CN116701781A - 一种基于图卷积神经网络的物品同质图邻域聚合推荐算法 - Google Patents

一种基于图卷积神经网络的物品同质图邻域聚合推荐算法 Download PDF

Info

Publication number
CN116701781A
CN116701781A CN202310751116.8A CN202310751116A CN116701781A CN 116701781 A CN116701781 A CN 116701781A CN 202310751116 A CN202310751116 A CN 202310751116A CN 116701781 A CN116701781 A CN 116701781A
Authority
CN
China
Prior art keywords
article
user
information
interaction
neighborhood
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
CN202310751116.8A
Other languages
English (en)
Inventor
宫继兵
寇肖萌
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202310751116.8A priority Critical patent/CN116701781A/zh
Publication of CN116701781A publication Critical patent/CN116701781A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，利用公开的用户与物品的交互信息数据集，生成用户与物品的交互异质图图，根据用户与物品的交互信息，构建物品‑物品交互同质图，在获得以物品为中心的同质图后，利用图卷积神经网络迭代聚合低阶与高阶邻域协作信息，从而使得物品的表示更加丰富，从而获得每个物品的嵌入表示，将用户的嵌入表示与物品的嵌入表示结合，通过残差连接因式分解缓解邻域协作信息的噪声影响，生成用户‑物品交互概率得分，从而得到模型的推荐结果。

