CN117495481A - 一种基于异构时序图关注度网络的物品推荐方法 - Google Patents
一种基于异构时序图关注度网络的物品推荐方法 Download PDFInfo
- Publication number
- CN117495481A CN117495481A CN202311392063.1A CN202311392063A CN117495481A CN 117495481 A CN117495481 A CN 117495481A CN 202311392063 A CN202311392063 A CN 202311392063A CN 117495481 A CN117495481 A CN 117495481A
- Authority
- CN
- China
- Prior art keywords
- user
- network
- project
- recommendation
- nodes
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000010586 diagram Methods 0.000 title claims abstract description 53
- 230000003993 interaction Effects 0.000 claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102100034626 Germ cell nuclear acidic protein Human genes 0.000 description 1
- 101000995459 Homo sapiens Germ cell nuclear acidic protein Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于异构时序图关注度网络的物品推荐方法,涉及推荐方法技术领域,包括如下步骤:获取电子商务网络中的用户节点和项目节点,构建相似度矩阵,并引入到图卷积神经网络GCN中,构建全新的异构时序图关注度网络,通过全新的异构时序图关注度网络指引每个时序快照中用户节点和项目节点特征的聚合,构建混合跳数Mix‑Hop图关注度模块,并引入到全新的异构时序图关注度网络中,学习不同长度用户‑项目交互的重要性差异。本发明捕捉网络中的用户和项目交互的动态演化,对用户随时间动态变化的兴趣偏好进行获取,确定每个项目节点被用户交互的预测概率,获得推荐结果,更准确地学习用户当前的偏好,从而提高预测的精确度。
Description
技术领域
本发明涉及推荐方法技术领域,特别涉及一种基于异构时序图关注度网络的物品推荐方法。
背景技术
电子商务和互联网的快速发展产生了丰富的信息。然而,信息过多可能导致信息过载问题,使得用户很难获取目标信息。
推荐系统是许多电子商务平台的重要工具,可以通过向用户推荐项目来改善用户体验,并带来更有前途的经济效益。它已广泛用于电子商务网络中的商品推荐、新闻网络中的新闻推荐、广告网络中的广告推荐等领域。随着互联网的发展和数据量的不断增加,推荐系统的需求日益增长,同时也面临着越来越严峻的挑战。如何提高推荐系统的效率和精准度,成为了推荐系统领域中一个重要的研究方向。一个高效的推荐方法对于推荐系统的成功运营和用户满意度的提升都是非常有益的。首先,高效的推荐方法能够更加快速、精准地对用户进行个性化推荐,从而提升推荐系统的整体性能。其次,高效的推荐方法可以更好地捕捉用户的兴趣偏好和行为习惯,建立更加准确的用户画像,为后续的推荐算法提供更加丰富、详尽的用户信息。同时,高效的推荐方法可以更好地满足用户的需求,提高用户的满意度和使用体验,从而增强用户的黏性和忠诚度。最后,高效的推荐方法可以降低推荐系统在计算资源和存储空间等方面的维护成本,从而实现更加经济高效的运营。为了实现一个高效的推荐方法,需要结合多种技术手段,如机器学习、深度学习、图网络等。总之,研究一个高效的推荐方法对于推荐系统的发展和用户体验的提升都有着非常重要的意义,需要引起越来越多的研究者和开发者的关注和重视。
近年来,传统的推荐方法得到了广泛研究,这一点在最近的综述文章中也有所体现。最近,基于表示学习技术的推荐方法被证明比传统的推荐方法更为优越。因此,这里主要介绍基于表示学习技术的推荐方法。
一些研究开始采用基于表示学习的浅层架构的推荐方法。NCF通过多层感知器来嵌入项目和用户,提高了非线性表示能力。Dong等人通过向附加的堆叠降噪自动编码器架构的每一层添加补充信息来学习用户和项目节点。
