CN117788122A - 一种基于异质图神经网络商品推荐方法 - Google Patents
一种基于异质图神经网络商品推荐方法 Download PDFInfo
- Publication number
- CN117788122A CN117788122A CN202410200699.XA CN202410200699A CN117788122A CN 117788122 A CN117788122 A CN 117788122A CN 202410200699 A CN202410200699 A CN 202410200699A CN 117788122 A CN117788122 A CN 117788122A
- Authority
- CN
- China
- Prior art keywords
- attribute
- commodity
- user
- representing
- heterogeneous
- 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 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000004220 aggregation Methods 0.000 claims abstract description 19
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000003993 interaction Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000000873 masking effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于异质图神经网络商品推荐方法，涉及商业数据挖掘技术领域，具体包括如下步骤：读取用户和商品购物数据库，并对数据进行剔除，构建异质图并采用遮蔽机制进行子图分割，利用均值聚合和拼接聚合的方式，得到预处理后的图结构和属性数据；构建图卷积属性增强门控网络，对噪声节点进行遮蔽；构建基于增强属性指导的异质图神经网络AGHRec商品推荐模型，对用户进行商品推荐。本发明的技术方案克服现有技术中不能够深入分析用户和商品推荐数据特性、商品推荐准确率较低的问题。
Description
技术领域
本发明涉及商业数据挖掘技术领域，具体涉及一种基于异质图神经网络商品推荐方法。
背景技术
随着信息技术的发展，现实世界中的购物场景能够准确的建模成由多种类型的节点和边构成的异质图结构。例如：美食外卖推荐、电影推荐以及短视频推荐等。异质图神经网络中包含了丰富的属性信息，通过增强属性来指导优化异质图中的结构和特征信息，能够高质量的提高用户和商品表示的准确性。
现有的技术中研究商品推荐精度不是很高，且用户和商品交互数据中的干扰较多，主要存在两种类型的缺点。一方面，将属性建模为用户或商品的邻居节点来优化用户或商品的嵌入表示，这忽略了节点之间属性的潜在关联，并在属性较多的情况下进一步导致图运算的规模增大，导致深层次发掘属性相似的商品信息。另一方面，直接采用拼接或者采用注意力机制方式将属性特征融入到节点的特征嵌入中，但这种方法使得属性难以为图结构的优化提供指导意见，不能有效滤除负面影响的商品或者用户信息。如何有效利用属性信息仍然是当今推荐系统领域的一个重要难题。
因此，现需要一种能够深入分析用户和商品推荐数据特性、对属性特征实现有效增强的、准确率高的基于异质图神经网络商品推荐方法。
发明内容
本发明的主要目的在于提供一种基于异质图神经网络商品推荐方法，以解决现有技术中不能够深入分析用户和商品推荐数据特性、商品推荐准确率较低的问题。
为实现上述目的，本发明提供了一种基于异质图神经网络商品推荐方法，具体包括如下步骤：
S1，读取用户和商品购物数据库，并对数据进行剔除，构建异质图并采用遮蔽机制进行子图分割，利用均值聚合和拼接聚合的方式，得到预处理后的图结构和属性数据。
