CN117312680A - 一种基于用户-实体子图对比学习的资源推荐方法 - Google Patents
一种基于用户-实体子图对比学习的资源推荐方法 Download PDFInfo
- Publication number
- CN117312680A CN117312680A CN202311600653.9A CN202311600653A CN117312680A CN 117312680 A CN117312680 A CN 117312680A CN 202311600653 A CN202311600653 A CN 202311600653A CN 117312680 A CN117312680 A CN 117312680A
- Authority
- CN
- China
- Prior art keywords
- user
- graph
- project
- entity
- sub
- 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 26
- 230000003993 interaction Effects 0.000 claims abstract description 49
- 238000012512 characterization method Methods 0.000 claims abstract description 36
- 238000010586 diagram Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/04—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
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (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)
- 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)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于用户‑实体子图对比学习的资源推荐方法,属于深度学习、推荐系统、知识图谱技术领域。首先,根据用户和项目的交互构建二部图;其次,根据交互二部图和知识图谱构建用户‑实体子图;然后,基于Light‑GCN分别学习用户‑项目二部图、用户‑实体子图、项目‑实体子图中个节点的表征;最后,基于三个子图构建对比学习损失并预测结果。本发明能实现基于知识图谱的资源推荐,能够提升知识图谱在推荐任务中的辅助效果,有效提升推荐算法的准确性。
Description
技术领域
本发明涉及一种基于用户-实体子图对比学习的资源推荐方法,属于深度学习、推荐系统、知识图谱技术领域。
背景技术
推荐系统是人工智能研究中的重要领域,是互联网应用中个性化服务的基石。随着时间的推移,从外卖平台到股票交易,推荐系统已经以各种形式深度融入到人们的各项互联网活动中。经过多年的发展,推荐系统形成了几个明确的研究领域,包括:基于上下文感知的推荐(Context-aware Recommendation)、序列推荐(Sequential Recommendation)、基于知识图谱的推荐(Knowledge-based Recommendation)和多任务推荐(Multi-taskRecommendation)。
但是,现有的基于知识图谱的推荐系统或者推荐方法,并没有发挥出知识图谱的优势,无法捕捉到用户和物品之间的复杂关系,包括属性、类别、关联等,从而无法提供更精确、更个性化的推荐。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明主要的目的在于提供一种基于用户-实体子图对比学习的资源推荐方法,从而实现更精确、更个性化的推荐,解决上述问题。
为实现上述目的,本发明提供一种基于用户-实体子图对比学习的资源推荐方法,所述方法包括:
一种基于用户-实体子图对比学习的资源推荐方法,具体步骤为:
采集数据总样本,从数据总样本中获取用户和项目的交互信息,根据用户ID和项目ID构建用户-项目交互二部图。
构建用户-项目-实体总图,再根据所述用户-项目交互二部图和用户-项目-实体总图中的项目-实体子图,构建用户-实体子图。
对用户-项目交互二部图、用户-实体子图和项目-实体子图进行训练,分别得到三者的训练结果。
所述训练结果为用户节点表征、项目节点表征和实体节点表征。
所述项目-实体子图即是知识图谱,在基于知识图谱的推荐系统中是数据集自带的图结构信息,不需要单独构建。
基于用户-项目交互二部图、用户-实体子图和项目-实体子图,构建对比学习损失函数,并通过对比学习损失函数计算对比损失。
通过拼接用户和项目在不同图中的节点表征,得到最终用户表征和最终项目表征,再通过最终用户表征和最终项目表征获取推荐任务的输出结果,然后根据所述对比损失得到总损失,利用所述总损失对模型进行优化,完成输出结果的推荐。
所述数据总样本包含所有用户对项目的全部访问记录样本,每个所述样本包含了单个用户对某个项目资源的单次访问行为的发生(每次点击被记录为“用户ID-项目ID”)。
