CN117575744A - 一种基于用户关联关系的物品推荐方法及系统 - Google Patents
一种基于用户关联关系的物品推荐方法及系统 Download PDFInfo
- Publication number
- CN117575744A CN117575744A CN202410053594.6A CN202410053594A CN117575744A CN 117575744 A CN117575744 A CN 117575744A CN 202410053594 A CN202410053594 A CN 202410053594A CN 117575744 A CN117575744 A CN 117575744A
- Authority
- CN
- China
- Prior art keywords
- node
- user
- nodes
- relation
- time
- 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 24
- 239000013598 vector Substances 0.000 claims abstract description 96
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000005295 random walk Methods 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims description 24
- 230000005012 migration Effects 0.000 claims description 14
- 238000013508 migration Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 5
- 230000014509 gene expression Effects 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
Abstract
本发明公开了一种基于用户关联关系的物品推荐方法及系统,该方法包括:基于关系发生时间抽取节点关联关系;根据节点关联关系构建异构图;对异构图中的节点进行有偏的随机游走,获取异构图中所有节点的节点序列;获取节点的特征嵌入向量;根据节点之间关系发生的时间构建时间权重;利用用户节点的特征嵌入向量、物品节点的特征嵌入向量以及时间权重计算用户和物品之间的相似度,并根据相似度进行物品推荐。本发明将异构图的嵌入方法带入物品推荐场景,通过多种游走方式挖掘用户物品的不同关联关系,并融合节点自身特征构成网络训练得到最终的节点嵌入向量。再根据时间衰减因子有针对性地赋予不同时间周期下结果的不同权重,做到个性化结果推荐。
Description
技术领域
本发明属于物品推荐技术领域,尤其涉及一种基于用户关联关系的物品推荐方法及系统。
背景技术
近年来信息技术和互联网的快速发展,大数据时代的到来,人们面临着海量信息,如何高效地获取感兴趣的信息成为一个重要的问题。推荐系统正是在这样的背景下应运而生,旨在帮助用户更快地找到想要的数据,发现潜在的兴趣和需求。
当前,推荐系统也在不断演进和改进。目前,常见的text Embedding技术和图像embedding技术都被广泛应用于推荐系统中,如静态向量(word2vec、fasttext、glove)和动态向量(ELMO、GPT、BERT)。此外,基于图嵌入(Graph Embedding)的技术也在推荐系统中逐渐流行起来,该技术能够利用图中节点与节点之间的关系对其进行向量化,从而更好地表示用户和商品之间的复杂关系。
现有推荐技术主要存在以下两个方面的不足,其一是注重样本的自身特征,缺乏对用户与物品之间的关联关系的实时性关注,而用户实时的反馈更加能够体现用户的实时偏好;其二是过度关注关联关系而忽略了用户与物品本身的特征,无法做到兼顾。
发明内容
有鉴于此,本发明提供一种基于用户关联关系的物品推荐方法及系统, 将用户商品自身特征与其潜在关联联系结合,实现精准推荐。
为解决以上技术问题,本发明的技术方案为采用一种基于用户关联关系的物品推荐方法,包括:
基于关系发生时间抽取节点关联关系;
根据节点关联关系构建异构图;
对异构图中的节点进行有偏的随机游走,获取异构图中所有节点的节点序列;
对节点的节点序列进行嵌入获取图关系结构化特征向量;对节点的属性进行投影获取节点的基础属性映射特征向量;将图关系结构化特征向量与节点的基础属性映射特征向量进行拼接后输入神经网络获取该节点的特征嵌入向量;
根据节点之间关系发生的时间构建时间权重;
利用用户节点的特征嵌入向量、物品节点的特征嵌入向量以及时间权重计算用户和物品之间的相似度,并根据相似度进行物品推荐。
作为一种改进,所述节点关联关系以用户和物品为节点并构建节点之间的相互关系,且每个节点包含各自的属性;所述异构图以用户和物品为节点以关系为连边,并且根据交互次数为连边赋予权重。