S2，构建图卷积属性增强门控网络，对噪声节点进行遮蔽。
S3，构建基于增强属性指导的异质图神经网络商品推荐模型AGHRec，对用户进行商品推荐。
进一步地，步骤S1具体包括如下步骤：
S1.1，从用户和商品购物数据库中读入用户和商品的交互数据集，剔除缺失的用户和商品的信息。
S1.2，构建异质图 ， ，其中代表节点数据，如用户、商品，代
表边集，如用户与商品之间的购买关系，代表多维属性数据，如商品品牌、品牌成分。
S1.3，将属性特征与节点信息进行匹配，采用遮蔽机制将包含属性的异质图，分
割为和两个子图，其中表示遮蔽多维属性后仅保留节点的拓扑交互图，即，则表示遮蔽拓扑节点后仅保留属性的多维属性交互图，两个子图中的边
集相同，即。
S1.4，在拓扑交互图的基础上，将处理为一阶邻居引导的异质视角，并采用
对称的元路径引导创建同质视角，，其中，表示对参数执行归一化的函数，表示用户与商
品之间的交互矩阵，表示商品与用户之间的交互矩阵。
S1.5，对多维属性数据进行处理，同种类型属性采
用均值聚合，对非同种类型的属性采取拼接方式聚合，并利用非线性变换将属性数据映射
到相同的维度空间，最终得到处理后的多维属性初始特征。
进一步地，步骤S2具体包括如下步骤：
S2.1，将不同类型的初始属性数据使用线性变换映射到相同的维度空间，构建
层图卷积层GCNs对节点之间的属性进行关联，其中映射后的用户属性，其中表示图卷积层数，为权重参数，，
为单位矩阵，为的度矩阵，，是图卷积第层中用户属性的嵌入表示，是用户属性的初始特征 ，是非线性激活函数；映射后的商品属性用表示，
其计算方式与映射后的用户属性计算方式相同。
S2.2，计算用户增强属性特征，，表示图卷积层数；商品增
强属性特征用表示，计算方法与用户增强属性特征的计算方式相同。
S2.3，计算商品节点与的增强属性之间的曼哈顿距离，和表示维度，和为向量，分别代表商品
节点和商品节点的嵌入空间距离，m，n表示向量和中的元素值，并将曼哈顿距离映射
为属性之间的相似度分数，其中，，表示商品节点的
两种邻居节点的集合；
S2.4，依据增强属性相似度分数完成序列排名，选择与目标商品节点最相似的前z个异质邻居；通过增强属性计算同质节点之间的相似度，判断相似度是否满足阈值，若是，则在遮蔽矩阵中设置为1，反之设置为0，完成遮蔽矩阵的构建。
进一步地，步骤S3具体包括如下步骤：
S3.1，对目标商品节点选择后的一阶异质用户邻居进行聚合处理，对同质节
点特征进行均值聚合；聚合后的特征为，其中代表同质节点个
数；异质节点特征采用注意力机制进行聚合，其中注意力得分公式为：，进而生成节点在异质视角下的嵌入表示，当目标节点为用户时，注意力得分计算以及聚合与上述方式
相同。
S3.2，将得到的同质节点遮蔽矩阵与元路径引导的相似度子图进行哈达玛
积，并采用softmax函数归一化，，过滤掉属性相似度低的同质节
点，并采用注意力机制对不同元路径下的相似度子图进行融合，其中，表示不同相似度子图的软注意力，和
表示变换矩阵，和表示偏执矩阵。
令 ；，其中，表
示软注意力得分，执行图卷积GCNs从而捕获更高阶的同质节点特征，进而得到同质节点特
征表示，其中，表示融合后的相似度矩阵。
S3.3，将目标商品节点与其对应的增强属性设定为正样本对，不相关的增强属性设定为负样本对；计算目标商品节点与增强属性特征的范数，并计算目标商品节点与正样本增强属性以及负样本增强属性之间的相似度，最大化正样本之间的相似度，最小化负样本之间的相似度，最大化增强属性特征与目标商品节点特征之间共性。
S3.4，将增强属性特征，分别与异质和同质视角下的特征进行拼接组合，为用户推
荐的商品序列为，分别表示增强属性指
导后的异质视角和同质视角，为激活函数，表示用户的嵌入表示；表示商品
的嵌入表示；将特征映射到0-1之间。
S3.5, 计算损失函数，其中表示用户的对比损失函数，表示
商品的对比损失函数，通过反向传播进行优化，最小化损失Min ，最终输出与用户最
可能交互的前个商品列表。
本发明具有如下有益效果：