PSR-vec采用元路径来构建用于技术推荐的异构关系遍历模型。FreeGEM提出了一种增量网络嵌入来嵌入项目和用户节点。MD-MP-TGPS提出了一种元路径时序图概率传播模型用于个性化推荐。然而,因为浅层架构的能力有限,所以它难以学习节点的非线性特征。
一些基于深度学习的推荐方法引起了越来越多研究人员的关注。
DeepCoevolve通过循环神经网络来学习用户和项目节点的嵌入。GC-MC采用图卷积层来构建用户-项目交互。LatentCross利用循环神经网络结合上下文信息进行循环推荐。JODIE采用耦合循环神经网络来嵌入项目和用户的轨迹。ME-DCRSS利用协作推荐模块来学习项目元数据。UI2vec采用特征提取网络学习用户-项目交互以预测用户的兴趣。SASRec利用顺序项目关系构建混合项目图进行顺序推荐。然而,上述方法忽略了不同长度的用户-项目交互,没有学习用户-项目交互的高跳关系。近年来,出现了一些考虑不同长度的用户-项目交互的工作。AutoInt自动学习分类和数字特征的高阶交互,用于在线推荐和广告系统。HHRec通过高阶语义混合图神经网络学习用户和项目的嵌入。GHCF通过多关系GCN推荐模型捕捉用户和项目的高阶交互。然而,这两种方法都忽视了不同长度的用户-项目交互的重要性差异。
基于表示学习技术的推荐方法已被相关研究证明比传统的推荐方法更为优越,它可以分为基于表示学习的浅层架构的推荐方法、基于深度学习的推荐方法和基于GCN的推荐方法。在基于表示学习技术的推荐方法的研究初期,该领域的研究采用基于表示学习的浅层架构的推荐方法,然而,基于表示学习的浅层架构的基线推荐方法由于浅层架构的能力有限,所以它们难以学习推荐网络图中节点的非线性特征;基于深度学习的推荐方法引起了越来越多研究人员的关注,一些基于深度学习的基线推荐方法考虑了推荐网络图中不同长度的用户-项目交互,但是它们都忽视了推荐网络图中不同长度的用户-项目交互的重要性差异;由于GCN具有强大的数据表示能力,因此,基于GCN的推荐方法越来越受到关注,尤其是一些基于GAT的基线推荐模型,它们可以学习推荐网络图中用户-项目交互的不同重要性。
然而,现有的推荐模型都通过自适应训练关注权重来学习模型参数,其时间复杂度较高,无法高效地学习推荐网络图中用户-项目节点交互的重要性。在异构时序推荐网络中,不同长度的用户-项目交互对于目标用户节点具有不同的重要性;然而,现有的推荐模型忽略了不同长度的用户-项目交互的重要性差异,导致推荐效果较差。
发明内容
本发明的目的在于针对上述现有技术的不足,提供一种基于异构时序图关注度网络的物品推荐方法,以解决现有技术中现有的基线推荐模型忽略了不同长度的用户-项目交互的重要性差异的问题。
本发明具体提供如下技术方案:一种基于异构时序图关注度网络的物品推荐方法,包括以下步骤:
获取电子商务网络中的用户节点和项目节点,并基于用户节点和项目节点构建待推荐项目的异构时序网络;其中,用户节点为用户ID,项目节点为物品ID;
将异构时序网络按等时间间隔进行时间切片,生成一个快拍序列;
构建快拍序列中每个快拍的相似度矩阵,并将所述相似度矩阵引入到图神经网络GCN中,构建异构时序图关注度网络;
构建混合跳数Mix-Hop图关注度模块,并将所述Mix-Hop图关注度模块引入到异构时序图关注度网络中,构建异构时序图关注度网络的推荐模型;
将所述用户节点和项目节点输入所述推荐模型中,获取项目节点和用户节点不同距离的邻域混合关系,并通过所述邻域混合关系获取不同长度用户-项目交互的重要性差异;
基于所述不同长度用户-项目交互的重要性差异,确定每个项目节点被用户交互的预测概率,并基于所述预测概率获得物品的推荐结果。
优选的,通过待推荐项目异构图的拓扑信息来获取所述待推荐项目的异构时序网络。
优选的,所述将异构时序网络按等时间间隔进行时间切片,生成一个快拍序列,具体包括步骤:
将异构时序网络G=(U,V)按照等时间间隔分割为t个快拍序列其中,V为异构图项目节点集合,U为异构图用户节点集合,快拍/>为当前时间片。
优选的,所述构建快拍序列中每个快拍的相似度矩阵,具体表达式为:
其中,K表示推荐模型的推荐性能达到最优时所规定的最大交互跳数;τ定义了时序异构推荐网络的每个时序快照中的时间距离,通过改变τ,相似度矩阵捕捉到当前时序快照中具有时间依赖性的K跳公共邻居;表示ui和vi在当前时序快照中的时间距离τ内k跳交互中的公共邻居数量;/>和/>分别定义ui和vi在当前时序快照中的时间距离τ内k跳交互中的邻居数量。
优选的,所述图神经网络GCN构建图关注网络推荐模型,包括如下步骤:
所述GCN的每层定义为:
Hi+1=σ(AH(i)W(i))
其中,GCN第i层的输入层和输出层分别定义为和/>σ表示非线性激活函数,W(i)是一个权重矩阵;Α定义了一个拉普拉斯矩阵,按以下方式构建:
其中,D表示度矩阵,A表示邻接矩阵,IN表示推荐网络的单位矩阵,N表示所有用户和项目节点的数量;
