CN117370672A - 基于混合结构图的用户兴趣点推荐方法、系统和设备 - Google Patents

基于混合结构图的用户兴趣点推荐方法、系统和设备 Download PDF

Info

Publication number
CN117370672A
CN117370672A CN202311657312.5A CN202311657312A CN117370672A CN 117370672 A CN117370672 A CN 117370672A CN 202311657312 A CN202311657312 A CN 202311657312A CN 117370672 A CN117370672 A CN 117370672A
Authority
CN
China
Prior art keywords
user
interest
embedding
interest point
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.)
Granted
Application number
CN202311657312.5A
Other languages
English (en)
Other versions
CN117370672B (zh
Inventor
马文明
张金凯
夏旭晨
张恩
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.)
Yantai University
Original Assignee
Yantai 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 Yantai University filed Critical Yantai University
Priority to CN202311657312.5A priority Critical patent/CN117370672B/zh
Publication of CN117370672A publication Critical patent/CN117370672A/zh
Application granted granted Critical
Publication of CN117370672B publication Critical patent/CN117370672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q30/0241—Advertisements
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及商业领域用户兴趣推荐技术领域，具体为基于混合结构图的用户兴趣点推荐方法、系统和设备，该推荐方法通过多源属性信息聚合处理实现异构图最外层区域到中间区域的属性信息聚合，通过节点特征信息聚合处理实现异构图中间区域到中心区域的节点信息聚合，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵，与用户交互同构图和兴趣点交互同构图相结合，经图注意力处理，得到的优化用户嵌入矩阵和优化兴趣点嵌入矩阵，经获取内积处理，获得兴趣点评分矩阵，选取合适评分值，进行兴趣点推荐，可保证推荐结果的准确率和用户体验效果。