Description

一种基于图卷积神经网络的物品同质图邻域聚合推荐算法
技术领域
本发明涉及一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，属于推荐系统技术相关领域。
背景技术
在科技革命的信息化程度飞速发展情况下，特别是近年来人工智能技术、物联网技术、云计算技术等不断发展，社会所产生的数据量也在快速地膨胀，全球数据量无限制快速积累，为了有效得化解信息过载带来的影响，学术界、工业界提出了很多不错的解决方案，其中推荐算法是最有效且应用最为广泛的方法之一。推荐算法根据用户和物品间的关系来学习用户的兴趣偏好，从而可以过滤掉绝大多数的无用的物品。
协同过滤是推荐算法中应用最广泛的技术，基于物品的协同过滤具备很强的可解释性、实时性和准确性，并且由于推荐场景下大部分数据本质上都是图结构以及图神经网络在聚合低阶与高阶邻域信息上展现出的优势，基于图神经网络的物品协同过滤推荐模型被广泛部署在各种电子商务平台，不仅为用户节约了大量的时间，同时也大大提高了服务商的成交记录，可以在海量商品和服务中为用户推荐更适合用户的商品。
但基于图神经网络的物品协同过滤推荐模型面临着图结构建模和邻域信息噪声问题，现有的推荐算法模型都是构建用户-物品交互异质图，但图神经网络更加适用于处理同质图结构数据，并且同质图能够更好的捕捉物品之间的关联信息，另外在图神经网络迭代聚合低阶与高阶邻域协作信息时，邻域信息的噪声会在聚合过程中被放大，这两个问题都限制了基于图神经网络的物品推荐算法的性能，对推荐算法的进一步发展产生了制约，如果无法从数据中高效抽取出有用的信息，也就无法做到高准确率的推荐商品。其次，社会物质生活的不断丰富，人们对商品和服务推荐的个性化有着强烈的需求，因此对图结构数据合理建模以及缓解邻域信息噪声是十分迫切且必要的。
发明内容
本发明为解决上述技术问题，提供一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，在图卷积神经网络物品协同过滤推荐模型的基础上，对物品-物品同质图建模，将用户和物品的交互信息编码在物品-物品同质图中，增强了物品与物品之间的关联信息，另外，还通过残差连接因子分解方法缓解模型在聚合高阶邻域信息时潜在噪声对模型性能的影响，提高了模型推荐的效果。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，包括以下的步骤：
S1、数据收集，从雅虎音乐，Last.fm在线音乐系统，Yelp挑战赛搜集用户信息、物品信息和用户对物品的交互信息，三个数据源中的三个信息以文件形式存储在本地磁盘；
S2、对收集的数据进行预处理，根据用户信息和物品信息分别对用户和物品建立索引号，根据用户对物品的交互信息，为了保证收集到数据的质量，删除用户与物品交互数量少于10次的数据；
S3、根据用户与物品之间的交互信息，构建用户-物品交互异质图；
S4、在构建好的用户-物品交互异质图的基础上，利用图中用户节点和物品节点的连接信息，建模物品-物品同质图，通过Xavier初始化方法对用户和物品初始化，分别得到用户和物品的初始化嵌入向量；
S5、将物品-物品同质图采用图卷积神经网络，对图中所有的节点进行特征提取，对于每个节点在通过图卷积神经网络后，得到图卷积神经网络生成的特征向量，该向量聚合了该节点的低阶与高阶邻域协作信息；
S6、将初始的用户嵌入向量与最终经过图卷积得到物品嵌入向量进行拼接，将初始用户嵌入向量和初始物品嵌入向量进行拼接，分别计算正样本和负样本的交互概率分数；
S7、不断更新网络权重，利用BPR损失函数对模型进行优化，使得正确的用户和物品的交互的概率分数即正样本的交互概率分数比错误的用户和物品的交互的概率分数即负样本概率分数更高。
本发明技术方案的进一步改进在于：所述S4根据用户-物品交互异质图中用户和物品的连接信息，如果两个物品与同一个用户都有连接，则认为这两个物品互相影响，就将这两个物品连接在一起，构建成一个以物品为中心的同质图。
本发明技术方案的进一步改进在于：所述S5的具体操作为：
S51、对用户和物品索引进行初始化得到用户和物品初始化嵌入向量；
S52、对物品初始化嵌入向量经过图卷积神经网络对每个物品节点迭代聚合其低阶与高阶邻域协作信息，聚合过程计算方法如下：
其中，表示物品i经过k层聚合后得到的新的物品表示向量，k表示聚合的层数，Nei表示物品i在物品-物品同质图/>中的邻居节点的集合；
S53、聚合函数fACG()有两个关键层，物品信息聚合层和物品信息更新层；前者聚合相邻的物品特征，后者更新物品特征，表示物品i相邻物品经过k层聚合后得到的邻域特征向量，物品信息聚合层计算方法如下：
其中是对称归一化项，用于防止由于聚合操作引起的规模增大的问题，物品信息更新层采用多个全连接层的方式，计算方法如下：
其中W(k)表示线性变换矩阵，[·,·]表示特征连接操作，σ()表示激活函数，具体来说使用LeakyReLU()激活函数；
S54、上述操作得到的为图卷积神经网络生成的每一层物品节点的嵌入向量；
S55、在得到每一层物品嵌入向量之后，以每一层物品嵌入向量相加的方式来聚合各层的不同信息从而得到最终的物品嵌入向量/>计算方法如下：
本发明技术方案的进一步改进在于：所述S6的具体操作如下：
S61、将初始用户嵌入表示和最终物品嵌入表示/>拼接为e，将初始物品嵌入表示/>和初始用户嵌入表示/>拼接为s，计算方法如下：
其中||为concatenate操作；