引入用户和项目节点来构建网络的邻接矩阵A。
优选的,将所述相似度矩阵引入到基于GCN的图关注网络推荐模型中,构建全新的异构时序图关注度网络,包括如下步骤:
在所述图神经网络GCN中添加一个强关联的公共高阶邻居相似度矩阵,获得新的拉普拉斯矩阵Αnew,具体表达式为:
所述异构时序图关注度网络通过项目节点和用户节点之间的相似度,指引每个时序快照中用户节点和项目节点特征的聚合,获取用户和项目节点之间的重要性;
其中,是一个强关联的公共高阶邻居相似度矩阵,用于确定项目节点和用户节点之间的相似度,ε用于控制/>的贡献度。
优选的,所述构建混合跳数Mix-Hop图关注度模块,包括步骤:
利用混合跳数Mixhop模型在不同特征空间中混合针对某节点的1-hop,...,P-hop交互的邻居特征,并聚合推荐模型中不同跳数交互中的节点的特征;
所述Mixhop模型的每一层定义如下:
其中,j∈{0,P}是Α的幂次,Αj表示拉普拉斯矩阵Α自乘j次,||表示列向拼接;P是网络中所规定的最大交互跳数;σ表示非线性激活函数; 是长度为j的一个权重矩阵。
优选的,通过所述邻域混合关系获取不同长度用户-项目交互的重要性差异,具体表达式为:
其中,j∈{0,P}代表Αnew的幂次,表示矩阵Αnew自乘j次的结果;由于Αnew包含了长度为1的用户-项目交互的重要性差异,因此/>包含了长度为j的用户-项目交互的重要性差异。
优选的,通过求和取均值的方式将不同长度的用户-项目交互的重要性差异融合在一起,具体表达式为:
其中,P表示推荐模型的推荐性能达到最优时Αnew的最大幂次。
优选的,在使用所述推荐模型确定每个项目节点被用户交互的预测概率时,还利用LSTM捕获所述推荐模型快拍间的时间依赖关系,并采用经典的二元交叉熵损失更新推荐模型的参数,获得推荐性能达到最优的推荐模型。
与现有技术相比,本发明具有如下显著优点:
本发明基于电子商务网络,设计一个新的相似度矩阵,将该矩阵引入到基于GCN的图关注度网络推荐模型中,以构建一个新的时序异构图关注度网络来指导每个时序快照节点特征的聚合,从而更好地学习用户-物品交互的不同重要性,并与Mix-Hop图关注度模块结合获取不同长度用户-项目交互的重要性差异,获得异构时序图关注网络中的用户和项目交互的动态过程,可以更准确地学习用户当前的偏好,从而提高物品推荐预测的精确度。
附图说明
图1为本发明提供的一个针对目标用户的电子商务网络示例图;
图2为本发明的整体流程图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
异构时序图关注度网络推荐方法是一种基于图神经网络和时间序列模型的推荐方法,它将多个异构数据源中的用户、项目和交互行为信息构成一个时序异构图,并利用图神经网络框架学习到节点之间的依赖关系和特征表达,同时结合时间序列模型对用户行为进行建模和预测。不同于传统的推荐算法,异构时序图关注度网络推荐方法通过引入关注度网络来捕捉节点之间的依赖关系和重要程度,从而实现更加精细和准确的任务处理,同时也便于对模型的解释和调整。该方法已被广泛应用于电商、社交网络等领域,具有很高的实际应用价值。
近年来,一些研究已经出现了基于图关注度网络(Graph Attention Network,GAT)的推荐方法,然而,这些推荐方法主要通过自适应训练关注权重学习模型参数,其时间复杂度较高。此外,这种针对下游任务的自适应训练关注权重的机制也不是一种直观易懂的机制。因此,提出一种低复杂度且具有直观解释的关注度机制非常必要。
此外,不同长度的用户-项目交互对于目标节点学习具有不同的重要性。例如,图1展示了一个针对目标用户的电子商务网络示例,其中包含用户和项目节点,项目节点与用户节点之间的实线描述了用户与项目交互的权重。从图1b可以看出,目标用户的1长度的用户-项目交互具有来自不同项目节点的不同贡献。类似地,目标用户的长度为2的用户-项目交互具有来自不同用户和项目节点的不同贡献,如图1c所示。综上所述,不同长度的用户-项目交互的重要性差异对于推荐性能有明显的影响。然而,存在的推荐方法忽略了不同长度的用户-项目交互的重要性差异。因此,这方面的研究还有待进一步完善。
为了解决现有技术存在的问题,本发明提出了一个全新的异构时序图关注度网络推荐方法。具体而言,本发明首先将一个新设计的强关联公共高阶邻居(Connected CommonHigh-order Neighbor,CCHoN)相似度矩阵引入到图卷积网络中,以构建一个新的异构时序图关注度网络来学习用户-项目节点间的重要性,并指引每个时序快照中节点特征的聚合,这样,本发明就无需通过自适应训练关注权重来学习模型参数,从而有效地降低了时间复杂度,并且可以更好地学习时序推荐网络图中各时序快照中的用户-项目交互的重要性差异。然后,本发明在新提出的异构时序图关注度网络中增加了一个新设计的Mix-Hop图关注度模块,用于自动学习时序推荐网络图中各时序快照中的不同长度的用户-项目交互的重要性差异。最后,本发明采用经典的长短期记忆模型(Long Short-TermMemory,LSTM)来更新模型参数,并捕获推荐过程中各个时序快照之间的时间依赖关系。