作为一种进一步的改进,根据异构图中连边的权重,利用metaPath2Vec算法对异构图中的节点进行有偏的随机游走。
作为另一种更进一步的改进,所述进行有偏的随机游走的策略包括:用户-物品-用户、用户-用户-物品-用户或物品-用户-物品中的一种或者几种。
作为一种改进,利用word2Vec算法对节点的节点序列进行嵌入获取图关系结构化特征向量。
作为一种改进,利用公式
计算节点的基础属性映射特征向量;其中,为节点v的基础属性映射特征向量,为原始/>类型的节点v的特征;/>为/>类型的节点变换参数权值矩阵。
作为一种改进,利用公式
计算时间权重;其中Ti为时间权重,为当前时间,/>为时间衰减系数,/>为关系发生的时间。
作为一种改进,利用公式
计算用户和物品之间的相似度,其中为用户j和物品k之间的相似度,Ti为时间权重,T为关系的数量,αj为用户j的特征向量,βk为物品k的特征向量。
作为一种改进,根据用户和物品之间的相似度由高到低进行排序,将序列中前N个物品推荐给该用户。
本发明还提供一种基于用户关联关系的物品推荐系统,包括:
关联关系构建模块,用于基于关系发生时间抽取节点关联关系;
异构图构建模块,用于根据节点关联关系构建异构图;
异构图游走模块,用于对异构图中的节点进行有偏的随机游走,获取异构图中所有节点的节点序列;
特征向量获取模块,用于对节点的节点序列进行嵌入获取图关系结构化特征向量;对节点的属性进行投影获取节点的基础属性映射特征向量;将图关系结构化特征向量与节点的基础属性映射特征向量进行拼接后输入神经网络获取该节点的特征嵌入向量;
时间权重获取模块,用于根据节点之间关系发生的时间构建时间权重;
相似度计算模块,用于利用用户节点的特征嵌入向量、物品节点的特征嵌入向量以及时间权重计算用户和物品之间的相似度;
推荐模块,用于根据相似度进行物品推荐。
本发明的有益之处在于:
本发明首先根据关系时间构建用户-物品关系图,其之间产生的关系可以是多种多样的,例如用户对物品的浏览、点击、收藏等等不同的关系。再根据其关系的强弱对连边赋予不同的权重,构建成了一张带权重用户与物品的关联关系异构图。
其次,为了最终能够得到节点的向量用于下游的任务,需要利用游走的方式获取节点之间连接特性。在本发明中,由于节点的连边具有不同的权重的特点,为了能够更加清楚表达出节点与节点之间的连接强弱特性,利用带权重的有偏的随机游走方式得到图的文档表达,能够获得比随机更加具有偏重性的表达,更加契合业务的需求。此外,由于图的节点具有不同的类别,因此我们更希望得到同类型节点表达距离相近,不同类型的节点表达距离相对较远,在本发明中,为了解决这个问题,游走的方式采用metaPath2Vec算法,设置游走元路径,限制随机游走的路径特点。最后采用word2Vec的方法就得到了节点嵌入的向量表达。该向量能够表达节点(用户、物品)之间的交互特性,并且在一定程度上能够将不同类型的节点之间的特性进行区分,也就是说该向量能够描述节点的结构化特性。除此之外,节点自身也具有一定的特征,例如用户的性别、年龄等基本属性,物品的类别属性等基本标签。这个基本属性的信息对于推荐模型来说也非常重要,这里将基础属性经过变换后与游走嵌入向量联合,输入神经网络进行训练,并根据目标节点与其采样的负样本进行无监督的训练,训练目标为相邻节点、同类型节点距离小,不相邻节点、不同类型节点距离大,最终训练生成节点嵌入的神经网络。
最后,根据不同的时间周期下推荐的结果乘以一定的时间衰减因子,目的在于将用户的行为赋予不同的权重,遵循时间越近权重越大的原则,这样能够更好地实时捕捉用户偏好需求,再根据向量的距离得到推荐结果进而实时化推荐。
附图说明
图1为本发明的流程图。
图2为关系图示例。
图3为异构图示例。
图4为本发明的结构原理图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合具体实施方式对本发明作进一步的详细说明。
中国专利CN202210170463.7公开了一种基于异构图动态信息补偿的个性化论文推荐方法,方法首先从学术HIN中按照有向边以及节点出入度游走方式提取多样化的交互元路径;然后通过采样得到的多种元路径来学习用户节点和论文节点的嵌入并用全连接层进行融合,作为总体兴趣和受众趋势的表达,再利用结合了注意机制的双向长短期记忆神经网络(Bi-LSTM)捕捉隐藏在用户、论文历史数据中的动态变化,来融合成短期变化趋势的表达;最后,利用用户和论文短期变化趋势表达得到的链接预测结果来补偿总体趋势表达得到的链接预测结果。
上述现有技术中,没有利用节点(用户、论文)的基础属性特征,仅仅利用了用户与论文的阅读关联关系进行节点嵌入。在进行游走时,采用的是随机游走(deepwalk)得到序列,忽视了节点之间关系的权重。并且上述现有技术中还同样忽视了关系发生时间对最终推荐结果的影响。
为了解决上述技术问题,如图1所示,本发明提供一种基于用户关联关系的物品推荐方法,其具体步骤包括:
