CN117196750A - 基于并行提取特征的异质图神经网络的商品推荐方法 - Google Patents
基于并行提取特征的异质图神经网络的商品推荐方法 Download PDFInfo
- Publication number
- CN117196750A CN117196750A CN202310421150.9A CN202310421150A CN117196750A CN 117196750 A CN117196750 A CN 117196750A CN 202310421150 A CN202310421150 A CN 202310421150A CN 117196750 A CN117196750 A CN 117196750A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- feature
- commodity
- matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 72
- 230000006870 function Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000007786 learning performance Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开基于并行提取特征的异质图神经网络的商品推荐方法。以商品为节点，用户行为为边，且不同行为设置不同边权重值构建商品关系图，突出用户维度特征。并行提取特征的异质图神经网络包括内部特征提取模块，外部特征提取模块和元路径模块。内部特征提取模块通过注意力机制学习同类型节点特征，采样强相关节点。外部特征提取模块通过特征空间和拓扑空间，结合注意力机制捕获网络拓扑结构中远距离节点间依赖关系，增强不同类型节点间多维信息传播特征的提取能力。元路径模块提取深层语义信息。使用并行提取特征的异质图神经网络，以优化异质图神经网络的特征嵌入的学习性能，解决已有模型特征提取能力不足、无法捕获节点的长距离依赖等问题。
Description
技术领域
本发明属于异质图节点分类推荐领域，具体涉及一种基于并行提取特征的异质图神经网络的商品推荐方法。
背景技术
近年来，由于图神经网络(GNN)能够挖掘分析图结构数据(非欧式空间)的节点特征以及语义信息，且相比于循环神经网络(RNN)和卷积神经网络(CNN)表现出了更好的性能和广泛的适用性。因此图神经网络被各种涉及图结构的任务所青睐，如节点分类、链路预测等。然而大数据时代下，在真实世界中需要处理的信息交互性越来越强，且往往是大量不同类型的对象互相交织联系，如社交网络、电商购物等包含多种类型对象和关系的异质图结构信息。如今基于同质网络构建的图神经网络模型已经相当成熟，但由于并不能全面的提取多类型的节点特征以及节点间关系从而导致其并不能挖掘异质图包含的丰富语义信息。于是基于异质图的图神经网络被提出，其在信息融合，提取多类型和多关系结构的语义信息表现远远超过了同质图网络。
在对于商品推荐任务中，现有的推荐模型通常关注于商品本身属性以及所属领域进行推荐。然而在实际电商购物中，应该以用户行为为驱动，根据其点击、加购、下单等行为对商品进行分类推荐，能大大提高用户体验以及商品购买率。因此，针对目前商品推荐中存在的问题，有必要发明一种基于对用户行为进行深度挖掘，且能够多维的提取商品节点信息的异质图神经网络商品推荐模型。
发明内容
本发明针对现有方法的不足，提出了一种并行提取特征的异质图神经网络商品推荐方法。
第一方面，本发明提供基于并行提取特征的异质图神经网络的商品推荐方法，所述方法包括如下步骤：
步骤(1)：获取电子商务商品数据，包括商品属性和用户行为；
步骤(2)：对电子商务商品数据进行预处理；具体是：
根据电子商务商品数据构建商品关系图G，所述商品关系图G中商品为节点，商品属性为节点属性，边为用户行为；所述商品关系图G采用特征矩阵X进行表示；所述特征矩阵X中元素值为0表示两商品节点之间没有直接相连，元素值大于0表示两商品节点之间直接相连的关系，且元素值为1对应的用户行为是用户在一段时间内点击了这两个商品，元素值为2对应的用户行为是用户将两个商品同时放入购物车，元素值为3对应的用户行为是用户同时下单了这两个商品；
基于用户行为，对商品关系图G中各节点提取元路径；
步骤(3)：对特征矩阵X进行初始类型分类：
