商品对集合，完成有向图的嵌入；
步骤5、将生成的商品节点的源向量和目的向量输入到有向图反向传播模型，在有向图反向传播模型生成负样本,获取商品节点有向图不同的视角，根据非对称损失函数使商品节点远离负样本的嵌入，并且计算共同点击的商品对在有向图中的不对称性，优化有向图的嵌入；
步骤6、给定查询商品，在有向图中执行查找，得到推荐结果。
在具体实施例中，首先定义一个商品节点的集合P，其中商品节点i(
Figure SMS_53
）的商品信息元特征包含商品标题、商品属性、商品图像等特征，再定义商品集合的有向图/>
Figure SMS_54
、将商品有向集合图/>
Figure SMS_55
，商品节点信息元特征、L层有向图神经网络和每层有向图神经网络学习权重/>
Figure SMS_56
输入到有向图传播前向传播模型，并且通过商品节点信息元特征获取每个商品节点初始输入的源特征向量和初始目标特征向量，通过有向图前向传播模型算法求出每个商品节点的源向量和目的向量，以及每个商品节点的共同点击的商品对集合/>
Figure SMS_57
，完成有向图的嵌入，本发明还通过一种非对称损失函数捕获有向图中不同的视角，从而进一步的完善有向图的嵌入，当输入一个查询商品q(/>
Figure SMS_58
)时，本发明使用查询商品q的源向量/>
Figure SMS_59
作为源嵌入，在商品集合的有向图中执行最邻近查找，并将查找到的候选产品进行相关性得分计算，将相关性得分合格的商品推荐给客户。这种相关推荐方法极大的减少无用信息，所推荐的结构与查询商品具有极高的链接可能性，因此向客户推荐的商品更符合客户的购买意图，为客户提供给更好的购物体验。
如当客户查找某一特定型号手机后，可能还会点击相似类型的其它型号手机、手机充电器、手机屏幕保护膜等相关商品，但用户点击手机充电器后，则通常不会再点击其它型号手机，手机屏幕保护膜等商品，因此本发明提供的基于有向图神经网络的相关推荐的方法使得商品之间具有方向性，当点击手机充电器、手机屏幕保护膜等商品后，不会为用户推荐其它型号手机的产品，为用户减少筛选商品的时间。
优选地，所述步骤2具体为：定义有向图
Figure SMS_60
，其中/>
Figure SMS_61
为共同点击的商品对集合，CT为具有方向的共同点击的商品对，P为商品节点集合。
在具体实施例中，定义一个待求商品集合有向图
Figure SMS_62
，商品集合有向图
Figure SMS_63
由有向图前向传播模型和反向传播模型结合计算得到，其中/>
Figure SMS_64
在有向图前向传播模型中计算得到。
优选地，所述步骤4包括：步骤41、根据商品节点信息元特征获取每个商品节点初始输入的源特征向量
Figure SMS_65
和目的特征向量/>
Figure SMS_66
；步骤42、将每个商品节点初始输入的源特征向量和目的特征向量代入函数：
Figure SMS_67
（1）
Figure SMS_68
（2）
依次提取每个商品节点在当前层有向图神经网络的共同点击的商品对集合，并且获取当前层有向图神经网络的源特征向量
Figure SMS_78
和目的特征向量/>
Figure SMS_71
，其中/>
Figure SMS_74
，L为有向图神经网络层数，outdegree(i)为第i个商品节点的出度数，indegree(i)为第i个商品节点的入度数；/>
Figure SMS_82
为i指向j，/>
Figure SMS_86
为j指向i，/>
Figure SMS_87
为/>
Figure SMS_89
中i节点在当前层有向图神经网络求得的源特征向量，/>
Figure SMS_79
为/>
Figure SMS_83
中i节点在当前层有向图神经网络求得的目的特征向量，/>
Figure SMS_69
为上一层有向图神经网络/>
Figure SMS_75
中j节点的目的特征向量，/>
Figure SMS_72
为上一层有向图神经网络/>
Figure SMS_76
中j节点的源特征向量，/>
Figure SMS_80
为神经网络学习权重；步骤43、获取步骤42中的有向图神经网络的源特征向量/>
Figure SMS_84
和目的特征向量/>
Figure SMS_77
作为下一层图神经网络初始输入的源特征向量和目标特征向量；步骤44、重复步骤42-步骤43获取每个商品节点在每层有向图神经网络的源特征向量/>
Figure SMS_81
和目标特征向量/>
Figure SMS_85
，以及提取每个商品节点在每层有向图神经网络的共同点击的商品对集合，将每层的共同点击的商品对集合结合，生成每个商品节点的最终的共同点击的商品对集合/>
Figure SMS_88
，进行有向图的嵌入；步骤45、将获取到的每个商品节点在每层有向图神经网络的源特征向量/>
Figure SMS_70
和目标特征向量/>
Figure SMS_73
代入函数：
Figure SMS_90
（3）
求出每个商品节点的源向量
Figure SMS_91
和每个商品节点的目的向量/>
Figure SMS_92
，完成有向图。
在具体实施例中，向有向图传播前向传播模型中输入商品有向集合图、商品节点信息元特征、L层有向图神经和每层图网络学习权重
Figure SMS_94
，通过初始化每个商品节点信息元特征得到每个商品节点初始输入的源特征向量/>
Figure SMS_97
和目的特征向量/>
Figure SMS_100
，并将每个商品节点初始输入的源特征向量/>