S1基于关系发生时间抽取节点关联关系。
本发明中,所述节点关联关系以用户和物品为节点并构建节点之间的相互关系,且每个节点包含各自的属性。如图2所示,展示了用户-物品的关系图。其中,用户和物品的关系可以包括浏览、点击、收藏等,还包括浏览、点击、收藏的次数。用户的属性包括性别、年龄、职业、学历等等,而根据物品的不同,其属性也包括名称、类别、价格等。
当然,除了用户-物品的关系图,还可能包括用户-用户的关系图,例如两个用户之间添加了好友,同样可构建关系图。
关系图基于该关系发生的时间进行构建。
S2根据节点关联关系构建异构图。
本发明中,所述异构图以用户和物品为节点以关系(点击、浏览、收藏、好友)为连边,并且根据交互次数为连边赋予权重,例如用户A点击物品a三次,浏览三次,则权重为6。如图3所示,展示了一个简化后的异构图。图中,用户A与物品a的关系为浏览和点击,而与物品b的关系为收藏。而物品a和物品b同样与用户B有着浏览以及浏览、点击的关系。而用户A和B之间通过物品a和物品b也建立了间接关系。
另外,用户A和用户C之间为好友关系,而物品c与用户C之间为浏览关系。通过用户C,物品c与用户A之间也建立了间接关系。
物品和物品之间不会直接建立关系,只能通过中间的用户建立间接关系。
S3对异构图中的节点进行有偏的随机游走,获取异构图中所有节点的节点序列。
根据步骤S2中创建的异构图,为了得到节点的结构化信息,需要采用节点游走的方式得到节点文档。由于传统的游走算法都是基于同构图(也就是图中只存在一种节点类型)的基础上提出进行的,图中所有的节点同时享有同等的地位。因此,在游走时只需要考虑游走的方向而不用考虑游走到的节点是否符合接下来下游算法的业务逻辑。而异构图中则需要考虑游走的业务逻辑合理性,例如,为了使得同类型的节点具有更加相似的嵌入表达,则需要将游走的路径进行适当的限制,以达到业务上的合理性。根据步骤S2中构建的异构图的特点,用户物品间的关系往往是以用户-物品-用户、用户-用户-物品-用户、物品-用户-物品三种方式中的一种或者多种来呈现的。
本发明中,采用metaPath2Vec算法的游走思想,规定了游走的元路径,主要存在以下三种游走元路径策略:用户-物品-用户、用户-用户-物品-用户、物品-用户-物品,其表达为:
metaPaths=[[user,item,user],
[user,user,itme,user],
[item,user,itme]]。
另外,本发明中根据异构图中连边的权重,利用metaPath2Vec算法对异构图中的节点进行有偏的随机游走。结合连边中浏览次数、点击次数等连边的权重,有偏地进行节点的游走。并将其游走策略限制在以上三种元路径的模式下,并设定相应的游走步长S与游走次数N,最终就可以得到异构图的节点序列表达。
在MetaPath2Vec算法中,有偏的随机游走是指在进行节点游走时,根据节点之间的边权重和类型来随机选择下一个访问的节点,从而增加游走路径的偏向性。这种偏向性可以用来凸显不同节点之间的连接强弱特性,更好地捕捉节点之间的关系。
传统的随机游走是在节点的邻居中随机选择下一个访问的节点。然而,在具有权重的边的图中,某些边可能具有更高的权重,表示节点之间的连接更强。而其他边可能具有较低的权重,表示连接较弱。为了在游走路径中考虑这种连接强弱的特性,有偏的随机游走使用边的权重作为节点选择的依据。
具体而言,有偏的随机游走在选择下一个节点时会根据边的权重给予不同的概率。边的权重可以是边的统计数量、边的重要度或者其他衡量指标。通过根据权重调整下一个节点的选择概率,可以使游走在路径选择时更加倾向于选择具有更强连接的节点。这样,生成的节点序列中会更多地包含那些与起始节点连接较强的节点,从而更好地反映节点之间的连接强弱关系。
通过应用有偏的随机游走,MetaPath2Vec算法可以更好地利用边的权重和类型信息,捕捉到图中节点之间的语义和结构特性,进而提高节点表示学习的质量和效果。
S4对节点的节点序列进行嵌入获取图关系结构化特征向量;对节点的属性进行投影获取节点的基础属性映射特征向量;将图关系结构化特征向量与节点的基础属性映射特征向量进行拼接后输入神经网络获取该节点的特征嵌入向量。
具体的,本发明中利用word2Vec算法对节点的节点序列进行嵌入获取图关系结构化特征向量。word2Vec是一种用于将词汇转换为向量表示的技术,它是一种广泛使用的自然语言处理技术。其通过分析大量文本语料库的语言模式,将每个单词转换为一个固定长度的向量,这使得计算机可以更好地对自然语言进行理解和分析。在本发明中,通过word2Vec算法对每个节点的节点序列进行嵌入,从而获得该节点序列的图关系结构化特征向量。通过图关系结构化特征向量可以表达该节点在异构图中与其他节点之间的关系。