所述根据用户ID和项目ID构建用户-项目交互二部图包括:
通过边集合连接用户ID和项目ID,使得用户和项目发生交互,得到用户-项目交互二部图。
对用户ID节点、资源ID节点进行嵌入操作。
所述构建用户-项目-实体总图,再根据所述用户-项目交互二部图和用户-项目-实体总图中的项目-实体子图,构建用户-实体子图包括:
所述项目-实体子图包含多个实体,每个实体对应数据总样本中的每个项目,所述
实体与所述项目之间的对应关系为,需满足:
其中,表示单个项目,表示单个实体,为项目合集,为实体合集。
将所述用户-项目交互二部图和所述项目-实体子图,依据对应关系连接构建为
一个总图。
将用户和实体直接关联,通过对应关系对总图中的项目替换为对应的实体从而
进行简化,得到不包含项目的用户-实体子图。
所述对用户-项目交互二部图、用户-实体子图和项目-实体子图进行训练,分别得到三者的训练结果包括:
通过Light-GCN模型,分别对用户-项目交互二部图、用户-实体子图和项目-实体子图进行训练,学习每个子图中的各节点表征,将各节点表征的多层结果相加得到各子图的训练结果。
所述基于用户-项目交互二部图、用户-实体子图和项目-实体子图中的节点表征,构建对比学习损失函数包括:
在所述用户-项目交互二部图和所述项目-实体子图之间构建关于用户的对比损失函数。
在所述用户-项目交互二部图和所述用户-实体子图之间构建关于用户的对比损失函数。
在所述项目-实体子图和所述用户-实体子图之间构建关于实体的对比损失函数。
所述通过拼接用户和项目在不同图中的节点表征,得到最终用户表征和最终项目表征,再通过最终用户表征和最终项目表征获取推荐任务的输出结果,然后根据所述对比损失得到总损失,利用所述总损失对模型进行优化,完成输出结果的推荐包括:
拼接用户-项目交互二部图和用户-实体子图中的用户节点表征,得到最终用户表征Pu。
拼接用户-项目交互二部图和项目-实体子图中的项目节点表征,得到最终项目表征Pi。
将Pu和Pi进行点积计算,计算用户对项目的点击率,取点击率最高的项目作为推荐任务的输出结果。
计算输出结果的推荐任务损失,将推荐任务损失与三个子图的对比学习损失相加得到总损失,利用总损失优化模型,完成推荐。
此外,为实现上述目的,本发明还提供一种基于用户-实体子图对比学习的资源推荐系统,所述资源推荐系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于用户-实体子图对比学习的资源推荐程序,所述基于用户-实体子图对比学习的资源推荐程序被所述处理器执行时实现如上任一项所述的基于用户-实体子图对比学习的资源推荐程序方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于用户-实体子图对比学习的资源推荐程序,所述基于用户-实体子图对比学习的资源推荐程序被处理器执行时实现如上任一项所述的基于用户-实体子图对比学习的资源推荐方法的步骤。
本发明的有益效果是:本发明能够有效的提高推荐系统的性能,所提出的用户-实体子图能够通过对比学习的方式有效地协同其他子图提升用户和项目的表征学习效果。
附图说明
图1是本发明方法的步骤流程图。
具体实施方式
本发明基于知识图谱,结合对比学习,提供的推荐方法可以捕捉到用户和物品之间的复杂关系,包括属性、类别、关联等,从而提供更精确、更个性化的推荐,考虑到用户的兴趣、行为和上下文。有助于用户理解和接受推荐,增强了用户对系统的信任感。
为了更好地理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如图1所示,一种基于用户-实体子图对比学习的资源推荐方法,具体步骤为:
Step1:采集数据总样本,从数据总样本中获取用户和项目的交互信息,根据用户ID和项目ID构建用户-项目交互二部图;
Step1.1:记某个用户被表示为,某个项目被表示为。边集合连接用户和项目,表示用户和项目发生过交互,如果有一条边连接用户和项目,可以表示为。则用户-项目交互二部图表示为:。
其中,为用户集合,为项目集合,为边集合。
Step1.2:对用户节点、项目节点进行嵌入操作,即:
(1)
(2)
其中,表示用户总数,表示项目总数,为嵌入维度,为实数集。
Step2:构建用户-项目-实体总图,再根据所述用户-项目交互二部图和用户-项目-实体总图中的项目-实体子图,构建用户-实体子图;
Step2.1:设有知识图谱;
其中,h、t表示知识图谱中的头、尾实体,他们之间的关系由表示,表示实体合
集,表示关系合集。
设,表示项目与实体间的对应关系,每个项目对应一个
实体,因此可以通过获取项目对应的实体或实体所对应的项目,即=与。
最后,将用户-项目交互二部图和知识图谱依据关系连接构建为一个总图,即。
Step2.2:将用户和实体直接关联,通过的对应关系对总图进行简化,得到一
个不包含项目的用户-实体子图。
={} (3)
Step3:对用户-项目交互二部图、用户-实体子图和项目-实体子图进行训练,分别得到三者的训练结果;
Step3.1:在用户-项目交互二部图、用户-实体子图、项目-实体子图中利用
Light-GCN模型学习每个子图中,各节点表征。