Description

基于混合结构图的用户兴趣点推荐方法、系统和设备
技术领域
本发明涉及商业领域用户兴趣推荐技术领域，具体为基于混合结构图的用户兴趣点推荐方法、系统和设备。
背景技术
随着大数据时代的到来，每分甚至每秒产生的信息量都呈现指数级的增长趋势。用户在使用相关软件时（例如美团、携程等），面对大量数据，难以做出抉择，大大降低用户体验。推荐系统的目标是帮助用户发现和访问他们可能感兴趣的内容，提高用户体验，增加用户参与度，并促进销售和内容消费。
大多数研究在异构图上学习节点表示时，通过在不同类型的实体之间传递信息来实现，忽略了同质实体之间的关系。例如，如果每个兴趣点只由其访问者表示，而不考虑兴趣点之间的地理接近性，那么最终的表示将失去其自然特征。部分研究设计来自单一信息源的原始节点特征，例如用户的人口特征或兴趣点的GPS坐标，但很少结合多源信息。当使用极为稀疏的数据进行训练时，这将学到弱的最终表示。部分研究没有采用适当的方法来设计原始输入。大多数研究只是对分类变量进行独热编码，这可能会丢失原始数据的特征，特别是在编码位置信息时，结合多个信息源会引入噪音，导致信息推荐效果较差，用户体验感较差。
发明内容
本发明的目的是提供基于混合结构图的用户兴趣点推荐方法、系统和设备。
本发明技术方案如下：
一种基于混合结构图的用户兴趣点推荐方法，包括如下操作：
S1、获取用户多源属性和兴趣点多源属性，分别经初始化嵌入处理，得到用户多源嵌入向量和兴趣点多源嵌入向量；
S2、基于所述用户多源嵌入向量和兴趣点多源嵌入向量，得到用户中心异构图和兴趣点中心异构图；
所述用户中心异构图和兴趣点中心异构图，分别依次经多源属性信息聚合处理和节点特征信息聚合处理，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵；
S3、基于获取的用户交互信息和兴趣点交互信息，得到用户交互同构图和兴趣点交互同构图；
所述用户交互同构图和初始用户嵌入矩阵，经第一图注意力处理，得到优化用户嵌入矩阵；
所述兴趣点交互同构图和初始兴趣点嵌入矩阵，经第二图注意力处理，得到优化兴趣点嵌入矩阵；
S4、基于所述优化用户嵌入矩阵和优化兴趣点嵌入矩阵，得到兴趣点评分矩阵；获取所述兴趣点评分矩阵中，评分值大于阈值对应的兴趣点，作为推荐兴趣点。
所述S2中，所述用户中心异构图由多个用户特征区域构成，所述多个用户特征区域中，最外层区域为兴趣点多源嵌入向量，中间区域为兴趣点，中心区域为用户；所述兴趣点中心异构图由多个兴趣特征区域构成，所述多个兴趣特征区域中，最外层区域为用户多源嵌入向量，中间区域为用户，中心区域为兴趣点。
所述S2中多源属性信息聚合的操作具体为：将所述用户中心异构图中，用户的目标邻居兴趣点的兴趣点标识嵌入、空间距离嵌入和平均得分嵌入，分别与对应属性影响因子相乘后，进行求和处理，得到的目标邻居兴趣点嵌入矩阵用于执行所述节点特征信息聚合的操作；将所述兴趣点中心异构图中，兴趣点的目标邻居用户的用户标识嵌入、评论时间嵌入和评论文本嵌入，分别与对应属性影响因子相乘后，进行求和处理，得到的目标用户嵌入矩阵用于执行所述节点特征信息聚合的操作。
所述空间距离嵌入，是基于用户对所有邻居兴趣点产生评分的平均经度和平均纬度，以及用户对目标邻居兴趣点产生评分的经度和纬度得到的。
所述节点特征信息聚合的操作具体为：所有目标邻居兴趣点嵌入矩阵，分别与对应节点影响因子相乘后，进行求和处理，得到所述初始用户嵌入矩阵；所有目标邻居用户嵌入矩阵，分别与对应节点影响因子相乘后，进行求和处理，得到所述初始兴趣点嵌入矩阵。
所述S3中，所述第一图注意力处理的操作具体为：将所述用户交互同构图中，用户的所有初始用户嵌入矩阵，分别依次经多头注意力处理和线性处理后，进行拼接，得到所述优化用户嵌入矩阵；所述第二图注意力处理的操作具体为：将所述兴趣点交互同构图中，兴趣点的所有初始兴趣点嵌入矩阵，分别依次经多头注意力处理和线性处理后，进行拼接，得到所述优化兴趣点嵌入矩阵。
将所述用户多源嵌入向量中的评论文本嵌入，进行语义特征提取，得到更新评论文本嵌入；所述更新评论文本嵌入用于执行S2中的操作。
一种基于混合结构图的用户兴趣点推荐系统，包括：
用户多源嵌入向量和兴趣点多源嵌入向量生成模块，用于获取用户多源属性和兴趣点多源属性，分别经初始化嵌入处理，得到用户多源嵌入向量和兴趣点多源嵌入向量；
初始用户嵌入矩阵和初始兴趣点嵌入矩阵生成模块，用于基于所述用户多源嵌入向量和兴趣点多源嵌入向量，得到用户中心异构图和兴趣点中心异构图；所述用户中心异构图和兴趣点中心异构图，分别依次经多源属性信息聚合处理和节点特征信息聚合处理，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵；
优化用户嵌入矩阵和优化兴趣点嵌入矩阵生成模块，用于基于获取的用户交互信息和兴趣点交互信息，得到用户交互同构图和兴趣点交互同构图；所述用户交互同构图和初始用户嵌入矩阵，经第一图注意力处理，得到优化用户嵌入矩阵；所述兴趣点交互同构图和初始兴趣点嵌入矩阵，经第二图注意力处理，得到优化兴趣点嵌入矩阵；
推荐兴趣点生成模块，用于基于所述优化用户嵌入矩阵和优化兴趣点嵌入矩阵，得到兴趣点评分矩阵；获取所述兴趣点评分矩阵中，评分值大于阈值对应的兴趣点，作为推荐兴趣点。