为了最大程度获取节点的已有信息,节点的属性特征(性别、年龄、职业、学历;名称、类别、价格等)也应该有机的融合到最终的节点表达中,从而使得最终的推荐结果更加的精准。而对于与节点属性相关联的异构图,不同的节点类型具有不同的特征向量维数。即使它们恰好是相同的维度,它们也可能位于不同的特征空间中,也不能直接一起操作。在一个统一的框架中处理不同维度的特征向量是很麻烦的。因此,本发明中需要先将不同类型的节点特征投影到相同的潜在向量空间中。对每一类节点采用特定类型的线性变换,以便将节点的属性特征投射到一个潜在的子空间中。具体地,利用公式
计算节点的基础属性映射特征向量;其中,为节点v的基础属性映射特征向量,为原始/>类型的节点v的特征;/>为/>类型的节点变换参数权值矩阵。
节点基础属性特征经过映射变换,此时所有的节点的特征便被映射到了统一的向量空间维度中。因此,当前节点已经包含了图关系结构化特征向量与基础属性映射特征向量/>,再将两种变换向量联合拼接起来输入神经网络,从而得到神经网络输出的该节点的特征嵌入向量hk(其中k=m+n或者k为其他指定的维度),此时节点的特征向量已经完成统一映射并且包含了自身基础属性特征与节点间的关联关系结构化信息,已经完成了输入到下游任务(推荐)的准备工作。
S5根据节点之间关系发生的时间构建时间权重。
关系图中还存在一个重要的信息为时间信息及关系发生的时间,本发明中的推荐结果需要区分时间的重要程度,基于时间衰减思想,将向量的表达随着时间的距离赋予不同的权重,具体地,利用公式
计算时间权重;其中Ti为时间权重,为当前时间,/>为时间衰减系数,/>为关系发生的时间。通过调整/>的值,可以使得其适应当前场景的评价标准;总体上为时间距离越远其权重越小,基于本发明的场景下,设置/>。
S6利用用户节点的特征向量、物品节点的特征向量以及时间权重计算用户和物品之间的相似度,并根据相似度进行物品推荐。
设当前时间周期下生成的异构图中分别存在m个用户节点、n个物品节点,当前已经得到异构图中每个节点的特征向量,并且所有特征向量都映射到了同一纬度。假设m个用户节点的特征向量分别为,n个物品节点的特征向量分别为/>,利用公式
计算用户和物品之间的相似度,其中为用户j和物品k之间的相似度,Ti为时间权重,T为关系的数量,αj为用户j的特征向量,βk为物品k的特征向量。
通过相似度即可进行物品推荐。本发明中,推荐的策略为根据用户和物品之间的相似度由高到低进行排序,将序列中前N个物品推荐给该用户。当然,也可以设置其他推荐策略,例如设置一个相似度阈值,将相似度高于相似度阈值的物品推荐给用户。
如图4所述,本发明还提供本发明还提供一种基于用户关联关系的物品推荐系统,包括:
关联关系构建模块,用于基于关系发生时间抽取节点关联关系;
异构图构建模块,用于根据节点关联关系构建异构图;
异构图游走模块,用于对异构图中的节点进行有偏的随机游走,获取异构图中所有节点的节点序列;
特征向量获取模块,用于对节点的节点序列进行嵌入获取图关系结构化特征向量;对节点的属性进行投影获取节点的基础属性映射特征向量;将图关系结构化特征向量与节点的基础属性映射特征向量进行拼接后输入神经网络获取该节点的特征嵌入向量;
时间权重获取模块,用于根据节点之间关系发生的时间构建时间权重;
相似度计算模块,用于利用用户节点的特征嵌入向量、物品节点的特征嵌入向量以及时间权重计算用户和物品之间的相似度;
推荐模块,用于根据相似度进行物品推荐。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于用户关联关系的物品推荐方法,其特征在于包括:
基于关系发生时间抽取节点关联关系;
根据节点关联关系构建异构图;
对异构图中的节点进行有偏的随机游走,获取异构图中所有节点的节点序列;
对节点的节点序列进行嵌入获取图关系结构化特征向量;对节点的属性进行投影获取节点的基础属性映射特征向量;将图关系结构化特征向量与节点的基础属性映射特征向量进行拼接后输入神经网络获取该节点的特征嵌入向量;
根据节点之间关系发生的时间构建时间权重;
利用用户节点的特征嵌入向量、物品节点的特征嵌入向量以及时间权重计算用户和物品之间的相似度,并根据相似度进行物品推荐。
2.根据权利要求1所述的一种基于用户关联关系的物品推荐方法,其特征在于:所述节点关联关系以用户和物品为节点并构建节点之间的相互关系,且每个节点包含各自的属性;所述异构图以用户和物品为节点以关系为连边,并且根据交互次数为连边赋予权重。
3.根据权利要求2所述的一种基于用户关联关系的物品推荐方法,其特征在于:根据异构图中连边的权重,利用metaPath2Vec算法对异构图中的节点进行有偏的随机游走。
4.根据权利要求1所述的一种基于用户关联关系的物品推荐方法,其特征在于所述进行有偏的随机游走的策略包括:用户-物品-用户、用户-用户-物品-用户或物品-用户-物品中的一种或者几种。
5.根据权利要求1所述的一种基于用户关联关系的物品推荐方法,其特征在于:利用word2Vec算法对节点的节点序列进行嵌入获取图关系结构化特征向量。
6.根据权利要求1所述的一种基于用户关联关系的物品推荐方法,其特征在于:
利用公式