Figure SMS_95
和目的特征向量/>
Figure SMS_98
代入函数（1）和（2）中进行计算，得到第一层有向图神经网络的源特征向量/>
Figure SMS_101
和目的特征向量
Figure SMS_103
，以及提取到每个商品在第一层有向图神经网络的共同点击的商品对集合，又将第一层有向图神经网络的源特征向量/>
Figure SMS_93
作为第二层有向图神经网络的初始输入的源特征向量，第一层有向图神经网络的目的向量/>
Figure SMS_96
作为第二层有向图神经网络的初始输入的目的特征向量，获取到第二层图神经网络的源特征向量/>
Figure SMS_99
和目的特征向量/>
Figure SMS_102
，并获取第二层有向图神经网络的共同点击的商品对集合，将第一层有向图神经网络的共同点击的商品对集合和第二层有向图神经网络的共同点击的商品对集合结合，依次类推直到最后一层图神经网络计算完成，将每层计算的源特征向量和目的特征向量代入到函数（3）中求出每个节点最终的源向量和目的向量，完成有向图的嵌入。
优选地，所述步骤5包括：步骤51、将生成的商品节点的源向量和目的向量输入到有向图反向传播模型；步骤52、生成一个商品负样本z，商品负样本z的目的向量
Figure SMS_105
作为目的嵌入；步骤53、当/>
Figure SMS_109
时，第i个商品节点的源向量/>
Figure SMS_111
作为源嵌入，第j个商品的目的向量/>
Figure SMS_106
作为目的嵌入，利用非对称损失函数优化第i个商品节点的源嵌入和第j个商品的目的嵌入，并且第i个商品节点的源嵌入远离商品负样本z的目的嵌入，完成第i个商品节点的嵌入，其中/>
Figure SMS_107
；步骤54、强调共同点击的商品对CT在有向图中的不对称性，具体为：利用非对称损失函数/>
Figure SMS_110
，给第i个商品节点的有向边/>
Figure SMS_112
分配第一得分，给与第i个商品节点的有向边对称的非有向边/>
Figure SMS_104
分配比第一得分更低的第二得分，其中/>
Figure SMS_108
；步骤55、每个商品节点均完成步骤53-步骤54，优化有向图。
优选地，所述商品负样本z通过均匀分布商品节点集合P生成。
优选地，所述步骤5中的非对称损失函数
Figure SMS_113
具体为：
Figure SMS_114
；其中sigmoid为神经网络的一种非线性的激活函数，/>
Figure SMS_115
为i个商品节点的源向量，/>
Figure SMS_116
为i个商品节点的目的向量，/>
Figure SMS_117
为第j个商品的源向量，/>
Figure SMS_118
为第j个商品的目的向量，z为商品负样本，/>
Figure SMS_119
为商品负样本z的目的向量，/>
Figure SMS_120
代表用均匀分布取样方法随机的从P中抽取一个样本。
在具体实施例中，有向图反向传播模型通过均匀分布商品节点集合
Figure SMS_131
生成一个商品负样本，当/>
Figure SMS_122
时，利用非对称损失函数优化第i个商品节点的源嵌入和第j个商品的目的嵌入，并且第i个商品节点的源嵌入远离商品负样本z的目的嵌入，其中商品节点i的源嵌入为商品节点的源向量/>
Figure SMS_127
，商品节点j的目的嵌入为商品节点j的目的向量/>
Figure SMS_121
，商品负样本z的目的嵌入为商品负样本z的目的向量/>
Figure SMS_125
，其中优化第i个商品节点的源嵌入和第j个商品的目的嵌入具体为非对称损失函数/>
Figure SMS_129
函数中的/>
Figure SMS_133
函数，而第i个商品节点的源嵌入远离商品负样本z的目的嵌入具体为非对称损失函数/>
Figure SMS_132
函数的/>
Figure SMS_135
；完成上述步骤后进一步利用非对称损失函数
Figure SMS_124
计算共同点击的商品对在商品集合有向图中的不对称性，主要表现为：一种改进的非对称损失函数/>
Figure SMS_128
中的/>
Figure SMS_126
函数给有向边/>
Figure SMS_130
分配一个最高分，同时利用非对称损失函数/>
Figure SMS_134
中的/>
Figure SMS_136
函数给与有向边对称的非有向边/>
Figure SMS_123
分配一个最低分，使得共同点击的商品对在商品集合有向图不对称，从而完善商品集合有向图的嵌入，使得数据得到优化。
优选地，所述步骤6包括：步骤61、给定查询商品q(
Figure SMS_137
)；步骤62、利用商品q的源向量/>
Figure SMS_138
作为源嵌入，在商品集合有向图中执行最邻近查询，得到候选商品j；步骤63、计算候选商品j的相关性得分/>
Figure SMS_139
，将相关性得分合格的候选商品j放入相关商品集合/>
Figure SMS_140
，其中相关性得分具体为：/>
Figure SMS_141
，其中T为旋转向量；步骤64、显示推荐结果为相关商品集合/>
Figure SMS_142
中的所有候选商品。
在具体实施例中，在当前商品集合中，输入一个查询商品q，查询商品q的源向量
Figure SMS_143
作为源嵌入，通过源嵌入在现有的商品集合有向图中执行查询商品节点的最邻近查询，得到候选商品，对候选商品进行相关性得分计算，并将所有相关性得分合格的候选商品输入到一个相关商品集合/>