一种基于混合结构图的用户兴趣点推荐设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的基于混合结构图的用户兴趣点推荐方法。
一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的基于混合结构图的用户兴趣点推荐方法。
本发明的有益效果在于：
本发明提供的一种基于混合结构图的用户兴趣点推荐方法，基于自然特性丰富的用户多源属性和兴趣点多源属性，构建用户中心异构图和兴趣点中心异构图，并通过多源属性信息聚合处理实现异构图最外层区域到中间区域的属性信息聚合，通过节点特征信息聚合处理实现异构图中间区域到中心区域的节点信息聚合，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵；接下来，构建用户交互同构图和兴趣点交互同构图，分布与初始用户嵌入矩阵和初始兴趣点嵌入矩阵进行图注意力处理，得到的优化用户嵌入矩阵和优化兴趣点嵌入矩阵，经获取内积处理，获得兴趣点评分矩阵，选取合适评分值，进行兴趣点推荐，可保证推荐结果的准确度，提升了信息推荐的效果和用户的体验感。通过该推荐方法，不仅保留了多源属性的自然特征，还关注了不同实体之间的异质关系和同类实体之间的同质关系，同时也考虑了它们之间的影响程度，实现了推荐准确率更高、效果更好。
具体实施方式
本实施例提供一种基于混合结构图的用户兴趣点推荐方法，包括如下操作：
S1、获取用户多源属性和兴趣点多源属性，分别经初始化嵌入处理，得到用户多源嵌入向量和兴趣点多源嵌入向量；
S2、基于所述用户多源嵌入向量和兴趣点多源嵌入向量，得到用户中心异构图和兴趣点中心异构图；
所述用户中心异构图和兴趣点中心异构图，分别依次经多源属性信息聚合处理和节点特征信息聚合处理，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵；
S3、基于获取的用户交互信息和兴趣点交互信息，得到用户交互同构图和兴趣点交互同构图；
所述用户交互同构图和初始用户嵌入矩阵，经第一图注意力处理，得到优化用户嵌入矩阵；
所述兴趣点交互同构图和初始兴趣点嵌入矩阵，经第二图注意力处理，得到优化兴趣点嵌入矩阵；
S4、基于所述优化用户嵌入矩阵和优化兴趣点嵌入矩阵，得到兴趣点评分矩阵；获取所述兴趣点评分矩阵中，评分值大于阈值对应的兴趣点，作为推荐兴趣点。
S1、获取用户多源属性和兴趣点多源属性，分别经初始化嵌入处理，得到用户多源嵌入向量和兴趣点多源嵌入向量。
对于用户而言，用户多源属性包括用户标识（用户编号）、评论时间和评论文本。对于兴趣点而言，兴趣点多源属性包括兴趣点标识（兴趣点编号）、空间距离和平均得分。其中，评论文本包含丰富的语义信息，提供了关于用户偏好的详细信息，为便于机器系统处理评论文本。首先将每条评论文本分割成单词，去除停用词，然后将每个单词转换为唯一的整数。因此，每条评论文本都变成了一个整数序列。为了确保所有序列的长度相同，根据预设长度，截断较长的序列，并用零填充较短的序列。
初始化嵌入处理的操作为：将文本形式的用户多源属性和兴趣点多源属性，分别 转化为相应机器语言，得到用户多源嵌入向量和兴趣点多源嵌入向量。对于某一特定用户u i ，其用户标识嵌入表示为，评论时间嵌入表示为，评论文本嵌入表示为。 对于某一特定兴趣点v j ，其兴趣点标识嵌入表示为，空间距离嵌入表示为，平均 得分嵌入表示为。所有用户的嵌入组成用户嵌入矩阵U e ，所有兴趣点的嵌入组成兴趣点 嵌入矩阵V e 。
空间距离嵌入是基于用户对所有邻居兴趣点产生评分的平均经度和平均纬度，以及用户对目标邻居兴趣点产生评分的经度和纬度得到的。
空间距离嵌入可由如下公式得到：
,
表示用户u i 对目标邻居兴趣点v j 的空间距离嵌入，和分别表示用户u i 对所有邻居兴趣点产生评分的平均经度和平均纬度，和分 别表示用户u i 与其所有邻居兴趣点产生评分的经度之和与纬度之和，，N he (u i )表示用户u i 的 邻居兴趣点，|N he (u i )|表示用户u i 的邻居个数，和分别表示用户u i 对目标邻 居兴趣点v j 进行评分的经度和纬度。
将用户多源嵌入向量中的评论文本嵌入，进行语义特征提取，得到更新评论文本嵌入，更新评论文本嵌入存放在用户多源嵌入向量中，用于执行S2中的操作。
本实施例中，对于评论文本嵌入，首先使用预训练的Glove模型获取评论文本嵌入中的单词嵌入，然后进行语义特征提取来获取整个评论句子的嵌入表示，得到更新更新评论文本。
语义特征提取的操作可通过如下公式实现：
，
，
，
，
x t 为评论文本嵌入，h t-1 为t-1时刻的更新评论文本嵌入，W z 为更新门权重矩阵，σ ( )为sigmod函数，Z t 为t时刻的更新门输出，W r 为重置门权重矩阵，R t 为t时刻的重置门输出，tanh( )双曲正切函数，⊙为元素乘法，为t时刻的中间评论文本嵌入，h t 为t时刻的更新评论文本嵌入。
S2、基于用户多源嵌入向量和兴趣点多源嵌入向量，得到用户中心异构图和兴趣点中心异构图；用户中心异构图和兴趣点中心异构图，分别依次经多源属性信息聚合处理和节点特征信息聚合处理，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵。