为了便于理解和说明,如附图2所示,本发明提供了一种基于异构时序图关注度网络的物品推荐方法,包括以下步骤:
步骤S1:获取电子商务网络中的用户节点和项目节点,并基于用户节点和项目节点构建待推荐项目的异构时序网络;其中,用户节点为用户ID,项目节点为物品ID。
其中,通过待推荐项目异构图的拓扑信息来获取所述待推荐项目的异构时序网络。
步骤S2:将异构时序网络按等时间间隔进行时间切片,生成一个快拍序列。将快拍序列中每个快拍作为一张静态图;其中静态图包括用户节点和项目节点。
具体为:将异构时序网络G=(U,V)按照等时间间隔分割为t个快拍序列其中,V为异构图项目节点集合,U为异构图用户节点集合,快拍/>为当前时间片。
步骤S3:构建快拍序列中每个快拍的相似度矩阵,并将所述相似度矩阵引入到图神经网络GCN中,构建全新的异构时序图关注度网络。
本步骤中,构建每个快拍的相似度矩阵,确定项目节点和用户节点之间的相似度,具体表达式为:
其中,K表示推荐模型的推荐性能达到最优时所规定的最大交互跳数。τ定义了时序异构推荐网络的每个时序快照中的时间距离,通过改变τ,CCHoN可以捕捉到当前时序快照中具有强时间依赖性的K跳公共邻居。表示ui和vi在当前时序快照中的时间距离τ内k跳交互中的公共邻居数量。/>和/>分别定义ui和vi在当前时序快照中的时间距离τ内k跳交互中的邻居数量。与传统的基于GCN的方法相比,后者仅利用A+IN来指引节点特征的聚合。本发明将CCHoN相似度矩阵作为一个附加项引入到GCN中,以进一步指引节点聚合。因此,本发明可以更好地学习用户-项目交互的不同重要性。此外,本发明利用参数ε来控制CCHoN的贡献。
其中,异构时序图关注度网络通过项目节点和用户节点之间的相似度,指引每个时序快照中用户节点和项目节点特征的聚合,获取用户和项目节点之间的重要性。
本步骤中,基于图神经网络GCN构建图关注网络推荐模型,具体步骤为:
因为GCN拥有强大的数据表示能力,所以它在推荐系统中获得了卓越的性能,并引起了越来越多的关注。GCN的每一层定义如下:
Hi+1=σ(AH(i)W(i)) (2)
GCN第i层的输入层和输出层分别定义为和/>σ表示非线性激活函数,W(i)是一个权重矩阵。Α定义了一个拉普拉斯矩阵,可以按以下方式构建:
其中,D表示度矩阵,A表示邻接矩阵,IN表示推荐网络的单位矩阵,N表示所有用户和项目节点的数量。然而,GCN主要用于同构网络的表示学习,而不能直接用于异构网络。为了适应推荐网络,本发明引入用户和项目节点来构建网络的邻接矩阵A。此外,大多数现有的基于GCN的方法通过对项目特征进行平均聚合而计算用户特征,这可能无法学习到不同项目对用户的重要性。尽管现有的基于GAT的方法可以学习用户和项目节点之间的重要性,但其计算过程耗时且不易理解。因此,本发明在GCN中添加了一个强关联的公共高阶邻居(CCHoN)相似度矩阵来进一步引导节点特征的聚合。新的拉普拉斯矩阵Αnew定义如下:
其中,是一个强关联的公共高阶邻居相似度矩阵,用于确定项目节点和用户节点之间的相似度,ε用于控制/>的贡献度。
步骤S4:构建混合跳数Mix-Hop图关注度模块,并将Mix-Hop图关注度模块引入到异构时序图关注度网络中,构建异构时序图关注度网络的推荐模型。
本步骤中,设计一个Mix-Hop图关注度模块,并将其引入到新提出的异构时序图关注度网络中,让模型能够自动学习不同长度的用户-项目交互的重要性差异,具体方案如下:
Mixhop模型可以学习网络中节点不同距离的邻域混合关系。具体而言,它在不同特征空间中混合了针对某节点的1-hop,...,P-hop交互的邻居们的特征,并且可以聚合网络中不同跳数交互中的节点的特征。Mixhop的每一层定义如下:
与公式1中定义的GCN层相比,Mixhop添加了以下参数:j∈{0,P}是Α的幂次。Αj表示拉普拉斯矩阵Α自乘j次,||表示列向拼接。;σ表示非线性激活函数;是长度为j的一个权重矩阵。这样,Mixhop模型就可以从某节点的1-hop,...,P-hop交互的邻居们中学习不同特征空间中的特征。P是网络中所规定的最大交互跳数。然而,Mixhop仅适用于同构网络,而推荐网络通常是异构的,由不同类型的节点和边组成。此外,该模型无法识别不同特征空间中的重要性差异。