根据电子商务中原始商品分类，从特征矩阵X中抽取同类型节点以及这些节点在特征矩阵X中原始的边关系，形成同类型特征矩阵X1；
步骤(4)：采用内部特征模块，提取同类型节点间的特征XN；
步骤(5)：采用外部特征模块，采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，提取不同类型节点间的特征E；
步骤(6)：采用元路径模块，挖掘元路径中的高级语义信息，进一步更新网络拓扑结构，提取关系矩阵XM；
步骤(7)：采用图卷积模块，根据同类型节点间的特征XN、不同类型节点间的特征E、关系矩阵XM，输出分类结果；
步骤(8)：根据商品节点分类结果进行商品推荐。
第二方面，本发明提供商品推荐系统，其特征在于包括：
数据获取模块，用于获取电子商务商品数据，包括商品属性和用户行为；
数据预处理模块，用于对电子商务商品数据进行预处理，得到商品关系图G、特征矩阵X、元路径；
同类型数据提取模块，用于从特征矩阵X中抽取同类型节点以及这些节点在特征矩阵X中原始的边关系，形成同类型特征矩阵X1；
内部特征模块，提取同类型节点间的特征XN；
外部特征模块，采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，提取不同类型节点间的特征E；
元路径模块，挖掘元路径中的高级语义信息，进一步更新网络拓扑结构，提取关系矩阵XM；
图卷积模块，根据同类型节点间的特征XN、不同类型节点间的特征E、关系矩阵XM，输出分类结果。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行所述的方法。
第四方面，本发明提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的方法。
本发明的有益效果：
本发明提出并行提取特征的异质图神经网络商品推荐方法，以商品作为节点，用户行为作为边，并且不同行为设置不同的边权重值构建商品关系图，突出用户维度特征。对商品的分类从三部分并行的进行特征提取：同类型节点特征提取，从节点特征空间和网络拓扑空间中捕获原始结构中远距离节点之间的依赖关系，增强模型对异质图中不同类型节点之间多维信息传播特征的提取能力。将元路径与网络拓扑结构相结合，采用注意力机制且在消息传播中采用门机制消除原始图中噪声对拓扑结构的影响，将多条元路径信息进行聚合，得到更准确且能够揭示网络中丰富的语义信息的基于元路径的网络拓扑结构。最后将三个模块的输出进行图卷积分类得到商品分类结果。根据分类结果累加同类别边值来判断用户对商品的兴趣，提高商品推荐精准度，提升用户体验和商品购买率。
附图说明
图1为本发明方法的流程示意图。
图2为本发明并行提取特征的异质图神经网络模型结构示意图。
图3为本发明内部特征提取模块的结构图。
图4为本发明外部特征提取模块的结构图。
图5为本发明外部特征提取模块中网络拓扑空间结合节点特征空间生成节点嵌入的结构图。
图6是本发明元路径模块的结构图。
具体实施方式
下面结合附图和具体实施步骤对本发明做了进一步的说明：
本发明采用的技术方案是：并行提取特征的异质图神经网络(PHGC)模型由三部分组成，包括内部特征提取模块，外部特征提取模块和元路径模块。内部特征提取模块通过注意力机制学习同类型节点特征，对于节点做到过滤大量与其弱相关节点，采样到强相关节点。外部特征提取模块通过两个视角：特征空间和拓扑空间，结合注意力机制捕获网络拓扑结构中远距离节点之间的依赖关系，增强模型对异质图中不同类型节点之间多维信息传播特征的提取能力。最后输出更能反应节点特征以及网络拓扑信息的节点嵌入。元路径模块可以进一步提取整个异质图神经网络的深层语义信息，并结合原始网络拓扑得到能更好揭示节点领域以及语义信息的网络拓扑。最后将模型三部分输出输入到图卷积模块进行节点分类，根据商品分类后的结果，对同一类别商品节点所连的边进行累加，根据累加值判断用户对商品的兴趣，进行商品推荐。
一种基于并行提取特征的异质图神经网络的商品推荐方法，如图1包括以下步骤：
步骤(1)：获取电子商务商品数据，包括商品属性和用户行为；
步骤(2)：对电子商务商品数据进行预处理；具体是：
根据电子商务商品数据构建商品关系图G，商品为节点，商品属性为节点属性，边为用户行为；所述商品关系图G采用特征矩阵X进行表示；所述特征矩阵X中元素值为0表示两商品节点之间没有直接相连，元素值大于0表示两商品节点之间直接相连的关系，且元素值为1对应的用户行为是用户在一段时间内点击了这两个商品，元素值为2对应的用户行为是用户将两个商品同时放入购物车，元素值为3对应的用户行为是用户同时下单了这两个商品；