用户中心异构图由多个用户特征区域构成，多个用户特征区域中，最外层区域为所述兴趣点多源嵌入向量，中间区域为兴趣点，中心区域为用户。具体为，第一层以用户为中心节点（中心区域），第二层是其直接邻居是访问过的兴趣点（中间区域），而每个访问过的兴趣点具有多源属性，其构成第三层节点（最外层区域）。
兴趣点中心异构图由多个兴趣特征区域构成，多个兴趣特征区域中，最外层区域为用户多源嵌入向量，中间区域为用户，中心区域为兴趣点。具体为，第一层以兴趣点为中心节点（中心区域），第二层是其直接邻居是交互过的用户（中间区域），而每个交互过的用户具有多源属性，其构成第三层节点（最外层区域）。
多源属性信息聚合的操作具体为：将用户中心异构图中，用户的目标邻居兴趣点的兴趣点标识嵌入、空间距离嵌入和平均得分嵌入，分别与对应属性影响因子相乘后，进行求和处理，得到的目标邻居兴趣点嵌入矩阵用于执行节点特征信息聚合的操作；将兴趣点中心异构图中，兴趣点的目标邻居用户的用户标识嵌入、评论时间嵌入和评论文本嵌入，分别与对应属性影响因子相乘后，进行求和处理，得到的目标用户嵌入矩阵用于执行节点特征信息聚合的操作。
得到目标邻居兴趣点嵌入矩阵的操作可通过如下公式实现：
，
表示目标邻居兴趣点v j 嵌入矩阵，/>表示用户中心异构图中兴趣点多源嵌入向量，/>为兴趣点标识嵌入，/>为空间距离嵌入，/>为平均得分嵌入。α k 表示用户多源嵌入向量中，每个属性嵌入对应的属性影响因子，k表示多源属性的某一个属性，M表示多源属性的个数，M=3。对于属性影响因子α k ，可通过构建第一属性卷积矩阵W 1 ，并经softmax函数以一种可训练的方式进行处理得到，其向量表现形状为（M,1）。
得到目标用户嵌入矩阵的操作可通过如下公式实现：
，
表示目标用户嵌入矩阵，/>表示兴趣点中心异构图中用户多源嵌入向量，/>为用户标识嵌入，/>为评论时间嵌入，/>为评论文本嵌入，b k 表示兴趣点多源嵌入向量中，每个属性嵌入对应的属性影响因子，k表示多源属性的某一个属性，M表示多源属性的个数，M=3，W 2 为第二属性卷积矩阵。对于属性影响因子b k ，可通过构建第二属性卷积矩阵W 2 ，并经softmax函数以一种可训练的方式进行处理得到，其向量表现形状为（M,1）。
节点特征信息聚合的操作为：所有目标邻居兴趣点嵌入矩阵，分别与对应节点影响因子相乘后，进行求和处理，得到初始用户嵌入矩阵；所有目标邻居用户嵌入矩阵，分别与对应节点影响因子相乘后，进行求和处理，得到初始兴趣点嵌入矩阵。
得到初始用户嵌入矩阵的操作可通过如下公式实现：
，
为初始用户嵌入矩阵，/>为目标邻居兴趣点v j 嵌入矩阵，/>为用户u i 对目标邻居兴趣点v j 的节点影响因子，/>为用户中心异构图的可训练参数，/>为用户u i 的另一目标邻居兴趣点v t 嵌入矩阵，/>为用户中心异构图中，用户u i 的邻居兴趣点集合，通过使用/>来模拟当兴趣点v j 将消息/>发送给用户u i 时的上下文，σ( )为sigmoid函数。
得到初始兴趣点嵌入矩阵的操作可通过如下公式实现：
，
为初始兴趣点嵌入矩阵，/>为目标邻居用户u i 嵌入矩阵，/>为兴趣点v j 对目标邻居用户u i 的节点影响因子，/>为兴趣点中心异构图的可训练参数，/>为兴趣点v j 的另一目标邻居用户u t 嵌入矩阵，/>为兴趣点中心异构图中，兴趣点v j 的邻居用户集合，通过使用/>来模拟当用户u i 将消息/>发送给兴趣点v j 时的上下文，σ( )为sigmoid函数。
S3、基于获取的用户交互信息和兴趣点交互信息，得到用户交互同构图和兴趣点交互同构图；用户交互同构图和初始用户嵌入矩阵，经第一图注意力处理，得到优化用户嵌入矩阵；兴趣点交互同构图和初始兴趣点嵌入矩阵，经第二图注意力处理，得到优化兴趣点嵌入矩阵。
获取用户交互信息，将用户与访问过相同兴趣点的其他用户连接起来，得到用户交互同构图。获取兴趣点交互信息，将兴趣点与被相同用户访问过的其他兴趣点连接起来，得到兴趣点交互同构图。简单来讲，若两个用户访问了相同的兴趣点，那么这两个用户之间有相似性处，进而将这两个用户进行连接；同样的，若两个兴趣点被同一用户访问了，那么这两个兴趣点之间也有相似性处，进而将这两个兴趣点进行连接。
第一图注意力处理的操作为：将用户交互同构图中，用户的所有初始用户嵌入矩阵，分别依次经多头注意力处理和线性处理后，进行拼接，得到优化用户嵌入矩阵。第二图注意力处理的操作为：将兴趣点交互同构图中，兴趣点的所有初始兴趣点嵌入矩阵，分别依次经多头注意力处理和线性处理后，进行拼接，得到优化兴趣点嵌入矩阵。
多头注意力处理的操作为：将特征输入进行不同注意力池化处理；多头注意力处理可通过将特征输入，分别与不同的注意力影响因子进行相乘实现。线性处理的操作为：将经多头注意力处理后的不同注意力特征输入，分别进行线性处理；线性处理可通过将不同注意力特征输入，分别与不同的线性参数进行相乘实现。
第一图注意力处理的操作可通过如下公式实现：
，