Figure SMS_144
，将相关商品集合/>
Figure SMS_145
的所有候选商品作为推荐结果，推荐给客户。其中相关性得分计算的目的在于估算所推荐的商品是否更符合客户的购买意图，进一步优化相关推荐，减少无用信息。
最后应说明的是：以上各实施例仅仅为本发明的较优实施例用以说明本发明的技术方案，而非对其限制，当然更不是限制本发明的专利范围；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围；也就是说，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内；另外，将本发明的技术方案直接或间接的运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于有向图神经网络的相关推荐的方法，其特征在于，包括以下步骤：
步骤1、定义商品节点集合、商品节点、每个商品节点信息元特征；
步骤2、定义商品节点集合的有向图、商品节点的有向边；
步骤3、在有向图前向传播模型中输入有向图、商品节点信息元特征、多层有向图神经网络和每层有向图神经网络学习权重；
步骤4、获取每个商品节点初始输入的源特征向量和目的特征向量，生成商品节点的源向量和目的向量，并且提取商品节点的共同点击的商品对集合，完成有向图的嵌入；
步骤5、将生成的商品节点的源向量和目的向量输入到有向图反向传播模型，在有向图反向传播模型生成负样本,获取商品节点有向图不同的视角，根据非对称损失函数使商品节点远离负样本的嵌入，并且计算共同点击的商品对在有向图中的不对称性，优化有向图的嵌入；
步骤6、给定查询商品，在有向图中执行查找，得到推荐结果。
2.如权利要求1所述的一种基于有向图神经网络的相关推荐的方法，其特征在于，所述步骤2具体为：定义有向图
Figure QLYQS_1
，其中/>
Figure QLYQS_2
为共同点击的商品对集合，CT为具有方向的共同点击的商品对，P为商品节点集合。
3.如权利要求1所述的一种基于有向图神经网络的相关推荐的方法，其特征在于，所述步骤4包括：步骤41、根据商品节点信息元特征获取每个商品节点初始输入的源特征向量
Figure QLYQS_3
和目的特征向量/>
Figure QLYQS_4
；步骤42、将每个商品节点初始输入的源特征向量和目的特征向量代入函数：
Figure QLYQS_5
；
Figure QLYQS_6
；
依次提取每个商品节点在当前层有向图神经网络的共同点击的商品对集合，并且获取当前层有向图神经网络的源特征向量
Figure QLYQS_23
和目的特征向量/>
Figure QLYQS_26
，其中/>
Figure QLYQS_28
，L为有向图神经网络层数，outdegree(i)为第i个商品节点的出度数，indegree(i)为第i个商品节点的入度数；/>
Figure QLYQS_8
为i指向j，/>
Figure QLYQS_11
为j指向i，/>
Figure QLYQS_15
为/>
Figure QLYQS_19
中i节点在当前层有向图神经网络求得的源特征向量，/>
Figure QLYQS_10
为/>
Figure QLYQS_14
中i节点在当前层有向图神经网络求得的目的特征向量，/>
Figure QLYQS_18
为上一层有向图神经网络/>
Figure QLYQS_22
中j节点的目的特征向量，/>
Figure QLYQS_9
为上一层有向图神经网络/>
Figure QLYQS_12
中j节点的源特征向量，/>
Figure QLYQS_16
为神经网络学习权重；步骤43、获取步骤42中的有向图神经网络的源特征向量/>
Figure QLYQS_20
和目的特征向量/>
Figure QLYQS_25
作为下一层图神经网络初始输入的源特征向量和目标特征向量；步骤44、重复步骤42-步骤43获取每个商品节点在每层有向图神经网络的源特征向量/>
Figure QLYQS_27
和目标特征向量/>
Figure QLYQS_29
，以及提取每个商品节点在每层有向图神经网络的共同点击的商品对集合，将每层的共同点击的商品对集合结合，生成每个商品节点的最终的共同点击的商品对集合/>
Figure QLYQS_30
，进行有向图的嵌入；步骤45、将获取到的每个商品节点在每层有向图神经网络的源特征向量/>
Figure QLYQS_7
和目标特征向量/>
Figure QLYQS_13
代入函数：
Figure QLYQS_17
；求出每个商品节点的源向量/>
Figure QLYQS_21
和每个商品节点的目的向量/>
Figure QLYQS_24
，完成有向图。
4.如权利要求3所述的一种基于有向图神经网络的相关推荐的方法，其特征在于，所述步骤5包括：步骤51、将生成的商品节点的源向量和目的向量输入到有向图反向传播模型；步骤52、生成一个商品负样本z，商品负样本z的目的向量
Figure QLYQS_32
作为目的嵌入；步骤53、当
Figure QLYQS_34
时，第i个商品节点的源向量/>
Figure QLYQS_36
作为源嵌入，第j个商品的目的向量/>
Figure QLYQS_33
作为目的嵌入，利用非对称损失函数优化第i个商品节点的源嵌入和第j个商品的目的嵌入，并且第i个商品节点的源嵌入远离商品负样本z的目的嵌入，完成第i个商品节点的嵌入，其中/>
Figure QLYQS_35