基于用户行为，对商品关系图G中各节点提取元路径：基于商品关系图，依据领域经验挑选出不同的元路径作为更高级的数据结构，以提供更丰富的输入信息以用于特征提取。如：用户购买了某一商品1，而这商品是某一个厂家(是商品的属性)生产的，则潜在的关系是用户可能也对该厂家其他商品2感兴趣(虽然可能不是同一类型的商品)，抽象成元路径为：商品1-厂家-商品2。
如图2所示，并行提取特征的异质图神经网络框架模型由三部分组成，包括内部特征提取模块，外部特征提取模块和元路径模块。预处理后的数据输入到三个模块中并行执行。
步骤(3)：对特征矩阵X进行初始类型分类：
根据电子商务中原始商品分类，从特征矩阵X中抽取同类型节点以及这些节点在特征矩阵X中原始的边关系，形成同类型特征矩阵X1；
步骤(4)：采用内部特征模块，提取同类型节点间的特征；
如图3所示，内部特征模块先计算节点的同一类型节点对其的贡献值即重要性，然后选定一个阈值，将节点的贡献值与阈值相比较，来过滤对其贡献值低的弱相关节点，采集对其贡献值高的强相关节点。
4-1内部特征模块通过注意力机制学习同类型节点特征，更新节点特征：
给定一对同类型节点v1，v2，注意力机制学习节点v1，v2的两者相关性即节点v1对节点v2的贡献；/>的计算公式如下所示：
其中 分别是节点v1，v2的嵌入向量，att()表示注意力机制；
4-2对通过SoftMax函数进行归一化处理，得到节点的权重值/>其公式如下：
其中i表示节点的个数；exp()表示归一化函数；
4-3对节点的权重值与阈值比较，即判断两个同类型节点之间的相关性，若/>大于阈值，则认为这两个同类型节点存在强相关性，不做任何处理，反之则认为这两个同类型节点为弱相关节点，将同类型特征矩阵X1中对应的元素更新为0；
4-4通过一个全连接层输出更新后同类型特征矩阵XN；
步骤(5)：采用外部特征模块，提取不同类型节点间的特征；
如图4所示，外部特征模块将两个视角：节点特征空间和网络拓扑空间相结合，解决节点在空间上的长距离依赖，挖掘异质网络中不同类型节点的联系，深度挖掘强相关性节点关系，降低噪声干扰。
如图5所示，外部特征模块在对不同类型节点进行特征提取时，采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系。
所述外部特征模块采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系；
5-1采用随机注意力机制结合节点特征空间学习中长距离依赖关系，具体过程如下：
5-1-1在节点特征空间中，经过节点特征映射后，根据节点的特征矩阵X和节点相似度cossim，取相似度最高的k个节点建立图GF，其邻接矩阵为AF；
所述节点相似度cossim采用余弦相似度的计算，公式如下所示：
其中Xi和Xj分别表示邻接矩阵AF中节点i和节点j的特征向量；
5-1-2对特征矩阵X基于邻接矩阵AF不断更新，得到节点嵌入信息EF；具体是：
5-1-2-1初始化，迭代次数m＝0，节点嵌入信息
5-1-2-2使用激活函数得到节点嵌入信息EF，公式如下：
其中Relu表示激活函数，表示权重矩阵，/>做对称归一化处理，/>表示第m次迭代后更新特征矩阵X；
5-1-2-3判断与/>是否相同，若是则输出最终节点嵌入信息/>若否则更新m＝m+1，返回步骤5-1-2-2；
5-2采用随机注意力机制结合网络拓扑空间学习中长距离依赖关系具体过程如下：
5-2-1在网络拓扑空间中，根据特征矩阵X建立网络拓扑结构GT，其邻接矩阵为AT；
5-2-2对特征矩阵X根据邻接矩阵AT不断更新，得到节点嵌入信息ET；具体是：
5-2-2-1初始化，迭代次数m＝0，节点嵌入信息
5-2-2-2使用激活函数得到节点嵌入信息ET，公式如下：
其中Relu表示激活函数，表示权重矩阵，/>做对称归一化处理，/>表示第m次迭代后更新特征矩阵X；
5-2-2-3判断与/>是否相同，若是则输出最终节点嵌入信息/>若否则更新m＝m+1，返回步骤5-2-2-2；
5-2-3在网络拓扑中，用门机制来决定注意力模块中提取的各个节点特征向量之间的注意力值是否有效，attValue为1表示有效，为0表示无效，以此阻断网络拓扑结构上不相邻节点或是弱相关节点对应的注意力数值向后传递；