步骤S5:将用户节点和项目节点输入所述推荐模型中,获取项目节点和用户节点不同距离的邻域混合关系,并通过邻域混合关系获取不同长度用户-项目交互的重要性差异。
本步骤中,为了学习推荐网络中不同长度的用户-项目交互之间的不同重要性,本发明提出了一个Mix-Hop图关注度模块,具体定义如下所示:
其中,Αnew是本发明提出的新的拉普拉斯矩阵,它引入了CCHoN相似度矩阵来指引用户-项目节点特征的聚合。j∈{0,P}代表Αnew的幂次,表示矩阵Αnew自乘j次的结果,由于Αnew包含了长度为1的用户-项目交互的重要性差异,因此/>包含了长度为j的用户-项目交互的重要性差异。
为了包含长度为1-length,...,P-length的所有用户-项目交互的重要性差异,本发明通过求和取均值的方式将不同长度的用户-项目交互的重要性差异融合在一起,即P表示推荐模型的推荐性能达到最优时Αnew的最大幂次。这样,本发明就可以自动学习不同长度的用户-项目交互的重要性差异。
步骤S6:基于不同长度用户-项目交互的重要性差异,确定每个项目节点被用户交互的预测概率,并基于所述预测概率获得物品的推荐结果。
利用long short-term memory(LSTM)来捕获推荐模型快拍间的时间依赖关系,并得到每个节点的向量表示。
本发明采用经典的长短期记忆网络(LSTM)来捕获推荐过程中所有时序快照之间的时间依赖关系,并采用经典的二元交叉熵损失(binary cross-entropy loss)来更新模型参数。
术语解释:异构时序图:是指在图结构中存在多种类型的节点和边,且节点和边具有时间属性的图。图关注度网络:是一种用于图数据的深度学习模型,特别适用于处理节点之间具有复杂关系的图结构数据。图关注度网络通过引入关注度机制,允许节点在信息传递和聚合过程中自动学习不同邻居点的重要性。时序推荐网络:该网络由节点和边组成,节点通常表示用户或项目,边表示用户与项目之间的交互关系或其他关联关系,用于建模用户行为和兴趣演化随时间变化的图结构。图嵌入:是指将图中的节点或边映射为低维连续向量空间中的表示形式。推荐方法:是指根据用户的兴趣和需求,从大量可供选择的项目中提供个性化推荐的算法和技术。
以上内容是结合具体优选实施方式对本发明做进一步详细说明,对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于异构时序图关注度网络的物品推荐方法,其特征在于,包括以下步骤:
获取电子商务网络中的用户节点和项目节点,并基于用户节点和项目节点构建待推荐项目的异构时序网络;其中,用户节点为用户ID,项目节点为物品ID;
将异构时序网络按等时间间隔进行时间切片,生成一个快拍序列;
构建快拍序列中每个快拍的相似度矩阵,并将所述相似度矩阵引入到图神经网络GCN中,构建异构时序图关注度网络;
构建混合跳数Mix-Hop图关注度模块,并将所述Mix-Hop图关注度模块引入到异构时序图关注度网络中,构建异构时序图关注度网络的推荐模型;
将所述用户节点和项目节点输入所述推荐模型中,获取项目节点和用户节点不同距离的邻域混合关系,并通过所述邻域混合关系获取不同长度用户-项目交互的重要性差异;
基于所述不同长度用户-项目交互的重要性差异,确定每个项目节点被用户交互的预测概率,并基于所述预测概率获得物品的推荐结果。
2.根据权利要求1所述的一种基于异构时序图关注度网络的物品推荐方法,其特征在于,所述生成一个快拍序列后,将快拍序列中每个快拍作为一张静态图;其中所述静态图包括用户节点和项目节点。
3.根据权利要求1所述的一种基于异构时序图关注度网络的物品推荐方法,其特征在于,所述将异构时序网络按等时间间隔进行时间切片,生成一个快拍序列,具体包括步骤:
将异构时序网络G=(U,V)按照等时间间隔分割为t个快拍序列其中,V为异构图项目节点集合,U为异构图用户节点集合,快拍/>为当前时间片。
4.如权利要求1所述的一种基于异构时序图关注度网络的物品推荐方法,其特征在于,所述构建快拍序列中每个快拍的相似度矩阵,具体表达式为:
其中,K表示推荐模型的推荐性能达到最优时所规定的最大交互跳数;τ定义了异构时序推荐网络的每个时序快照中的时间距离,通过改变τ,相似度矩阵捕捉到当前时序快照中具有时间依赖性的K跳公共邻居;表示ui和vi在当前时序快照中的时间距离τ内k跳交互中的公共邻居数量;/>和/>分别定义ui和vi在当前时序快照中的时间距离τ内k跳交互中的邻居数量。
5.如权利要求1所述的一种基于异构时序图关注度网络的物品推荐方法,其特征在于,基于所述图神经网络GCN构建图关注网络推荐模型,包括如下步骤:
所述图神经网络GCN的每层定义为:
Hi+1=σ(AH(i)W(i))
其中,GCN第i层的输入层和输出层分别定义为和/>σ表示非线性激活函数,W(i)是一个权重矩阵;Α定义了一个拉普拉斯矩阵,按以下方式构建:
其中,D表示度矩阵,A表示邻接矩阵,IN表示推荐网络的单位矩阵,N表示所有用户和项目节点的数量;
引入用户和项目节点来构建网络的邻接矩阵A。
6.如权利要求5所述的一种基于异构时序图关注度网络的物品推荐方法,其特征在于,将所述相似度矩阵引入到图神经网络GCN中,构建全新的异构时序图关注度网络,包括如下步骤:
在所述图神经网络GCN中添加一个强关联的公共高阶邻居相似度矩阵,获得新的拉普拉斯矩阵Αnew,具体表达式为:
所述异构时序图关注度网络通过项目节点和用户节点之间的相似度,指引每个时序快照中用户节点和项目节点特征的聚合,获取用户和项目节点之间的重要性;
其中,是一个强关联的公共高阶邻居相似度矩阵,用于确定项目节点和用户节点之间的相似度,ε用于控制/>的贡献度。
7.如权利要求1所述的一种基于异构时序图关注度网络的物品推荐方法,其特征在于,所述构建混合跳数Mix-Hop图关注度模块,包括步骤:
利用混合跳数Mixhop模型在不同特征空间中混合针对某节点的1-hop,...,P-hop交互的邻居特征,并聚合推荐模型中不同跳数交互中节点的特征;
所述Mixhop模型的每一层定义如下:
其中,j∈{0,P}是Α的幂次,Αj表示拉普拉斯矩阵Α自乘j次,||表示列向拼接;P是网络中所规定的最大交互跳数;σ表示非线性激活函数; 是长度为j的一个权重矩阵。
8.如权利要求7所述的一种基于异构时序图关注度网络的物品推荐方法,其特征在于,通过所述邻域混合关系获取不同长度用户-项目交互的重要性差异,具体表达式为:
其中,j∈{0,P}代表Αnew的幂次,表示矩阵Αnew自乘j次的结果;由于Αnew包含了长度为1的用户-项目交互的重要性差异,因此/>包含了长度为j的用户-项目交互的重要性差异。
9.如权利要求8所述的一种全新的异构时序图关注度网络的推荐方法,其特征在于,通过求和取均值的方式将不同长度的用户-项目交互的重要性差异融合在一起,具体表达式为:
其中,P表示推荐模型的推荐性能达到最优时Αnew的最大幂次。
10.如权利要求1所述的一种全新的异构时序图关注度网络的推荐方法,其特征在于,在使用所述推荐模型确定每个项目节点被用户交互的预测概率时,还利用LSTM捕获所述推荐模型快拍间的时间依赖关系,并采用经典的二元交叉熵损失更新推荐模型的参数,获得推荐性能达到最优的推荐模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311392063.1A CN117495481B (zh) | 2023-10-25 | 2023-10-25 | 一种基于异构时序图关注度网络的物品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311392063.1A CN117495481B (zh) | 2023-10-25 | 2023-10-25 | 一种基于异构时序图关注度网络的物品推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495481A true CN117495481A (zh) | 2024-02-02 |
CN117495481B CN117495481B (zh) | 2024-06-11 |
Family
ID=89681915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311392063.1A Active CN117495481B (zh) | 2023-10-25 | 2023-10-25 | 一种基于异构时序图关注度网络的物品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495481B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199924A (zh) * | 2014-09-01 | 2014-12-10 | 北京交通大学长三角研究院 | 选择具有快照关系的网络表格的方法及装置 |
CN104484365A (zh) * | 2014-12-05 | 2015-04-01 | 华中科技大学 | 一种多源异构网络中社会关系的预测方法与系统 |
US10120764B1 (en) * | 2016-07-29 | 2018-11-06 | Nutanix, Inc. | Efficient disaster recovery across heterogeneous storage systems |
CN111476673A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于神经网络的社交网络间用户对齐的方法、装置、介质 |