异质图中用户-商品交互数据的预处理，构建属性异质图遮蔽机制，实现属性和拓扑结构分离，提升运算效率；采用均值与拼接的属性融合方式，最大化保留属性原始信息。
实现了一种基于图卷积(GCNs)增强属性门控网络，捕获用户-商品属性的潜在关联并实现属性增强，引入曼哈顿距离计算属性相似度得分，指导图结构的优化过程，缓解了用户-商品历史交互稀疏的问题。
AGHRec推荐模型及三种指导优化方法的构建，构建了增强属性指导下的异质邻居选择、增强属性指导下的同质节点遮蔽、对比学习指导的特征融合，使用属性深入优化图结构，并提炼用户和属性之间的共性特征。
分析并验证了AGHRec模型在用户-商品交互数据集中具有更高的推荐精度和质量。
综上所述，本发明通过深入分析用户和商品推荐数据特性，对属性特征实现有效增强，并具体使用属性信息对结构特征进行指导优化，构建了为用户推荐商品准确率高的网络模型。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了根据本发明的一种基于异质图神经网络商品推荐方法的流程图。
图2示出了利用本发明提供的方法用于外卖商品推荐的召回率统计结果图。
图3示出了利用本发明提供的方法用于外卖商品推荐的搜索评价指标统计结果图。
图4示出了利用本发明提供的方法用于电影推荐的召回率统计结果图。
图5示出了利用本发明提供的方法用于电影推荐的搜索评价指标统计结果图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示的一种基于异质图神经网络商品推荐方法，具体包括如下步骤：
S1，读取用户和商品购物数据库，并对数据进行剔除，构建异质图并采用遮蔽机制进行子图分割，利用均值聚合和拼接聚合的方式，得到预处理后的图结构和属性数据。
S2，构建图卷积属性增强门控网络，对噪声节点进行遮蔽。
S3，构建基于增强属性指导的异质图神经网络商品推荐模型AGHRec，对用户进行商品推荐。
具体地，步骤S1具体包括如下步骤：
S1.1，从用户和商品购物数据库中读入用户和商品的交互数据集，剔除缺失的用户和商品的信息。划分训练集和测试集，构建联通的用户-商品异质信息网络，确保异质图的完整性。
S1.2，构建异质图 ， ，其中代表节点数据，如用户、商品，代
表边集，如用户与商品之间的购买关系，代表多维属性数据，如商品品牌、品牌成分。
S1.3，将属性特征与节点信息进行匹配，采用遮蔽机制将包含属性的异质图，分
割为和两个子图，其中表示遮蔽多维属性后仅保留节点的拓扑交互图，即，则表示遮蔽拓扑节点后仅保留属性的多维属性交互图，两个子图中的边
集相同，即。
S1.4，在拓扑交互图的基础上，将处理为一阶邻居引导的异质视角，并采用
对称的元路径引导创建同质视角，，其中，表示对参数执行归一化的函数，表示用户与商
品之间的交互矩阵，表示商品与用户之间的交互矩阵。
S1.5，对多维属性数据进行处理，同种类型属性采
用均值聚合，对非同种类型的属性采取拼接方式聚合，并利用非线性变换将属性数据映射
到相同的维度空间，最终得到处理后的多维属性初始特征。
具体地，步骤S2具体包括如下步骤：
S2.1，将不同类型的初始属性数据使用线性变换映射到相同的维度空间，构建
层图卷积层GCNs对节点之间的属性进行关联，其中映射后的用户属性，其中表示图卷积层数，为权重参数，，
为单位矩阵，为的度矩阵，，是图卷积第层中用户属性的嵌入表示，是用户属性的初始特征 ，是非线性激活函数；映射后的商品属性用表示，
其计算方式与映射后的用户属性计算方式相同。
S2.2，为避免初始属性特征丢失，计算用户增强属性特征，，表示图卷积层数；商品增强属性特征用表示，计算方法与用户增强属性特征的计算方式
相同。
S2.3，计算商品节点与的增强属性之间的曼哈顿距离，和表示维度，和为向量，分别代表商品
节点和商品节点的嵌入空间距离，m，n表示向量和中的元素值，并将曼哈顿距离映射
为属性之间的相似度分数，其中，，表示商品节点的
两种邻居节点的集合。
S2.4，依据增强属性相似度分数完成序列排名，选择与目标商品节点最相似的前z个异质邻居；通过增强属性计算同质节点之间的相似度，判断相似度是否满足阈值，若是，则在遮蔽矩阵中设置为1，反之设置为0，完成遮蔽矩阵的构建。