为优化用户嵌入矩阵，/>为用户u i 的当前交互用户u j 的初始用户嵌入矩阵，为用户u i 的当前交互用户u j 的第r个注意力影响因子，W r 为用户u i 的当前交互用户u j 的第r个线性参数，σ( )为sigmoid函数，||为拼接操作，R为注意力头的总数，LeakyReLU( )为LeakyReLU函数，N ho (u i )为用户交互同构图中，用户u i 的交互用户集合，a r 为用户交互同构图中第r个注意力权重，/>为用户u i 的其他交互用户u m 的初始用户嵌入矩阵。
第二图注意力处理的操作可通过如下公式实现：
，
为优化兴趣点嵌入矩阵，/>为兴趣点v i 的当前交互兴趣点v j 的初始兴趣点嵌入矩阵，/>为兴趣点v i 的当前交互兴趣点v j 的第r个注意力影响因子，H r 为兴趣点v i 的当前交互兴趣点v j 的第r个线性参数，σ( )为sigmoid函数，||为拼接操作，R为注意力头的总数，LeakyReLU( )为LeakyReLU函数。N ho (v i )为兴趣点交互同构图中，兴趣点v i 的交互交互集合，d r 为兴趣点交互同构图中第r个注意力权重，/>为兴趣点v i 的其他交互兴趣点v m 的初始用户嵌入矩阵。
为进一步提升优化用户嵌入矩阵或优化兴趣点嵌入矩阵的信息准确性，将优化用户嵌入矩阵或优化兴趣点嵌入矩阵进行图注意力迭代更新处理，得到的最优优化用户嵌入矩阵或优化兴趣点嵌入矩阵，用于执行S4中的操作。
图注意力迭代更新处理的操作为：将前一轮次优化用户嵌入矩阵或前一轮次优化兴趣点嵌入矩阵进行第一图注意力处理，得到当前伦次优化用户嵌入矩阵或当前轮次优化兴趣点嵌入矩阵；当前伦次优化用户嵌入矩阵或当前轮次优化兴趣点嵌入矩阵，分别与预设标准用户嵌入矩阵或预设标准兴趣点嵌入矩阵之间的损失熵小于损失阈值时，输出当前伦次优化用户嵌入矩阵或当前轮次优化兴趣点嵌入矩阵，作为最优优化用户嵌入矩阵或最优兴趣点嵌入矩阵。
S4、基于优化用户嵌入矩阵和优化兴趣点嵌入矩阵，得到兴趣点评分矩阵；获取兴趣点评分矩阵中，评分值大于阈值对应的兴趣点，作为推荐兴趣点。
获取优化用户嵌入矩阵或最优用户嵌入矩阵，分别与优化兴趣点嵌入矩阵和最优兴趣点嵌入矩阵得内积矩阵，得到兴趣点评分矩阵；提取兴趣点评分矩阵中，评分值大于阈值对应的兴趣点，作为推荐兴趣点推荐给用户。通过获取优化用户嵌入矩阵和优化兴趣点嵌入矩阵的内积，可以直观反映出用户的兴趣爱好。
为提高推荐结果的准确率，本实施例通过最小化兴趣点评分矩阵与真实兴趣评分矩阵之间的误差，得到的更新兴趣点评分矩阵，用于获取评分值和推荐兴趣点，以此提高推荐准确度，得到的更新兴趣点评分矩阵的查找可通过如下公式实现：
，
为兴趣点评分矩阵，为预测值，为优化用户嵌入矩阵的转置，MSE为 更新兴趣点评分矩阵，真实兴趣评分矩阵，为可学习参数，为正则化权重， || ||2 为L2范式函数。
本实施例还提供一种基于混合结构图的用户兴趣点推荐系统，包括：
用户多源嵌入向量和兴趣点多源嵌入向量生成模块，用于获取用户多源属性和兴趣点多源属性，分别经初始化嵌入处理，得到用户多源嵌入向量和兴趣点多源嵌入向量；
初始用户嵌入矩阵和初始兴趣点嵌入矩阵生成模块，用于基于用户多源嵌入向量和兴趣点多源嵌入向量，得到用户中心异构图和兴趣点中心异构图；用户中心异构图和兴趣点中心异构图，分别依次经多源属性信息聚合处理和节点特征信息聚合处理，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵；
优化用户嵌入矩阵和优化兴趣点嵌入矩阵生成模块，用于基于获取的用户交互信息和兴趣点交互信息，得到用户交互同构图和兴趣点交互同构图；用户交互同构图和初始用户嵌入矩阵，经第一图注意力处理，得到优化用户嵌入矩阵；兴趣点交互同构图和初始兴趣点嵌入矩阵，经第二图注意力处理，得到优化兴趣点嵌入矩阵；
推荐兴趣点生成模块，用于基于优化用户嵌入矩阵和优化兴趣点嵌入矩阵，得到兴趣点评分矩阵；获取兴趣点评分矩阵中，评分值大于阈值对应的兴趣点，作为推荐兴趣点。
本实施例还提供一种基于混合结构图的用户兴趣点推荐设备，包括处理器和存储器，其中，处理器执行存储器中保存的计算机程序时实现上述的基于混合结构图的用户兴趣点推荐方法。
本实施例还提供一种计算机可读存储介质，用于存储计算机程序，其中，计算机程序被处理器执行时实现上述的基于混合结构图的用户兴趣点推荐方法。
本实施例提供的一种基于混合结构图的用户兴趣点推荐方法，基于自然特性丰富的用户多源属性和兴趣点多源属性，构建用户中心异构图和兴趣点中心异构图，并通过多源属性信息聚合处理实现异构图最外层区域到中间区域的属性信息聚合，通过节点特征信息聚合处理实现异构图中间区域到中心区域的节点信息聚合，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵；接下来，构建用户交互同构图和兴趣点交互同构图，分布与初始用户嵌入矩阵和初始兴趣点嵌入矩阵进行图注意力处理，得到的优化用户嵌入矩阵和优化兴趣点嵌入矩阵，经获取内积处理，获得兴趣点评分矩阵，选取合适评分值，进行兴趣点推荐，可保证推荐结果的准确度，提升了信息推荐的效果和用户的体验感。通过该推荐方法，不仅保留了多源属性的自然特征，还关注了不同实体之间的异质关系和同类实体之间的同质关系，同时也考虑了它们之间的影响程度，实现了推荐准确率更高、效果更好。