CN111832724A (zh) * | 2020-07-14 | 2020-10-27 | 西北工业大学 | 一种基于深度神经网络的异构网络推荐算法 |
CN113505294A (zh) * | 2021-06-15 | 2021-10-15 | 黄萌 | 一种融合元路径的异质网络表示推荐算法 |
WO2021252090A1 (en) * | 2020-06-12 | 2021-12-16 | F. Hoffmann-La Roche Ag | Big data processing for facilitating coordinated treatment of individual multiple sclerosis subjects |
US20220309334A1 (en) * | 2021-03-23 | 2022-09-29 | Adobe Inc. | Graph neural networks for datasets with heterophily |
CN115329215A (zh) * | 2022-08-19 | 2022-11-11 | 北京建筑大学 | 异构网络中基于自适应动态知识图谱的推荐方法及系统 |
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 |
-
2023
- 2023-10-25 CN CN202311392063.1A patent/CN117495481B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199924A (zh) * | 2014-09-01 | 2014-12-10 | 北京交通大学长三角研究院 | 选择具有快照关系的网络表格的方法及装置 |
CN104484365A (zh) * | 2014-12-05 | 2015-04-01 | 华中科技大学 | 一种多源异构网络中社会关系的预测方法与系统 |
US10120764B1 (en) * | 2016-07-29 | 2018-11-06 | Nutanix, Inc. | Efficient disaster recovery across heterogeneous storage systems |
CN111476673A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于神经网络的社交网络间用户对齐的方法、装置、介质 |
WO2021252090A1 (en) * | 2020-06-12 | 2021-12-16 | F. Hoffmann-La Roche Ag | Big data processing for facilitating coordinated treatment of individual multiple sclerosis subjects |
CN111832724A (zh) * | 2020-07-14 | 2020-10-27 | 西北工业大学 | 一种基于深度神经网络的异构网络推荐算法 |
US20220309334A1 (en) * | 2021-03-23 | 2022-09-29 | Adobe Inc. | Graph neural networks for datasets with heterophily |
CN113505294A (zh) * | 2021-06-15 | 2021-10-15 | 黄萌 | 一种融合元路径的异质网络表示推荐算法 |
CN115329215A (zh) * | 2022-08-19 | 2022-11-11 | 北京建筑大学 | 异构网络中基于自适应动态知识图谱的推荐方法及系统 |
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 |
Non-Patent Citations (4)
Title |
---|
MINGXIA ZHAO 等: "Multi-View Heterogeneous Graph Attention Network", 《2023 26TH INTERNATIONAL CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN (CSCWD)》, 22 June 2023 (2023-06-22) * |