；步骤54、强调共同点击的商品对CT在有向图中的不对称性，具体为：利用非对称损失函数
Figure QLYQS_37
，给第i个商品节点的有向边/>
Figure QLYQS_38
分配第一得分，给与第i个商品节点的有向边对称的非有向边/>
Figure QLYQS_31
分配比第一得分更低的第二得分；步骤55、每个商品节点均完成步骤53-步骤54，优化有向图。
5.如权利要求4所述的一种基于有向图神经网络的相关推荐的方法，其特征在于，所述商品负样本z通过均匀分布商品节点集合P生成。
6.如权利要求4所述的一种基于有向图神经网络的相关推荐的方法，其特征在于，所述步骤5中的非对称损失函数
Figure QLYQS_39
具体为：
Figure QLYQS_40
；其中sigmoid为神经网络的一种非线性的激活函数，/>
Figure QLYQS_41
为i个商品节点的源向量，/>
Figure QLYQS_42
为i个商品节点的目的向量，/>
Figure QLYQS_43
为第j个商品的源向量，/>
Figure QLYQS_44
为第j个商品的目的向量，z为商品负样本，/>
Figure QLYQS_45
为商品负样本z的目的向量，/>
Figure QLYQS_46
代表用均匀分布取样方法随机的从P中抽取一个样本。
7.如权利要求1所述的一种基于有向图神经网络的相关推荐的方法，其特征在于，所述步骤6包括：步骤61、给定查询商品q，q
Figure QLYQS_47
P；步骤62、利用商品q的源向量/>
Figure QLYQS_48
作为源嵌入，在商品集合有向图中执行最邻近查询，得到候选商品j；步骤63、计算候选商品j的相关性得分
Figure QLYQS_49
，将相关性得分合格的候选商品j放入相关商品集合/>
Figure QLYQS_50
，其中相关性得分具体为：
Figure QLYQS_51
，其中T为旋转向量；步骤64、显示推荐结果为相关商品集合/>
Figure QLYQS_52
中的所有候选商品。
CN202310559350.0A 2023-05-18 2023-05-18 一种基于有向图神经网络的相关推荐的方法 Active CN116342228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310559350.0A CN116342228B (zh) 2023-05-18 2023-05-18 一种基于有向图神经网络的相关推荐的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310559350.0A CN116342228B (zh) 2023-05-18 2023-05-18 一种基于有向图神经网络的相关推荐的方法

Publications (2)

Publication Number Publication Date
CN116342228A true CN116342228A (zh) 2023-06-27
CN116342228B CN116342228B (zh) 2023-10-20

Family

ID=86895189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310559350.0A Active CN116342228B (zh) 2023-05-18 2023-05-18 一种基于有向图神经网络的相关推荐的方法

Country Status (1)

Country Link
CN (1) CN116342228B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235108A (zh) * 2023-11-14 2023-12-15 云筑信息科技(成都)有限公司 一种基于图神经网络的nl2sql生成方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490717A (zh) * 2019-09-05 2019-11-22 齐鲁工业大学 基于用户会话及图卷积神经网络的商品推荐方法及系统
CN111080400A (zh) * 2019-11-25 2020-04-28 中山大学 一种基于门控图卷积网络的商品推荐方法及系统、存储介质
CN111667067A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于图神经网络的推荐方法、装置和计算机设备
CN112035746A (zh) * 2020-09-01 2020-12-04 湖南大学 一种基于时空序列图卷积网络的会话推荐方法
CN112069398A (zh) * 2020-08-24 2020-12-11 腾讯科技（深圳）有限公司 一种基于图网络的信息推送方法及装置
CN112150210A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于ggnn网络的改进型神经网络推荐方法及系统
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