其中 是网络拓扑结构GT中节点u1，u2的嵌入向量，att()表示注意力机制，θ表示阈值；
5-3采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，是通过带参数共享的GCN，提取网络拓扑空间和节点特征空间的公共信息，得到公共嵌入EFT；具体过程如下：
5-3-1分别对邻接矩阵AF和AT通过共享参数GCN进行公共嵌入信息的提取；
5-3-2初始化，迭代次数m＝0，公共嵌入信息
5-3-3使用激活函数得到公共嵌入信息EFT，公式如下：
其中Relu表示激活函数，是网络拓扑空间和节点特征空间的共享权重矩阵，/>做对称归一化处理，/>分别表示节点特征空间和网络拓扑空间第m次迭代后更新特征矩阵X；
5-3-4判断是否满足若是则输出最终节点嵌入信息/>若否则更新m＝m+1，返回步骤5-2-3；
5-3-5将相加求平均得到节点特征空间和网络拓扑空间的共同嵌入EFT；
5-4将步骤5-1输出的节点嵌入信息EF，步骤5-2输出的节点嵌入信息ET以及步骤5-3输出的公共嵌入EFT，进行加权得到最终嵌入E；公式如下：
E＝WFEF+WTET+WFTEFT (9)
其中WF、WT、WFT分别是EF、ET、EFT的权重值；
步骤(6)：采用元路径模块，挖掘元路径中的高级语义信息，进一步更新网络拓扑结构；
如图6所示，元路径模块将元路径与网络拓扑结构相结合，采用注意力机制，且与外部特征模块一样，在消息传播中采用门机制消除原始图中噪声对拓扑结构的影响，将多条元路径信息进行聚合，得到基于元路径的网络拓扑结构，用关系矩阵表示XM。
具体过程如下：
6-1对单条元路径P信息进行处理；
通过对P的元路径实例p来学习商品关系图G的目标节点v基于元路径邻域的复杂语义信息；具体是：
假定P(u，v)表示目标节点v以及v元路径邻域内的邻居节点u的元路径，的元路径实例；采用注意力机制对目标节点的元路径P的实例进行加权求和，其过程是：
先利用注意力机制以及SoftMax函数对元路径实例得到一个归一化的注意力权重值，其过程是先利用注意力机制以及SoftMax函数对元路径实例得到一个归一化的注意力权重值，计算公式如下所示：
其中是元路径P的参数向量的转置，hv是节点v的嵌入向量，/>是v元路径邻域内的邻居节点u的节点嵌入，||是向量拼接算子，/>表示归一化后的影响因子；
再根据对所有元路径实例进行加权求和，最后通过激活函数输出单条元路径处理结果/>其计算公式如下所示：
6-2对多条不同元路径进行聚合；
对元路径所有类型为A的节点的元路径/>下的节点向量进行非线性转换然后求均值，计算公式如下所示：
其中NumA是节点类型为A的元路径数量；Tanh为激活函数，为单条元路径处理结果，b是偏移量，|VA|为节点类型为A的节点数量；
然后使用注意力机制对目标类型节点的所有元路径的向量进行加权求和，计算公式如下所示：
其中是A类型节点的参数化注意力向量；
6-3根据元路径对特征矩阵X进行更新，得到代表新网络拓扑的关系矩阵XM，计算公式如下：
其中是所有类型元路径聚合后的结果；
步骤(7)：构建图卷积模块，根据同类型节点间的特征XN、不同类型节点间的特征E、关系矩阵XM，输出分类结果；
步骤(8)：根据商品节点分类结果进行商品推荐；
根据图卷积模块分类后的同一类别商品在商品关系图G中的边进行累加，根据累加值判断用户对该类别商品的兴趣，进而进行商品推荐。
Claims (9)
1.基于并行提取特征的异质图神经网络的商品推荐方法，其特征在于所述方法包括如下步骤：
步骤(1)：获取电子商务商品数据，包括商品属性和用户行为；
步骤(2)：对电子商务商品数据进行预处理；具体是：
根据电子商务商品数据构建商品关系图G，所述商品关系图G中商品为节点，商品属性为节点属性，边为用户行为；所述商品关系图G采用特征矩阵X进行表示；所述特征矩阵X中元素值为0表示两商品节点之间没有直接相连，元素值大于0表示两商品节点之间直接相连的关系，且元素值为1对应的用户行为是用户在一段时间内点击了这两个商品，元素值为2对应的用户行为是用户将两个商品同时放入购物车，元素值为3对应的用户行为是用户同时下单了这两个商品；
基于用户行为，对商品关系图G中各节点提取元路径；
步骤(3)：对特征矩阵X进行初始类型分类：
根据电子商务中原始商品分类，从特征矩阵X中抽取同类型节点以及这些节点在特征矩阵X中原始的边关系，形成同类型特征矩阵X1；
步骤(4)：采用内部特征模块，提取同类型节点间的特征XN；