具体地，步骤S3具体包括如下步骤：
S3.1，对目标商品节点选择后的一阶异质用户邻居进行聚合处理，对同质节
点特征进行均值聚合；聚合后的特征为，其中代表同质节点个
数；异质节点特征采用注意力机制进行聚合，其中注意力得分公式为：，进而生成节点在异质视角下的嵌入表示，当目标节点为用户时，注意力得分计算以及聚合与上述方式
相同。
S3.2，将得到的同质节点遮蔽矩阵与元路径引导的相似度子图进行哈达玛
积，并采用softmax函数归一化，，过滤掉属性相似度低的同质节
点，并采用注意力机制对不同元路径下的相似度子图进行融合，其中，表示不同相似度子图的软注意力，和
表示变换矩阵，和表示偏执矩阵。
令 ；，其中，表
示软注意力得分，执行图卷积GCNs从而捕获更高阶的同质节点特征，进而得到同质节点特
征表示，其中，表示融合后的相似度矩阵。
S3.3，将目标商品节点与其对应的增强属性设定为正样本对，不相关的增强属性设定为负样本对；计算目标商品节点与增强属性特征的范数，并计算目标节点与正样本增强属性以及负样本增强属性之间的相似度，最大化正样本之间的相似度，最小化负样本之间的相似度。最大化增强属性特征与目标商品节点特征之间共性。
S3.4，将增强属性特征，分别与异质和同质视角下的特征进行拼接组合，为用户推
荐的商品序列为，分别表示增强属性指
导后的异质视角和同质视角，为激活函数，表示用户的嵌入表示；表示商品
的嵌入表示；将特征映射到0-1之间。
S3.5, 计算损失函数，其中表示用户的对比损失函数，表示
商品的对比损失函数，通过反向传播进行优化，最小化损失Min ，最终输出与用户最
可能交互的前个商品列表。
本发明将属性特征与节点信息进行对齐，采用遮蔽机制将包含属性的异质图被分割为和两个子图，极大程度上降低了图的复杂度。并考虑属性的
类型，避免属性信息丢失，采取同类型属性均值融合、不同类型属性采用拼接进行融合的方
案，最大化保留原始属性信息。
本发明将不同类型的初始属性特征通过线性变换到相同的维度空间，使用层图
卷积层(GCN)实现属性嵌入关联与属性增强，将映射后的属性特征与增强后的属性特征叠
加，避免属性信息混淆；通过曼哈顿距离，并将距离映射为相似度分数，依据相似度
分数序列排名，完成一阶异质邻居的选择，并生成同质节点的遮蔽矩阵，进而完成噪声节点
的遮蔽。本发明考虑了属性增强的重要作用，并通过增强后的属性优化图结构，进而提高商
品的推荐的质量。
本发明利用增强后的属性特征，构建了三种图结构的优化策略，提高推荐的准确性。通过增强后的属性相似度分数排名，完成高质量异质邻居的选择，提升异质邻居质量；设定阈值，判断同质节点之间的相似性，如果相似性分数超过阈值设定为1，反之设置为0，从而优化同质视角下的子图；将增强后的属性特征与拓扑节点特征进行对比学习，最大化两者正样本的互信息，优化节点的高维空间分布，提高了商品推荐质量。
利用本发明提供的方法对商品外卖数据集、电影推荐数据集进行推荐模型的构
建。AGHRec模型实验结果如图5所示，其中MT为外卖商品数据集，MV为电影推荐数据集。为了
保持公平一致性，本发明采用和两个指标对推荐结果进行评价，考
虑了前个预测结果中是否包含正确标签，从而更全面地评估了模型的性能，表示预测结
果的数量，其中，各模型评估结果如表1和表2所示，其中最优结果加
粗表示，次优结果用下划线标出。由表1可知，本发明的AGHRec模型推荐效果最优，证明了本
发明提出方法的有效性。
表1 针对外卖商品数据集的不同模型推荐效果对比表
。
表2 针对电影推荐数据集的不同模型推荐效果对比表
。
在发明中，通过将AGHRec与、和进行比
较，来检查模型中不同组件对最终性能的贡献：
图2-图5中，NDCG代表搜索评价指标，Recall代表召回率，Top@k用于衡量模型在前
k个预测结果中是否包含正确标签的占比。表示AGHRec将属性特征剔除，移
除属性对图结构指导，仅保留模型的图结构。表示AGHRec放弃融合属性，但保
留增强后的属性对图结构特征融合过程的指导，探究增强属性的指导对拓扑融合过程中的