计算节点的基础属性映射特征向量;其中,为节点v的基础属性映射特征向量,/>为原始/>类型的节点v的特征;/>为/>类型的节点变换参数权值矩阵。
7.根据权利要求1所述的一种基于用户关联关系的物品推荐方法,其特征在于:
利用公式
计算时间权重;其中Ti为时间权重,为当前时间,/>为时间衰减系数,/>为关系发生的时间。
8.根据权利权利要求1所述的一种基于用户关联关系的物品推荐方法,其特征在于:
利用公式
计算用户和物品之间的相似度,其中为用户j和物品k之间的相似度,Ti为时间权重,T为关系的数量,αj为用户j的特征向量,βk为物品k的特征向量。
9.根据权利要求1所述的一种基于用户关联关系的物品推荐方法,其特征在于:根据用户和物品之间的相似度由高到低进行排序,将序列中前N个物品推荐给该用户。
10.一种基于用户关联关系的物品推荐系统,其特征在于包括:
关联关系构建模块,用于基于关系发生时间抽取节点关联关系;
异构图构建模块,用于根据节点关联关系构建异构图;
异构图游走模块,用于对异构图中的节点进行有偏的随机游走,获取异构图中所有节点的节点序列;
特征向量获取模块,用于对节点的节点序列进行嵌入获取图关系结构化特征向量;对节点的属性进行投影获取节点的基础属性映射特征向量;将图关系结构化特征向量与节点的基础属性映射特征向量进行拼接后输入神经网络获取该节点的特征嵌入向量;
时间权重获取模块,用于根据节点之间关系发生的时间构建时间权重;
相似度计算模块,用于利用用户节点的特征嵌入向量、物品节点的特征嵌入向量以及时间权重计算用户和物品之间的相似度;
推荐模块,用于根据相似度进行物品推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410053594.6A CN117575744B (zh) | 2024-01-15 | 2024-01-15 | 一种基于用户关联关系的物品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410053594.6A CN117575744B (zh) | 2024-01-15 | 2024-01-15 | 一种基于用户关联关系的物品推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575744A true CN117575744A (zh) | 2024-02-20 |
CN117575744B CN117575744B (zh) | 2024-03-26 |
Family
ID=89890411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410053594.6A Active CN117575744B (zh) | 2024-01-15 | 2024-01-15 | 一种基于用户关联关系的物品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575744B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837602A (zh) * | 2019-11-05 | 2020-02-25 | 重庆邮电大学 | 基于表示学习和多模态卷积神经网络的用户推荐方法 |
CN111931076A (zh) * | 2020-09-22 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于有权有向图进行关系推荐的方法、装置和计算机设备 |
CN112221159A (zh) * | 2020-10-21 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种虚拟道具推荐方法、装置及计算机可读存储介质 |
US10956521B1 (en) * | 2018-05-14 | 2021-03-23 | Amazon Technologies, Inc. | Computer process for diversified random walk of a directed graph |
US11113745B1 (en) * | 2020-04-03 | 2021-09-07 | Verizon Media Inc. | Neural contextual bandit based computational recommendation method and apparatus |
CN114996486A (zh) * | 2021-03-02 | 2022-09-02 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法、装置、服务器以及存储介质 |
CN115358807A (zh) * | 2021-05-17 | 2022-11-18 | 北京邮电大学 | 物品的推荐方法和装置、存储介质及电子设备 |