其中,在用户-项目二部图的训练过程如下:
(4)
(5)
其中,表示与用户存在交互的项目,同理,表示与项目存在交互的用户。表示第层利用Light-GCN学习到用户的表征,表示第层利用
Light-GCN学习到项目的表征。
Step3.2:将多层结果相加得到用户-项目交互二部图的表征结果:
(6)
其中,表示用户-项目交互二部图中对用户的每层中间结果进行相加得到的
用户表征,同理,为总层数。
Step3.3:使用Step3.1、Step3.2的方法,得到用户-实体子图中Light-GCN模型
的训练结果和,项目-实体子图中Light-GCN模型的训练结果和。
Step4:基于用户-项目交互二部图、用户-实体子图和项目-实体子图,构建对比学习损失函数,并通过对比学习损失函数计算对比损失;
Step4.1:在用户-项目二部图、项目-实体子图间构建关于用户的对比损失函
数,具体为:
(7)
其中,表示计算余弦相似度,为温度系数。表示用户-项目二部图、项目-实
体子图中的其他项目节点。
Step4.2、在用户-项目二部图、用户-实体子图间构建关于项目的对比损失:
(8)
其中,表示用户-项目二部图、用户-实体子图的其他用户节点。
Step4.3:在项目-实体子图、用户-实体子图间构建关于实体的对比损失:
(9)
Step5:使用线性层和sigmoid函数,通过拼接用户和项目在不同图中的节点表征,得到最终用户表征和最终项目表征,再通过最终用户表征和最终项目表征获取推荐任务的输出结果,然后根据所述对比损失得到总损失,利用所述总损失对模型进行优化,完成输出结果的推荐。
Step5.1:拼接用户-项目二部图、用户-实体子图中用户的节点表征,得到融
合了两个子图特征的最终用户表征:
(10)
其中,表示向量拼接。
Step5.2:拼接用户-项目二部图、项目-实体子图中项目的节点表征,得到融合
了两个子图特征的最终项目表征:
(11)
Step5.3、将、进行点积计算,得到预测结果:
(12)
计算结果为用户对资源的点击率,通过选取点击率最高的项目作为推荐系统
的输出。
Step5.4:计算推荐任务损失:
(13)
其中,表示所有数据样本,表示观测到交互,表示未观测到的交互,为
随机采样的项目,表示从数据样本中抽取一条交互,即用户u点击了项目i,并随
机采样一个项目j作为负样本,表示sigmoid函数,表示贝叶斯个性化排序损失,
为预测的结果,同理。
Step5.5 :计算总损失:
(14)
Step5.6:使用Adam优化器优化模型,优化目标为最小化损失函数,完成输出结果的推荐。
为了验证本发明的效果,发明选取了基于知识图谱的推荐领域常用的Book-Crossing、MovieLens-1M 、Last.FM三个数据集进行验证,三个数据集来自不同领域的真实数据,包括了不同规模的交互数据和知识图谱节点数目。使用AUC和F1作为指标对模型进行性能评估。实验基于单张Nvidia 3090显卡进行实验,采用python3.7版本,PyTorch版本使用v1.8.0。Learning Rate取值1E-3,Batch Size取128。训练轮数设为上限100,当AUC稳定后使用早停策略并记录最高值。
表1:本发明与主流基线模型在3个数据集上的性能比较
表1数据反应了在Book-Crossing、MovieLens-1M、Last.FM数据集上,本发明的方法在AUC、F1指标高于KGAT、KGNN-LS等主流基线模型,表明了本发明的优势性能。其中,相较于BPRMF基线,本发明的方法在Book-Crossing数据集上AUC指标高出8.68%,F1指标高出5.81%,在MovieLens-1M数据集上AUC指标高出3.18%,F1指标高出5.52%,在Last.FM数据集上AUC指标高出8.25%,F1指标高出4.83%。该实验证明了本发明的可行性和性能。
以上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作出各种变化。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于用户-实体子图对比学习的资源推荐方法,其特征在于:
采集数据总样本,从数据总样本中获取用户和项目的交互信息,根据用户ID和项目ID构建用户-项目交互二部图;
构建用户-项目-实体总图,再根据所述用户-项目交互二部图和用户-项目-实体总图中的项目-实体子图,构建用户-实体子图;
对用户-项目交互二部图、用户-实体子图和项目-实体子图进行训练,分别得到三者的训练结果;
所述训练结果为用户节点表征、项目节点表征和实体节点表征;
基于用户-项目交互二部图、用户-实体子图和项目-实体子图,构建对比学习损失函数,并通过对比学习损失函数计算对比损失;
通过拼接用户和项目在不同图中的节点表征,得到最终用户表征和最终项目表征,再通过最终用户表征和最终项目表征获取推荐任务的输出结果,然后根据所述对比损失得到总损失,利用所述总损失对模型进行优化,完成输出结果的推荐。
2.根据权利要求1所述的基于用户-实体子图对比学习的资源推荐方法,其特征在于:所述数据总样本包含所有用户对项目的全部访问记录样本,每个所述样本包含了单个用户对某个项目资源的单次访问行为的发生。