贡献。表示AGHRec放弃属性对图结构特征的指导，但保留属性增强，并将增强
后的属性特征与拓扑特征融合。表示包含了属性增强，以及增强属性对图结构学
习过程的指导，以及增强属性特征与拓扑特征的融合。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (4)
1.一种基于异质图神经网络商品推荐方法，其特征在于，具体包括如下步骤：
S1，读取用户和商品购物数据库，并对数据进行剔除，构建异质图并采用遮蔽机制进行子图分割，利用均值聚合和拼接聚合的方式，得到预处理后的图结构和属性数据；
S2，构建图卷积属性增强门控网络，对噪声节点进行遮蔽；
S3，构建基于增强属性指导的异质图神经网络商品推荐模型AGHRec，对用户进行商品推荐。
2.根据权利要求1所述的一种基于异质图神经网络商品推荐方法，其特征在于，步骤S1具体包括如下步骤：
S1.1，从用户和商品购物数据库中读入用户和商品的交互数据集，剔除缺失的用户和商品的信息；
S1.2，构建异质图 ， />，其中/>代表节点数据，如用户、商品，/>代表边集，如用户与商品之间的购买关系，/>代表多维属性数据，如商品品牌、品牌成分；
S1.3，将属性特征与节点信息进行匹配，采用遮蔽机制将包含属性的异质图，分割为和/>两个子图，其中/>表示遮蔽多维属性后仅保留节点的拓扑交互图，即/>，/>则表示遮蔽拓扑节点后仅保留属性的多维属性交互图，两个子图中的边集/>相同，即；
S1.4，在拓扑交互图的基础上，将/>处理为一阶邻居引导的异质视角，并采用对称的元路径引导创建同质视角/>，/>，其中，/>表示对参数/>执行归一化的函数，/>表示用户与商品之间的交互矩阵，/>表示商品与用户之间的交互矩阵；
S1.5，对多维属性数据进行处理，同种类型属性采用均值聚合，对非同种类型的属性采取拼接方式聚合，并利用非线性变换将属性数据映射到相同的维度空间，最终得到处理后的多维属性初始特征/>。
3.根据权利要求2所述的一种基于异质图神经网络商品推荐方法，其特征在于，步骤S2具体包括如下步骤：
S2.1，将不同类型的初始属性数据使用线性变换映射到相同的维度空间，构建/>层图卷积层GCNs对节点之间的属性进行关联，其中映射后的用户属性，其中/>表示图卷积层数，/>为权重参数，/>，/>为单位矩阵，/>为/>的度矩阵，/>，/>是图卷积第/>层中用户属性的嵌入表示，是用户属性的初始特征 />，/>是非线性激活函数；映射后的商品属性用/>表示，其计算方式与映射后的用户属性计算方式相同；
S2.2，计算用户增强属性特征，/>，/>表示图卷积层数；商品增强属性特征用/>表示，计算方法与用户增强属性特征的计算方式相同；
S2.3，计算商品节点与/>的增强属性之间的曼哈顿距离，/>和/>表示维度，/>和/>为向量，分别代表商品节点/>和商品节点/>的嵌入空间距离，m，n表示向量/>和/>中的元素值，并将曼哈顿距离映射为属性之间的相似度分数/>，其中，/>，/>表示商品节点/>的两种邻居节点/>的集合；
S2.4，依据增强属性相似度分数完成序列排名，选择与目标商品节点最相似的前z个异质邻居；通过增强属性计算同质节点之间的相似度，判断相似度是否满足阈值，若是，则在遮蔽矩阵中设置为1，反之设置为0，完成遮蔽矩阵的构建。
4.根据权利要求3所述的一种基于异质图神经网络商品推荐方法，其特征在于，步骤S3具体包括如下步骤：
S3.1，对目标商品节点选择后的一阶异质用户邻居/>进行聚合处理，对同质节点特征/>进行均值聚合；聚合后的特征为/>，其中/>代表同质节点个数；异质节点特征采用注意力机制进行聚合，其中注意力/>得分公式为：，进而生成节点在异质视角下的嵌入表示；
S3.2，将得到的同质节点遮蔽矩阵与元路径引导的相似度子图/>进行哈达玛积，并采用softmax函数归一化，/>，过滤掉属性相似度低的同质节点，并采用注意力机制对不同元路径下的相似度子图进行融合/>，其中，/>表示不同相似度子图的软注意力，/>和/>表示变换矩阵，/>和/>表示偏执矩阵；