S62、将两个拼接向量利用残差连接因子分解方法计算用户与物品交互概率分数，计算方法如下：
其中fFM()为因子分解机函数，计算方法如下：
其中w表示全局偏差，wj表示e中第j个元素的强度，vj，vk表示的是FM中系数矩阵的第j维，第k维向量，<vj,vk>表示二阶特征交互。
本发明技术方案的进一步改进在于：所述S7的具体操作如下：
正确的用户和物品的交互的概率分数表示为即正样本的交互概率分数，错误的用户和物品的交互的概率分数表示为/>即负样本概率分数；
对模型进行优化采用BPR损失函数，假设用户交互过的历史物品应该比未交互到的物品分配更高的预测分数，计算方法如下：
其中表示由观测到的交互数据/>组成的训练数据和用户与物品未交互的数据/>σ()表示Sigmoid函数。
由于采用了上述技术方案，本发明取得的技术进步是：
本发明提供的一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，在图卷积神经网络物品协同过滤推荐模型的基础上，对物品-物品同质图建模，将用户和物品的交互信息编码在物品-物品同质图中，增强了物品与物品之间的关联信息，还通过残差连接因子分解方法缓解模型在聚合高阶邻域信息时潜在噪声对模型性能的影响，提高了模型推荐的效果。
附图说明
图1是本发明的算法流程图；
图2是本发明的模型图。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
本实例提供一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，如图1所示，所涉及的模型如图2所示，推荐算法包括如下步骤：
S1、数据收集：
从雅虎音乐，Last.fm在线音乐系统，Yelp挑战赛搜集用户信息、物品信息和用户对物品的交互信息，三个数据源中的三个信息以文件形式存储在本地磁盘；
S2、数据预处理：
根据用户信息和物品信息分别对用户和物品建立索引号，根据用户对物品的交互信息，为了保证收集到数据的质量，删除用户与物品交互数量少于10次的数据；
S3、根据用户与物品之间的交互信息，构建用户-物品交互异质图；
S4、在构建好的用户-物品交互异质图的基础上，利用图中用户节点和物品节点的连接信息，建模物品-物品同质图，通过Xavier初始化方法对用户和物品初始化，分别得到用户和物品的初始化嵌入向量；
其中，根据用户-物品交互异质图中用户和物品的连接信息，如果两个物品它们与同一个用户都有连接，则认为这两个物品互相影响，就将这两个物品连接在一起，构建成一个以物品为中心的同质图；
S5、将物品-物品同质图采用图卷积神经网络，对图中所有的节点进行特征提取，对于每个节点在通过图卷积神经网络后，得到图卷积神经网络生成的特征向量，该向量聚合了该节点的低阶与高阶邻域协作信息；
S51、对用户和物品索引进行初始化得到用户和物品初始化嵌入向量；
S52、对物品初始化嵌入向量经过图卷积神经网络对每个物品节点迭代聚合其低阶与高阶邻域协作信息，聚合过程计算方法如下：
其中表示物品i经过k层聚合后得到的新的物品表示向量，k表示聚合的层数，Nei表示物品i在物品-物品同质图/>中的邻居节点的集合；
S53、聚合函数fACG()有两个关键层，物品信息聚合层和物品信息更新层。前者聚合相邻的物品特征，后者更新物品特征，表示物品i相邻物品经过k层聚合后得到的邻域特征向量，物品信息聚合层计算方法如下：
其中是对称归一化项，用于防止由于聚合操作引起的规模增大的问题，物品信息更新层采用多个全连接层的方式，计算方法如下：
其中W(k)表示线性变换矩阵，[·,·]表示特征连接操作，σ()表示激活函数，具体来说使用LeakyReLU()激活函数；
S54、上述操作得到的为图卷积神经网络生成的每一层物品节点的嵌入向量；
S55、在得到每一层物品嵌入向量之后，本文以每一层物品嵌入向量相加的方式来聚合各层的不同信息从而得到最终的物品嵌入向量/>计算方法如下：
S6、将初始的用户嵌入向量与最终经过图卷积得到物品嵌入向量进行拼接，将初始用户嵌入向量和初始物品嵌入向量进行拼接，分别计算正样本和负样本的交互概率分数；
进一步的，步骤S6的具体过程为：
S61、初始用户嵌入表示和最终物品嵌入表示/>将其拼接为e，将初始物品嵌入表示/>和初始用户嵌入表示/>拼接为s，计算方法如下：
其中||为concatenate操作；
S62、将两个拼接向量利用残差连接因子分解方法计算用户与物品交互概率分数，计算方法如下：
其中fFM()为因子分解机函数，计算方法如下：
其中w表示全局偏差，wj表示e中第j个元素的强度，vj，vk表示的是FM中系数矩阵的第j维，第k维向量，<vj,vk>表示二阶特征交互；
S7、不断更新网络权重，利用BPR损失函数对模型进行优化，使得正确的用户和物品的交互的概率分数比错误的用户和物品的交互的概率分数更高，也就是正样本的交互概率分数比负样本的交互概率分数更高。
其中，正确的用户和物品的交互的概率分数表示为即正样本的交互概率分数，错误的用户和物品的交互的概率分数表示为/>即负样本概率分数；
对模型进行优化采用BPR损失函数，它假设用户交互过的历史物品应该比未交互到的物品分配更高的预测分数，计算方法如下：
其中表示由观测到的交互数据/>组成的训练数据和用户与物品未交互的数据/>σ()表示Sigmoid函数。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，其特征在于：包括以下的步骤：