CN115880024A (zh) * | 2022-11-29 | 2023-03-31 | 中国联合网络通信集团有限公司 | 一种基于预训练的轻量化图卷积神经网络的推荐方法 |
CN116662651A (zh) * | 2023-05-24 | 2023-08-29 | 中国人民大学 | 基于注意力机制的异构图神经网络课程推荐方法和系统 |
US20230297625A1 (en) * | 2022-03-15 | 2023-09-21 | Adobe Inc. | Utilizing a graph neural network to generate visualization and attribute recommendations |
CN117251586A (zh) * | 2023-08-24 | 2023-12-19 | 腾讯科技(深圳)有限公司 | 多媒体资源推荐方法、装置及存储介质 |
CN117390266A (zh) * | 2023-10-08 | 2024-01-12 | 宁夏大学 | 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 |
-
2024
- 2024-01-15 CN CN202410053594.6A patent/CN117575744B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10956521B1 (en) * | 2018-05-14 | 2021-03-23 | Amazon Technologies, Inc. | Computer process for diversified random walk of a directed graph |
CN110837602A (zh) * | 2019-11-05 | 2020-02-25 | 重庆邮电大学 | 基于表示学习和多模态卷积神经网络的用户推荐方法 |
US11113745B1 (en) * | 2020-04-03 | 2021-09-07 | Verizon Media Inc. | Neural contextual bandit based computational recommendation method and apparatus |
CN111931076A (zh) * | 2020-09-22 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于有权有向图进行关系推荐的方法、装置和计算机设备 |
CN112221159A (zh) * | 2020-10-21 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种虚拟道具推荐方法、装置及计算机可读存储介质 |
CN114996486A (zh) * | 2021-03-02 | 2022-09-02 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法、装置、服务器以及存储介质 |
CN115358807A (zh) * | 2021-05-17 | 2022-11-18 | 北京邮电大学 | 物品的推荐方法和装置、存储介质及电子设备 |
US20230297625A1 (en) * | 2022-03-15 | 2023-09-21 | Adobe Inc. | Utilizing a graph neural network to generate visualization and attribute recommendations |
CN115880024A (zh) * | 2022-11-29 | 2023-03-31 | 中国联合网络通信集团有限公司 | 一种基于预训练的轻量化图卷积神经网络的推荐方法 |
CN116662651A (zh) * | 2023-05-24 | 2023-08-29 | 中国人民大学 | 基于注意力机制的异构图神经网络课程推荐方法和系统 |
CN117251586A (zh) * | 2023-08-24 | 2023-12-19 | 腾讯科技(深圳)有限公司 | 多媒体资源推荐方法、装置及存储介质 |
CN117390266A (zh) * | 2023-10-08 | 2024-01-12 | 宁夏大学 | 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 |
Non-Patent Citations (4)
Title |
---|
何喜军;董艳波;武玉英;蒋国瑞;马珊;郑瑶;: "基于异构信息网络嵌入的专利技术主体间交易推荐模型", 情报学报, no. 01, 24 January 2020 (2020-01-24), pages 57 - 67 * |