3.根据权利要求1所述的基于用户-实体子图对比学习的资源推荐方法,其特征在于,所述根据用户ID和项目ID构建用户-项目交互二部图包括:
通过边集合连接用户ID和项目ID,使得用户和项目发生交互,得到用户-项目交互二部图;
对用户ID节点、资源ID节点进行嵌入操作。
4.根据权利要求1所述的基于用户-实体子图对比学习的资源推荐方法,其特征在于,所述构建用户-项目-实体总图,再根据所述用户-项目交互二部图和用户-项目-实体总图中的项目-实体子图,构建用户-实体子图包括:
所述项目-实体子图包含多个实体,每个实体对应数据总样本中的每个项目,所述实体与所述项目之间的对应关系为,需满足:
;
其中,表示单个项目,/>表示单个实体,/>为项目合集,/>为实体合集;
将所述用户-项目交互二部图和所述项目-实体子图,依据对应关系连接构建为一个总图;
将用户和实体直接关联,通过对应关系对总图中的项目替换为对应的实体从而进行简化,得到不包含项目的用户-实体子图。
5.根据权利要求1所述的基于用户-实体子图对比学习的资源推荐方法,其特征在于,所述对用户-项目交互二部图、用户-实体子图和项目-实体子图进行训练,分别得到三者的训练结果包括:
通过Light-GCN模型,分别对用户-项目交互二部图、用户-实体子图和项目-实体子图进行训练,学习每个子图中的各节点表征,将各节点表征的多层结果相加得到各子图的训练结果。
6.根据权利要求1所述的基于用户-实体子图对比学习的资源推荐方法,其特征在于,所述基于用户-项目交互二部图、用户-实体子图和项目-实体子图中的节点表征,构建对比学习损失函数包括:
在所述用户-项目交互二部图和所述项目-实体子图之间构建关于用户的对比损失函数;
在所述用户-项目交互二部图和所述用户-实体子图之间构建关于用户的对比损失函数;
在所述项目-实体子图和所述用户-实体子图之间构建关于实体的对比损失函数。
7.根据权利要求1所述的基于用户-实体子图对比学习的资源推荐方法,其特征在于,所述通过拼接用户和项目在不同图中的节点表征,得到最终用户表征和最终项目表征,再通过最终用户表征和最终项目表征获取推荐任务的输出结果,然后根据所述对比损失得到总损失,利用所述总损失对模型进行优化,完成输出结果的推荐包括:
拼接用户-项目交互二部图和用户-实体子图中的用户节点表征,得到最终用户表征Pu;
拼接用户-项目交互二部图和项目-实体子图中的项目节点表征,得到最终项目表征Pi;
将Pu和Pi进行点积计算,计算用户对项目的点击率,取点击率最高的项目作为推荐任务的输出结果;
计算输出结果的推荐任务损失,将推荐任务损失与三个子图的对比学习损失相加得到总损失,利用总损失优化模型,完成推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600653.9A CN117312680A (zh) | 2023-11-28 | 2023-11-28 | 一种基于用户-实体子图对比学习的资源推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600653.9A CN117312680A (zh) | 2023-11-28 | 2023-11-28 | 一种基于用户-实体子图对比学习的资源推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117312680A true CN117312680A (zh) | 2023-12-29 |
Family
ID=89285102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311600653.9A Pending CN117312680A (zh) | 2023-11-28 | 2023-11-28 | 一种基于用户-实体子图对比学习的资源推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312680A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786234A (zh) * | 2024-02-28 | 2024-03-29 | 云南师范大学 | 一种基于两阶段对比学习的多模态资源推荐方法 |
CN118133882A (zh) * | 2024-04-12 | 2024-06-04 | 宁夏大学 | 一种基于图对比学习的项目推荐方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116450954A (zh) * | 2023-04-23 | 2023-07-18 | 重庆邮电大学 | 一种基于图卷积网络的协同过滤推荐方法 |
-
2023
- 2023-11-28 CN CN202311600653.9A patent/CN117312680A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116450954A (zh) * | 2023-04-23 | 2023-07-18 | 重庆邮电大学 | 一种基于图卷积网络的协同过滤推荐方法 |
Non-Patent Citations (3)
Title |