Claims (10)

1.一种基于混合结构图的用户兴趣点推荐方法，其特征在于，包括如下操作：
S1、获取用户多源属性和兴趣点多源属性，分别经初始化嵌入处理，得到用户多源嵌入向量和兴趣点多源嵌入向量；
S2、基于所述用户多源嵌入向量和兴趣点多源嵌入向量，得到用户中心异构图和兴趣点中心异构图；
所述用户中心异构图和兴趣点中心异构图，分别依次经多源属性信息聚合处理和节点特征信息聚合处理，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵；
S3、基于获取的用户交互信息和兴趣点交互信息，得到用户交互同构图和兴趣点交互同构图；
所述用户交互同构图和初始用户嵌入矩阵，经第一图注意力处理，得到优化用户嵌入矩阵；
所述兴趣点交互同构图和初始兴趣点嵌入矩阵，经第二图注意力处理，得到优化兴趣点嵌入矩阵；
S4、基于所述优化用户嵌入矩阵和优化兴趣点嵌入矩阵，得到兴趣点评分矩阵；获取所述兴趣点评分矩阵中，评分值大于阈值对应的兴趣点，作为推荐兴趣点。
2.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法，其特征在于，所述S2中，
所述用户中心异构图由多个用户特征区域构成，所述多个用户特征区域中，最外层区域为兴趣点多源嵌入向量，中间区域为兴趣点，中心区域为用户；
所述兴趣点中心异构图由多个兴趣特征区域构成，所述多个兴趣特征区域中，最外层区域为用户多源嵌入向量，中间区域为用户，中心区域为兴趣点。
3.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法，其特征在于，所述S2中多源属性信息聚合的操作具体为：
将所述用户中心异构图中，用户的目标邻居兴趣点的兴趣点标识嵌入、空间距离嵌入和平均得分嵌入，分别与对应属性影响因子相乘后，进行求和处理，得到的目标邻居兴趣点嵌入矩阵用于执行所述节点特征信息聚合的操作；
将所述兴趣点中心异构图中，兴趣点的目标邻居用户的用户标识嵌入、评论时间嵌入和评论文本嵌入，分别与对应属性影响因子相乘后，进行求和处理，得到的目标用户嵌入矩阵用于执行所述节点特征信息聚合的操作。
4.根据权利要求3所述的基于混合结构图的用户兴趣点推荐方法，其特征在于，所述空间距离嵌入，是基于用户对所有邻居兴趣点产生评分的平均经度和平均纬度，以及用户对目标邻居兴趣点产生评分的经度和纬度得到的。
5.根据权利要求3所述的基于混合结构图的用户兴趣点推荐方法，其特征在于，所述节点特征信息聚合的操作具体为：
所有目标邻居兴趣点嵌入矩阵，分别与对应节点影响因子相乘后，进行求和处理，得到所述初始用户嵌入矩阵；
所有目标邻居用户嵌入矩阵，分别与对应节点影响因子相乘后，进行求和处理，得到所述初始兴趣点嵌入矩阵。
6.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法，其特征在于，所述S3中，
所述第一图注意力处理的操作具体为：将所述用户交互同构图中，用户的所有初始用户嵌入矩阵，分别依次经多头注意力处理和线性处理后，进行拼接，得到所述优化用户嵌入矩阵；
所述第二图注意力处理的操作具体为：将所述兴趣点交互同构图中，兴趣点的所有初始兴趣点嵌入矩阵，分别依次经多头注意力处理和线性处理后，进行拼接，得到所述优化兴趣点嵌入矩阵。
7.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法，其特征在于，将所述用户多源嵌入向量中的评论文本嵌入，进行语义特征提取，得到更新评论文本嵌入；所述更新评论文本嵌入用于执行S2中的操作。
8.一种基于混合结构图的用户兴趣点推荐系统，其特征在于，包括：
用户多源嵌入向量和兴趣点多源嵌入向量生成模块，用于获取用户多源属性和兴趣点多源属性，分别经初始化嵌入处理，得到用户多源嵌入向量和兴趣点多源嵌入向量；
初始用户嵌入矩阵和初始兴趣点嵌入矩阵生成模块，用于基于所述用户多源嵌入向量和兴趣点多源嵌入向量，得到用户中心异构图和兴趣点中心异构图；所述用户中心异构图和兴趣点中心异构图，分别依次经多源属性信息聚合处理和节点特征信息聚合处理，得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵；
优化用户嵌入矩阵和优化兴趣点嵌入矩阵生成模块，用于基于获取的用户交互信息和兴趣点交互信息，得到用户交互同构图和兴趣点交互同构图；所述用户交互同构图和初始用户嵌入矩阵，经第一图注意力处理，得到优化用户嵌入矩阵；所述兴趣点交互同构图和初始兴趣点嵌入矩阵，经第二图注意力处理，得到优化兴趣点嵌入矩阵；
推荐兴趣点生成模块，用于基于所述优化用户嵌入矩阵和优化兴趣点嵌入矩阵，得到兴趣点评分矩阵；获取所述兴趣点评分矩阵中，评分值大于阈值对应的兴趣点，作为推荐兴趣点。
9.一种基于混合结构图的用户兴趣点推荐设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7任一项所述的基于混合结构图的用户兴趣点推荐方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于混合结构图的用户兴趣点推荐方法。
CN202311657312.5A 2023-12-06 2023-12-06 基于混合结构图的用户兴趣点推荐方法、系统和设备 Active CN117370672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311657312.5A CN117370672B (zh) 2023-12-06 2023-12-06 基于混合结构图的用户兴趣点推荐方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311657312.5A CN117370672B (zh) 2023-12-06 2023-12-06 基于混合结构图的用户兴趣点推荐方法、系统和设备