唐晓波;张昭;: "基于混合图的在线社交网络个性化推荐系统研究", 情报理论与实践, no. 02, 28 February 2013 (2013-02-28), pages 91 - 95 * |
居程程, 祝义: "采用局部子图嵌入的MOOCs知识概念推荐模型", 计算机科学与探索, vol. 18, no. 1, 18 January 2023 (2023-01-18), pages 189 - 204 * |
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), pages 138 - 498 * |
Also Published As
Publication number | Publication date |
---|---|
CN117575744B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
CN112214685B (zh) | 一种基于知识图谱的个性化推荐方法 | |
Darban et al. | GHRS: Graph-based hybrid recommendation system with application to movie recommendation | |
JP2005317018A (ja) | 表示ページ内のブロックの重要度を計算するための方法およびシステム | |
CN115048586B (zh) | 一种融合多特征的新闻推荐方法及系统 | |
CN113420221B (zh) | 融合用户隐式物品偏好与显式特征偏好的可解释推荐方法 | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
Huang et al. | Neural embedding collaborative filtering for recommender systems | |
US11682040B2 (en) | Determining a target group based on product-specific affinity attributes and corresponding weights | |
CN112989169A (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
CN114386513A (zh) | 一种集成评论与评分的交互式评分预测方法及系统 | |
Zhang et al. | SEMA: Deeply learning semantic meanings and temporal dynamics for recommendations | |
Wu et al. | RETRACTED ARTICLE: Artificial neural network based high dimensional data visualization technique for interactive data exploration in E-commerce | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN117575744B (zh) | 一种基于用户关联关系的物品推荐方法及系统 | |
Yoshida et al. | New performance index “attractiveness factor” for evaluating websites via obtaining transition of users’ interests | |
WO2022105780A1 (zh) | 推荐方法、装置、电子设备、存储介质 | |
CN109885748A (zh) | 基于语意特征的优化推荐方法 | |
CN112632275B (zh) | 基于个人文本信息的人群聚类数据处理方法、装置及设备 | |
CN117952650A (zh) | 基于大数据的工艺品电子商务销售管理系统 | |
KR102653187B1 (ko) | 웹크롤링 기반 학습용 데이터 전처리 전자 장치 및 그 방법 | |
JP6976202B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
Obaje | A Performant Predict Analytics Approach to Recommender Systems Using Deep Learning Methods | |
Li et al. | Learning network representations with neighboring affinity | |
CN117436955A (zh) | 一种基于用户行为的商品推荐系统及方法 |
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 |