步骤(5)：采用外部特征模块，采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，提取不同类型节点间的特征E；
步骤(6)：采用元路径模块，挖掘元路径中的高级语义信息，进一步更新网络拓扑结构，提取关系矩阵XM；
步骤(7)：采用图卷积模块，根据同类型节点间的特征XN、不同类型节点间的特征E、关系矩阵XM，输出分类结果；
步骤(8)：根据商品节点分类结果进行商品推荐。
2.根据权利要求1所述方法，其特性在于步骤(4)具体是：
4-1内部特征模块通过注意力机制学习同类型节点特征，更新节点特征：
给定一对同类型节点v1,v2，注意力机制学习节点v1,v2的两者相关性即节点v1对节点v2的贡献；/>的计算公式如下所示：
其中分别是节点v1,v2的嵌入向量，att()表示注意力机制；
4-2对通过SoftMax函数进行归一化处理，得到节点的权重值/>其公式如下：
其中i表示节点的个数；exp()表示归一化函数；
4-3对节点的权重值与阈值比较，即判断两个同类型节点之间的相关性，若大于阈值，则认为这两个同类型节点存在强相关性，不做任何处理，反之则认为这两个同类型节点为弱相关节点，将同类型特征矩阵X1中对应的元素更新为0；
4-4通过一个全连接层输出更新后同类型特征矩阵XN。
3.根据权利要求2所述方法，其特性在于步骤(5)具体是：
5-1采用随机注意力机制结合节点特征空间学习中长距离依赖关系，具体过程如下：
5-1-1在节点特征空间中，经过节点特征映射后，根据节点的特征矩阵X和节点相似度cossim，取相似度最高的k个节点建立图GF，其邻接矩阵为AF；
所述节点相似度cossim采用余弦相似度的计算，公式如下所示：
其中Xi和Xj分别表示邻接矩阵AF中节点i和节点j的特征向量；
5-1-2对特征矩阵X基于邻接矩阵AF不断更新，得到节点嵌入信息EF；
5-2采用随机注意力机制结合网络拓扑空间学习中长距离依赖关系具体过程如下：
5-2-1在网络拓扑空间中，根据特征矩阵X建立网络拓扑结构GT，其邻接矩阵为AT；
5-2-2对特征矩阵X根据邻接矩阵AT不断更新，得到节点嵌入信息ET；
5-2-3在网络拓扑中，用门机制来决定注意力模块中提取的各个节点特征向量之间的注意力值是否有效，attValue为1表示有效，为0表示无效，以此阻断网络拓扑结构上不相邻节点或是弱相关节点对应的注意力数值向后传递；
其中是网络拓扑结构GT中节点u1,u2的嵌入向量，att()表示注意力机制，θ表示阈值；
5-3采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，是通过带参数共享的GCN，提取网络拓扑空间和节点特征空间的公共信息，得到公共嵌入EFT；具体过程如下：
5-3-1分别对邻接矩阵AF和AT通过共享参数GCN进行公共嵌入信息的提取；
5-3-2初始化，迭代次数m＝0，公共嵌入信息
5-3-3使用激活函数得到公共嵌入信息EFT，公式如下：
其中Relu表示激活函数，是网络拓扑空间和节点特征空间的共享权重矩阵，做对称归一化处理，/>分别表示节点特征空间和网络拓扑空间第m次迭代后更新特征矩阵X；
5-3-4判断是否满足若是则输出最终节点嵌入信息/>若否则更新m＝m+1，返回步骤5-2-3；
5-3-5将相加求平均得到节点特征空间和网络拓扑空间的共同嵌入EFT；
5-4将步骤5-1输出的节点嵌入信息EF，步骤5-2输出的节点嵌入信息ET以及步骤5-3输出的公共嵌入EFT，进行加权得到最终嵌入E；公式如下：
E＝WFEF+WTET+WFTEFT (9)
其中WF、WT、WFT分别是EF、ET、EFT的权重值。
4.根据权利要求3所述方法，其特性在于步骤5-1-2具体是：
5-1-2-1初始化，迭代次数m＝0，节点嵌入信息
5-1-2-2使用激活函数得到节点嵌入信息EF，公式如下：
其中Relu表示激活函数，表示权重矩阵，/>做对称归一化处理，/>表示第m次迭代后更新特征矩阵X；
5-1-2-3判断与/>是否相同，若是则输出最终节点嵌入信息/>若否则更新m＝m+1，返回步骤5-1-2-2。
5.根据权利要求3所述方法，其特性在于步骤5-2-2具体是：
5-2-2-1初始化，迭代次数m＝0，节点嵌入信息
5-2-2-2使用激活函数得到节点嵌入信息ET，公式如下：
其中Relu表示激活函数，表示权重矩阵，/>做对称归一化处理，/>表示第m次迭代后更新特征矩阵X；