XIAN MO 等: "A relation-aware heterogeneous graph convolutional network for relationship prediction", 《INFORMATION SCIENCES》, 22 December 2022 (2022-12-22) * |
李亚莹;: "基于异构信息网络表征学习的推荐方法", 现代计算机, no. 04, 5 February 2020 (2020-02-05) * |
陈仁钦: "基于异构图注意力网络和循环神经网络的推荐算法", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 10, 15 October 2022 (2022-10-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117495481B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275964B (zh) | 基于知识图谱与循环神经网络的推荐模型 | |
CN112765486B (zh) | 一种融合知识图谱的注意力机制的电影推荐方法 | |
CN112613602A (zh) | 基于知识感知超图神经网络的推荐方法及系统 | |
CN109190030B (zh) | 融合node2vec和深度神经网络的隐式反馈推荐方法 | |
CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
CN113868474A (zh) | 一种基于自注意力机制和动态图的信息级联预测方法 | |
Zarzour et al. | RecDNNing: a recommender system using deep neural network with user and item embeddings | |
CN114971784B (zh) | 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 | |
CN114282077A (zh) | 一种基于会话数据的会话推荐方法及系统 | |
CN113705099A (zh) | 基于对比学习的社交平台谣言检测模型构建方法及检测方法 | |
Zhang | Simultaneous optimization for robust correlation estimation in partially observed social network | |
CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及系统 | |
Chen et al. | Poverty/investment slow distribution effect analysis based on Hopfield neural network | |
CN117390266B (zh) | 基于高阶邻居生成算法与异构图神经网络的项目推荐方法 | |
Li et al. | Session Recommendation Model Based on Context‐Aware and Gated Graph Neural Networks | |
CN112231579A (zh) | 基于隐式社群发现的社会化视频推荐系统与方法 | |
CN117495481B (zh) | 一种基于异构时序图关注度网络的物品推荐方法 | |
CN114842247B (zh) | 基于特征累加的图卷积网络半监督节点分类方法 | |
Zhang et al. | A factored similarity model with trust and social influence for top-n recommendation | |
CN115063251A (zh) | 基于关系强度与反馈机制的社交传播动态网络表示方法 | |
CN113704318A (zh) | 基于频繁模式图嵌入的循环神经网络fpgnn预测行为轨迹方法 | |
CN114417124A (zh) | 一种多任务强化学习推荐方法 | |
CN112686736B (zh) | 一种系统推荐方法 | |
CN116932887B (zh) | 一种基于多模态图卷积的影像推荐系统及方法 | |
Sun | User behavior analysis of cloud service based on graph neural network research on personalized recommendation algorithm |
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 |