---|
DING ZOU 等: "Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System", 《SIGIR \'22: PROCEEDINGS OF THE 45TH INTERNATIONAL ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMATION RETRIEVAL》, pages 1358 * |
吴国栋 等: "图对比学习研究进展", 《小型微型计算机系统》, pages 15 * |
朱鹏 等: "基于细化度与相似度的课程知识图谱构建研究", 《软件导刊》, pages 69 - 72 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786234A (zh) * | 2024-02-28 | 2024-03-29 | 云南师范大学 | 一种基于两阶段对比学习的多模态资源推荐方法 |
CN117786234B (zh) * | 2024-02-28 | 2024-04-26 | 云南师范大学 | 一种基于两阶段对比学习的多模态资源推荐方法 |
CN118133882A (zh) * | 2024-04-12 | 2024-06-04 | 宁夏大学 | 一种基于图对比学习的项目推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428147B (zh) | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 | |
US11176154B1 (en) | Collaborative dataset management system for machine learning data | |
Abbas et al. | Business data sharing through data marketplaces: A systematic literature review | |
CN117312680A (zh) | 一种基于用户-实体子图对比学习的资源推荐方法 | |
CN104573130B (zh) | 基于群体计算的实体解析方法及装置 | |
CN110413888B (zh) | 一种书籍推荐方法及装置 | |
CN110879864A (zh) | 一种基于图神经网络和注意力机制的上下文推荐方法 | |
CN112667877A (zh) | 一种基于旅游知识图谱的景点推荐方法及设备 | |
US11741511B2 (en) | Systems and methods of business categorization and service recommendation | |
US20210241072A1 (en) | Systems and methods of business categorization and service recommendation | |
CN104239399A (zh) | 社交网络中的潜在好友推荐方法 | |
CN112380453A (zh) | 物品推荐方法、装置、存储介质及设备 | |
CN115186197A (zh) | 一种基于端到端双曲空间的用户推荐方法 | |
CN115358809A (zh) | 一种基于图对比学习的多意图推荐方法及装置 | |
CN115630153A (zh) | 一种基于大数据技术的研究生文献资源推荐方法 | |
Monti et al. | Sequeval: An offline evaluation framework for sequence-based recommender systems | |
CN111259264A (zh) | 一种基于生成对抗网络的时序评分预测方法 | |
Kamakshi et al. | Explainable image classification: The journey so far and the road ahead | |
CN117556148A (zh) | 一种基于网络数据驱动的个性化跨域推荐方法 | |
CN116662528B (zh) | 一种基于知识图谱的地图自适应推荐方法及相关设备 | |
An et al. | Strp-dbscan: A parallel dbscan algorithm based on spatial-temporal random partitioning for clustering trajectory data | |
CN114821248B (zh) | 面向点云理解的数据主动筛选标注方法和装置 | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
CN114238752B (zh) | 物品推荐方法、装置及存储介质 | |
CN110348469A (zh) | 一种基于DeepWalk网络嵌入模型的用户相似度度量方法 |
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 |