5-2-2-3判断与/>是否相同，若是则输出最终节点嵌入信息/>若否则更新m＝m+1，返回步骤5-2-2-2。
6.根据权利要求3所述方法，其特性在于步骤(6)具体是：
6-1对单条元路径P信息进行处理；
通过对P的元路径实例p来学习商品关系图G的目标节点v基于元路径邻域的复杂语义信息；具体是：
假定P(u,v)表示目标节点v以及v元路径邻域内的邻居节点u的元路径，/>的元路径实例；采用注意力机制对目标节点的元路径P的实例进行加权求和，其过程是：
先利用注意力机制以及SoftMax函数对元路径实例得到一个归一化的注意力权重值，其计算公式如下所示：
其中是元路径P的参数向量的转置，hv是节点v的嵌入向量，/>是v元路径邻域内的邻居节点u的节点嵌入，||是向量拼接算子，/>表示归一化后的影响因子；
再根据对所有元路径实例进行加权求和，最后通过激活函数输出单条元路径处理结果/>其计算公式如下所示：
6-2对多条不同元路径进行聚合；
对元路径所有类型为A的节点的元路径/>下的节点向量进行非线性转换然后求均值，计算公式如下所示：
其中NumA是节点类型为A的元路径数量；Tanh为激活函数，为单条元路径处理结果，b是偏移量，|VA|为节点类型为A的节点数量；
然后使用注意力机制对目标类型节点的所有元路径的向量进行加权求和，计算公式如下所示：
其中是A类型节点的参数化注意力向量；
6-3根据元路径对特征矩阵X进行更新，得到代表新网络拓扑的关系矩阵XM，计算公式如下：
其中是所有类型元路径聚合后的结果。
7.实现权利要求1-6任一项所述方法的商品推荐系统，其特征在于包括：
数据获取模块，用于获取电子商务商品数据，包括商品属性和用户行为；
数据预处理模块，用于对电子商务商品数据进行预处理，得到商品关系图G、特征矩阵X、元路径；
同类型数据提取模块，用于从特征矩阵X中抽取同类型节点以及这些节点在特征矩阵X中原始的边关系，形成同类型特征矩阵X1；
内部特征模块，提取同类型节点间的特征XN；
外部特征模块，采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，提取不同类型节点间的特征E；
元路径模块，挖掘元路径中的高级语义信息，进一步更新网络拓扑结构，提取关系矩阵XM；
图卷积模块，根据同类型节点间的特征XN、不同类型节点间的特征E、关系矩阵XM，输出分类结果。
8.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项所述的方法。
9.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310421150.9A CN117196750A (zh) | 2023-04-19 | 2023-04-19 | 基于并行提取特征的异质图神经网络的商品推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310421150.9A CN117196750A (zh) | 2023-04-19 | 2023-04-19 | 基于并行提取特征的异质图神经网络的商品推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117196750A true CN117196750A (zh) | 2023-12-08 |
Family
ID=88989418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310421150.9A Pending CN117196750A (zh) | 2023-04-19 | 2023-04-19 | 基于并行提取特征的异质图神经网络的商品推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196750A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788122A (zh) * | 2024-02-23 | 2024-03-29 | 山东科技大学 | 一种基于异质图神经网络商品推荐方法 |
-
2023
- 2023-04-19 CN CN202310421150.9A patent/CN117196750A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788122A (zh) * | 2024-02-23 | 2024-03-29 | 山东科技大学 | 一种基于异质图神经网络商品推荐方法 |