S1、数据收集，从雅虎音乐，Last.fm在线音乐系统，Yelp挑战赛搜集用户信息、物品信息和用户对物品的交互信息，三个数据源中的三个信息以文件形式存储在本地磁盘；
S2、对收集的数据进行预处理，根据用户信息和物品信息分别对用户和物品建立索引号，根据用户对物品的交互信息，为了保证收集到数据的质量，删除用户与物品交互数量少于10次的数据；
S3、根据用户与物品之间的交互信息，构建用户-物品交互异质图；
S4、在构建好的用户-物品交互异质图的基础上，利用图中用户节点和物品节点的连接信息，建模物品-物品同质图，通过Xavier初始化方法对用户和物品初始化，分别得到用户和物品的初始化嵌入向量；
S5、将物品-物品同质图采用图卷积神经网络，对图中所有的节点进行特征提取，对于每个节点在通过图卷积神经网络后，得到图卷积神经网络生成的特征向量，该向量聚合了该节点的低阶与高阶邻域协作信息；
S6、将初始的用户嵌入向量与最终经过图卷积得到物品嵌入向量进行拼接，将初始用户嵌入向量和初始物品嵌入向量进行拼接，分别计算正样本和负样本的交互概率分数；
S7、不断更新网络权重，利用BPR损失函数对模型进行优化，使得正确的用户和物品的交互的概率分数即正样本的交互概率分数比错误的用户和物品的交互的概率分数即负样本概率分数更高。
2.根据权利要求1所述的一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，其特征在于：所述S4根据用户-物品交互异质图中用户和物品的连接信息，如果两个物品与同一个用户都有连接，则认为这两个物品互相影响，就将这两个物品连接在一起，构建成一个以物品为中心的同质图。
3.根据权利要求1所述的一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，其特征在于：所述S5的具体操作为：
S51、对用户和物品索引进行初始化得到用户和物品初始化嵌入向量；
S52、对物品初始化嵌入向量经过图卷积神经网络对每个物品节点迭代聚合其低阶与高阶邻域协作信息，聚合过程计算方法如下：
其中，表示物品i经过k层聚合后得到的新的物品表示向量，k表示聚合的层数，Nei表示物品i在物品-物品同质图/>中的邻居节点的集合；
S53、聚合函数fACG()有两个关键层，物品信息聚合层和物品信息更新层；前者聚合相邻的物品特征，后者更新物品特征，表示物品i相邻物品经过k层聚合后得到的邻域特征向量，物品信息聚合层计算方法如下：
其中是对称归一化项，用于防止由于聚合操作引起的规模增大的问题，物品信息更新层采用多个全连接层的方式，计算方法如下：
其中W(k)表示线性变换矩阵，[·,·]表示特征连接操作，σ()表示激活函数，具体来说使用LeakyReLU()激活函数；
S54、上述操作得到的为图卷积神经网络生成的每一层物品节点的嵌入向量；
S55、在得到每一层物品嵌入向量之后，以每一层物品嵌入向量相加的方式来聚合各层的不同信息从而得到最终的物品嵌入向量/>计算方法如下：
4.根据权利要求1所述的一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，其特征在于：所述S6的具体操作如下：
S61、将初始用户嵌入表示和最终物品嵌入表示/>拼接为e，将初始物品嵌入表示和初始用户嵌入表示/>拼接为s，计算方法如下：
其中||为concatenate操作；
S62、将两个拼接向量利用残差连接因子分解方法计算用户与物品交互概率分数，计算方法如下：
其中fFM()为因子分解机函数，计算方法如下：
其中w表示全局偏差，wj表示e中第j个元素的强度，vj，vk表示的是FM中系数矩阵的第j维，第k维向量，<vj,vk>表示二阶特征交互。
5.根据权利要求1所述的一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，其特征在于：所述S7的具体操作如下：
正确的用户和物品的交互的概率分数表示为即正样本的交互概率分数，错误的用户和物品的交互的概率分数表示为/>即负样本概率分数；
对模型进行优化采用BPR损失函数，假设用户交互过的历史物品应该比未交互到的物品分配更高的预测分数，计算方法如下：
其中表示由观测到的交互数据/>组成的训练数据和用户与物品未交互的数据/>σ()表示Sigmoid函数。
6.根据权利要求1所述的一种基于图卷积神经网络的物品同质图邻域聚合推荐算法，其特征在于：在图卷积神经网络物品协同过滤推荐模型的基础上，对物品-物品同质图建模，将用户和物品的交互信息编码在物品-物品同质图中，增强了物品与物品之间的关联信息，还通过残差连接因子分解方法缓解模型在聚合高阶邻域信息时潜在噪声对模型性能的影响，提高了模型推荐的效果。
CN202310751116.8A 2023-06-25 2023-06-25 一种基于图卷积神经网络的物品同质图邻域聚合推荐算法 Pending CN116701781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310751116.8A CN116701781A (zh) 2023-06-25 2023-06-25 一种基于图卷积神经网络的物品同质图邻域聚合推荐算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310751116.8A CN116701781A (zh) 2023-06-25 2023-06-25 一种基于图卷积神经网络的物品同质图邻域聚合推荐算法