Publications (2)

Publication Number Publication Date
CN117370672A true CN117370672A (zh) 2024-01-09
CN117370672B CN117370672B (zh) 2024-02-23

Family

ID=89394888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311657312.5A Active CN117370672B (zh) 2023-12-06 2023-12-06 基于混合结构图的用户兴趣点推荐方法、系统和设备

Country Status (1)

Country Link
CN (1) CN117370672B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855487A (zh) * 2019-11-13 2020-02-28 腾讯科技（深圳）有限公司 网络用户相似度管理方法、装置及存储介质
CN112069415A (zh) * 2020-08-13 2020-12-11 中国海洋大学 一种基于异构属性网络表征学习的兴趣点推荐方法
US20210248461A1 (en) * 2020-02-11 2021-08-12 Nec Laboratories America, Inc. Graph enhanced attention network for explainable poi recommendation
CN113505306A (zh) * 2021-06-21 2021-10-15 广东交通职业技术学院 基于异质图神经网络的兴趣点推荐方法、系统及介质
US20210356290A1 (en) * 2020-09-14 2021-11-18 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for recommending point of interest, device, and medium
CN113918834A (zh) * 2021-10-22 2022-01-11 重庆理工大学 融合社交关系的图卷积协同过滤推荐方法
CN114610989A (zh) * 2022-02-23 2022-06-10 苏州大学 基于异构图动态信息补偿的个性化论文推荐方法及系统
CN115270007A (zh) * 2022-08-17 2022-11-01 烟台大学 一种基于混合图神经网络的poi推荐方法及系统
US20220414792A1 (en) * 2021-06-24 2022-12-29 Jinan University Social recommendation method based on multi-feature heterogeneous graph neural networks
CN115905687A (zh) * 2022-11-01 2023-04-04 山东建筑大学 基于元学习图神经网络面向冷启动的推荐系统及方法
CN116186309A (zh) * 2023-04-21 2023-05-30 江西财经大学 基于融合用户意图的交互兴趣图的图卷积网络推荐方法
CN116244513A (zh) * 2023-02-14 2023-06-09 烟台大学 随机群组poi推荐方法、系统、设备及存储介质
WO2023124005A1 (zh) * 2021-12-28 2023-07-06 北京百度网讯科技有限公司 地图兴趣点查询方法、装置、设备、存储介质及程序产品
CN116701781A (zh) * 2023-06-25 2023-09-05 燕山大学 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
JP2023162154A (ja) * 2022-04-26 2023-11-08 ネイバー コーポレーション 地域知識グラフに基づいて推薦情報を提供する方法、コンピュータ装置、およびコンピュータプログラム