| CN117788122B (zh) * | 2024-02-23 | 2024-05-10 | 山东科技大学 | 一种基于异质图神经网络商品推荐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bartoletti et al. | Data mining for detecting bitcoin ponzi schemes | |
| CN112766500B (zh) | 图神经网络的训练方法及装置 | |
| CN112035746A (zh) | 一种基于时空序列图卷积网络的会话推荐方法 | |
| CN114626890A (zh) | 一种基于图结构学习的异常用户检测方法 | |
| CN117196750A (zh) | 基于并行提取特征的异质图神经网络的商品推荐方法 | |
| CN113688252B (zh) | 基于多特征协同知识图谱和区块链的安全跨域推荐方法 | |
| CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
| CN114036405A (zh) | 一种基于图卷积网络的社交推荐方法与系统 | |
| Miao et al. | Joint prediction of rating and popularity for cold-start item by sentinel user selection | |
| CN113918834A (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
| CN115375382A (zh) | 一种商品推荐方法、装置及相关设备 | |
| CN116167812A (zh) | 用于多行为推荐的异构协同过滤方法 | |
| CN117391816A (zh) | 一种异质图神经网络推荐方法、装置及设备 | |
| CN114861072B (zh) | 一种基于层间组合机制的图卷积网络推荐方法及装置 | |
| CN114756768B (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
| Yang et al. | Balanced influence maximization in social networks based on deep reinforcement learning | |
| CN113744023B (zh) | 一种基于图卷积网络的双通道协同过滤推荐方法 | |
| CN110851684A (zh) | 一种基于三元关联图的社交话题影响力识别方法及装置 | |
| Kou et al. | Bignn: A bilateral-branch graph neural network to solve popularity bias in recommendation | |
| CN114519605A (zh) | 广告点击欺诈检测方法、系统、服务器和存储介质 | |
| CN114117229A (zh) | 一种基于有向和无向结构信息的图神经网络的项目推荐方法 | |
| CN114758174A (zh) | 一种基于注意力机制的多视图谣言检测方法 | |
| Rang et al. | Heterogeneous multi-behavior recommendation based on graph convolutional networks | |
| Wu et al. | Beyond the individual: An improved telecom fraud detection approach based on latent synergy graph learning | |
| Ko et al. | Learning disentangled representations in signed directed graphs without social assumptions |
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 |