US20210034975A1 (en) * 2019-08-02 2021-02-04 Indeed, Inc. Artificial intelligence job recommendation neural network machine learning training based on embedding technologies and actual and synthetic job transition latent information
CN112669127A (zh) * 2021-01-21 2021-04-16 重庆大学 用于商品推荐的方法、装置及设备
US20210374356A1 (en) * 2020-09-21 2021-12-02 Beijing Baidu Netcom Science And Technology Co., Ltd. Conversation-based recommending method, conversation-based recommending apparatus, and device
CN114048396A (zh) * 2022-01-13 2022-02-15 湖南大学 基于异构信息网络和深度学习的nqi服务推荐方法及系统
US20220217054A1 (en) * 2020-02-19 2022-07-07 Tencent Technology (Shenzhen) Company Limited Method for directed network detection, computer-readable storage medium, and related device
CN114971784A (zh) * 2022-05-21 2022-08-30 内蒙古工业大学 一种融合自注意力机制基于图神经网络的会话推荐方法与系统
CN115130001A (zh) * 2022-07-22 2022-09-30 南京邮电大学 基于邻居增强的图神经网络会话推荐方法、系统及设备
CN115269977A (zh) * 2022-07-18 2022-11-01 燕山大学 一种基于图神经网络的融合知识与协同信息的推荐方法
CN116012102A (zh) * 2022-12-27 2023-04-25 南京航空航天大学 一种金融产品业务智能分类推荐方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210034975A1 (en) * 2019-08-02 2021-02-04 Indeed, Inc. Artificial intelligence job recommendation neural network machine learning training based on embedding technologies and actual and synthetic job transition latent information
CN110490717A (zh) * 2019-09-05 2019-11-22 齐鲁工业大学 基于用户会话及图卷积神经网络的商品推荐方法及系统
CN111080400A (zh) * 2019-11-25 2020-04-28 中山大学 一种基于门控图卷积网络的商品推荐方法及系统、存储介质
US20220217054A1 (en) * 2020-02-19 2022-07-07 Tencent Technology (Shenzhen) Company Limited Method for directed network detection, computer-readable storage medium, and related device
CN111667067A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于图神经网络的推荐方法、装置和计算机设备
CN112150210A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于ggnn网络的改进型神经网络推荐方法及系统
CN112069398A (zh) * 2020-08-24 2020-12-11 腾讯科技（深圳）有限公司 一种基于图网络的信息推送方法及装置
CN112035746A (zh) * 2020-09-01 2020-12-04 湖南大学 一种基于时空序列图卷积网络的会话推荐方法
US20210374356A1 (en) * 2020-09-21 2021-12-02 Beijing Baidu Netcom Science And Technology Co., Ltd. Conversation-based recommending method, conversation-based recommending apparatus, and device
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN112669127A (zh) * 2021-01-21 2021-04-16 重庆大学 用于商品推荐的方法、装置及设备
CN114048396A (zh) * 2022-01-13 2022-02-15 湖南大学 基于异构信息网络和深度学习的nqi服务推荐方法及系统
CN114971784A (zh) * 2022-05-21 2022-08-30 内蒙古工业大学 一种融合自注意力机制基于图神经网络的会话推荐方法与系统
CN115269977A (zh) * 2022-07-18 2022-11-01 燕山大学 一种基于图神经网络的融合知识与协同信息的推荐方法