Publications (1)

Publication Number Publication Date
CN116701781A true CN116701781A (zh) 2023-09-05

Family

ID=87825516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310751116.8A Pending CN116701781A (zh) 2023-06-25 2023-06-25 一种基于图卷积神经网络的物品同质图邻域聚合推荐算法

Country Status (1)

Country Link
CN (1) CN116701781A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370672A (zh) * 2023-12-06 2024-01-09 烟台大学 基于混合结构图的用户兴趣点推荐方法、系统和设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370672A (zh) * 2023-12-06 2024-01-09 烟台大学 基于混合结构图的用户兴趣点推荐方法、系统和设备
CN117370672B (zh) * 2023-12-06 2024-02-23 烟台大学 基于混合结构图的用户兴趣点推荐方法、系统和设备

Similar Documents

Publication Publication Date Title
CN113961759B (zh) 基于属性图表示学习的异常检测方法
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
CN109447261B (zh) 一种基于多阶邻近相似度的网络表示学习的方法
CN112364242B (zh) 针对上下文感知型的图卷积推荐系统
CN116701781A (zh) 一种基于图卷积神经网络的物品同质图邻域聚合推荐算法
CN116204729B (zh) 一种基于超图神经网络的跨领域群组智能推荐方法
CN112667920A (zh) 基于文本感知的社交影响力预测方法、装置及设备
CN108399268A (zh) 一种基于博弈论的增量式异构图聚类方法
CN113705598A (zh) 数据分类方法、装置及电子设备
CN113744023B (zh) 一种基于图卷积网络的双通道协同过滤推荐方法
CN112861017A (zh) 一种基于图卷积的神经协同过滤的信息推荐方法
CN113868537A (zh) 一种基于多行为会话图融合的推荐方法
CN117556148B (zh) 一种基于网络数据驱动的个性化跨域推荐方法
CN112288154A (zh) 一种基于改进神经协同过滤的区块链服务可靠性预测方法
CN116628341A (zh) 一种基于多类型视图知识对比学习模型的推荐方法
CN115577757A (zh) 基于图卷积网络节点标签异构图的社区发现方法
CN114817758A (zh) 一种基于nsgc-gru集成模型的推荐系统方法
CN115333957A (zh) 基于用户行为和企业业务特征的业务流量预测方法及系统
CN111709275A (zh) 一种用于Affordance推理的深度网络构建方法
Si [Retracted] Classification Method of Ideological and Political Resources of Broadcasting and Hosting Professional Courses Based on SOM Artificial Neural Network
CN114610968B (zh) 基于改进的图卷积网络的博客用户划分方法
CN115357781B (zh) 基于双向矩阵的深度置信网络兴趣点推荐算法
CN114936296B (zh) 超大规模知识图谱存储的索引方法、系统及计算机设备
CN112084419B (zh) 一种基于属性网络嵌入和无参聚类的哔哩哔哩用户社团发现方法
US20240127046A1 (en) Classifying elements in an infrastructure model using convolutional graph neural networks

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