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855487A (zh) * 2019-11-13 2020-02-28 腾讯科技（深圳）有限公司 网络用户相似度管理方法、装置及存储介质
US20210248461A1 (en) * 2020-02-11 2021-08-12 Nec Laboratories America, Inc. Graph enhanced attention network for explainable poi recommendation
CN112069415A (zh) * 2020-08-13 2020-12-11 中国海洋大学 一种基于异构属性网络表征学习的兴趣点推荐方法
US20210356290A1 (en) * 2020-09-14 2021-11-18 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for recommending point of interest, device, and medium
CN113505306A (zh) * 2021-06-21 2021-10-15 广东交通职业技术学院 基于异质图神经网络的兴趣点推荐方法、系统及介质
US20220414792A1 (en) * 2021-06-24 2022-12-29 Jinan University Social recommendation method based on multi-feature heterogeneous graph neural networks
CN113918834A (zh) * 2021-10-22 2022-01-11 重庆理工大学 融合社交关系的图卷积协同过滤推荐方法
WO2023124005A1 (zh) * 2021-12-28 2023-07-06 北京百度网讯科技有限公司 地图兴趣点查询方法、装置、设备、存储介质及程序产品
CN114610989A (zh) * 2022-02-23 2022-06-10 苏州大学 基于异构图动态信息补偿的个性化论文推荐方法及系统
JP2023162154A (ja) * 2022-04-26 2023-11-08 ネイバー コーポレーション 地域知識グラフに基づいて推薦情報を提供する方法、コンピュータ装置、およびコンピュータプログラム
CN115270007A (zh) * 2022-08-17 2022-11-01 烟台大学 一种基于混合图神经网络的poi推荐方法及系统
CN115905687A (zh) * 2022-11-01 2023-04-04 山东建筑大学 基于元学习图神经网络面向冷启动的推荐系统及方法
CN116244513A (zh) * 2023-02-14 2023-06-09 烟台大学 随机群组poi推荐方法、系统、设备及存储介质
CN116186309A (zh) * 2023-04-21 2023-05-30 江西财经大学 基于融合用户意图的交互兴趣图的图卷积网络推荐方法
CN116701781A (zh) * 2023-06-25 2023-09-05 燕山大学 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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FUBO ZHAI 等: "Point of Interest Recommendation Based on Graph Convolutional Neural Network", JOURNAL OF PHYSICS: CONFERENCE SERIES, 12 December 2021 (2021-12-12), pages 1 - 5 *
LI, MEIZI 等: "Cold-start item recommendation for representation learning based on heterogeneous information networks with fusion side information", FUTURE GENERATION COMPUTER SYSTEMS-THE INTERNATIONAL JOURNAL OF ESCIENCE, pages 227 - 239 *
葛尧;陈松灿;: "面向推荐系统的图卷积网络", 软件学报, no. 04, pages 1101 - 1112 *
赵志伟;: "基于Spark的上下文感知推荐算法的研究", 自动化与仪表, no. 07, 25 July 2020 (2020-07-25), pages 101 - 105 *
马文明 等: "融合时空网络和自注意力的兴趣点序列推荐", 计算机工程与设计, pages 590 - 597 *

Also Published As

Publication number Publication date
CN117370672B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
EP4273746A1 (en) Model training method and apparatus, and image retrieval method and apparatus
CN111538912B (zh) 内容推荐方法、装置、设备及可读存储介质
US20230009814A1 (en) Method for training information recommendation model and related apparatus
Santa Cruz et al. Visual permutation learning
CN113535984B (zh) 一种基于注意力机制的知识图谱关系预测方法及装置
Shi et al. Deep adaptively-enhanced hashing with discriminative similarity guidance for unsupervised cross-modal retrieval
CN110704601A (zh) 利用问题-知识引导的渐进式时空注意力网络解决需要常识的视频问答任务的方法
CN114202061A (zh) 基于生成对抗网络模型及深度强化学习的物品推荐方法、电子设备及介质
CN111782826A (zh) 知识图谱的信息处理方法、装置、设备及存储介质
CN111241394A (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN112765480A (zh) 一种信息推送方法、装置及计算机可读存储介质
CN113761153A (zh) 基于图片的问答处理方法、装置、可读介质及电子设备
CN112257841A (zh) 图神经网络中的数据处理方法、装置、设备及存储介质
CN113761220A (zh) 信息获取方法、装置、设备及存储介质
Murrugarra-Llerena et al. Image retrieval with mixed initiative and multimodal feedback
CN117094395B (zh) 对知识图谱进行补全的方法、装置和计算机存储介质
Zheng et al. Kernelized deep learning for matrix factorization recommendation system using explicit and implicit information
CN114282528A (zh) 一种关键词提取方法、装置、设备及存储介质
CN112148994A (zh) 信息推送效果评估方法、装置、电子设备及存储介质
CN116842267A (zh) 基于深度学习的个性化装修方案推荐方法、系统及介质
CN112069404A (zh) 一种商品信息的展示方法、装置、设备和存储介质
CN117370672B (zh) 基于混合结构图的用户兴趣点推荐方法、系统和设备
CN116957128A (zh) 业务指标预测方法、装置、设备和存储介质
CN115730217A (zh) 模型的训练方法、物料的召回方法及装置
CN114996566A (zh) 一种面向工业互联网平台的智能推荐系统及方法

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
GR01 Patent grant
GR01 Patent grant