CN115130001A (zh) * 2022-07-22 2022-09-30 南京邮电大学 基于邻居增强的图神经网络会话推荐方法、系统及设备
CN116012102A (zh) * 2022-12-27 2023-04-25 南京航空航天大学 一种金融产品业务智能分类推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李俊豪: "基于图神经网络的推荐算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 02, pages 138 - 4228 *
杨刚: "基于图神经网络的会话环境下重复购买推荐研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 03, pages 138 - 3185 *
罗皓玮: "基于有向无向图融合的图神经网络会话推荐研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 01, pages 138 - 3323 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235108A (zh) * 2023-11-14 2023-12-15 云筑信息科技(成都)有限公司 一种基于图神经网络的nl2sql生成方法

Also Published As

Publication number Publication date
CN116342228B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110162693B (zh) 一种信息推荐的方法以及服务器
Li et al. On both cold-start and long-tail recommendation with social data
Mustafa et al. Collaborative filtering: Techniques and applications
CN107644036B (zh) 一种数据对象推送的方法、装置及系统
CN106326318B (zh) 搜索方法及装置
CN111008335B (zh) 一种信息处理方法、装置、设备及存储介质
Belkhadir et al. An intelligent recommender system using social trust path for recommendations in web-based social networks
Shao et al. paper2repo: GitHub repository recommendation for academic papers
EP2524344A1 (en) Matching of advertising sources and keyword sets in online commerce platforms
CN116342228B (zh) 一种基于有向图神经网络的相关推荐的方法
CN110321473B (zh) 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备
CN110020171B (zh) 数据处理方法、装置、设备及计算机可读存储介质
Shafqat et al. A hybrid GAN-based approach to solve imbalanced data problem in recommendation systems
Liang et al. Collaborative filtering based on information-theoretic co-clustering
CN113344648B (zh) 一种基于机器学习的广告推荐方法及系统
CN113919895A (zh) 排序方法、装置、设备和存储介质
Zeng et al. Collaborative filtering via heterogeneous neural networks
CN111815410A (zh) 基于选择性邻域信息的商品推荐方法
CN115238191A (zh) 对象推荐方法以及装置
Guo et al. A framework for cross-domain recommendation in folksonomies
CN112488355A (zh) 基于图神经网络预测用户评级的方法和装置
Han et al. Price suggestion for online second-hand items
Sudarsan et al. E-commerce Website with Image Search and Price Prediction
Zhang et al. Nonlinear transformation for multiple auxiliary information in music recommendation
Suvarna et al. A Novel deep ensemble classifier for recommending fashion products

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