令 ；/>，其中，/>表示软注意力得分，执行图卷积GCNs从而捕获更高阶的同质节点特征，进而得到同质节点特征表示/>，其中，/>表示融合后的相似度矩阵；
S3.3，将目标商品节点与其对应的增强属性设定为正样本对，不相关的增强属性设定为负样本对；计算目标商品节点与增强属性特征的范数，并计算目标商品节点与正样本增强属性以及负样本增强属性之间的相似度，最大化正样本之间的相似度，最小化负样本之间的相似度，最大化增强属性特征与目标商品节点特征之间共性；
S3.4，将增强属性特征，分别与异质和同质视角下的特征进行拼接组合，为用户推荐的商品序列为，/>分别表示增强属性指导后的异质视角和同质视角，/>为预测得到的用户和商品交互的概率得分，/>为激活函数，/>表示用户的嵌入表示；/>表示商品的嵌入表示；将特征映射到0-1之间；
S3.5, 计算损失函数，其中/>表示用户的对比损失函数，/>表示商品的对比损失函数，最终输出与用户最可能交互的前/>个商品列表/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200699.XA CN117788122B (zh) | 2024-02-23 | 2024-02-23 | 一种基于异质图神经网络商品推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200699.XA CN117788122B (zh) | 2024-02-23 | 2024-02-23 | 一种基于异质图神经网络商品推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117788122A true CN117788122A (zh) | 2024-03-29 |
| CN117788122B CN117788122B (zh) | 2024-05-10 |
Family
ID=90396595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410200699.XA Active CN117788122B (zh) | 2024-02-23 | 2024-02-23 | 一种基于异质图神经网络商品推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788122B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507224A (zh) * | 2020-12-11 | 2021-03-16 | 南京大学 | 基于异质网络表示学习的人机物融合系统服务推荐方法 |
| CN113282612A (zh) * | 2021-07-21 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种基于科学合作异质网络分析的作者会议推荐方法 |
| CN113569906A (zh) * | 2021-06-10 | 2021-10-29 | 重庆大学 | 基于元路径子图的异质图信息提取方法和装置 |
| CN114048305A (zh) * | 2021-11-05 | 2022-02-15 | 山东大学 | 一种基于图卷积神经网络的行政处罚文书的类案推荐方法 |
| CN115082142A (zh) * | 2022-05-10 | 2022-09-20 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
| CN115170227A (zh) * | 2022-06-27 | 2022-10-11 | 山西大学 | 一种电商网络商品推荐方法及系统 |
| CN115314398A (zh) * | 2022-09-29 | 2022-11-08 | 南昌航空大学 | 一种评估异质信息网络关键节点的方法 |
| CN115345294A (zh) * | 2022-07-29 | 2022-11-15 | 杭州海康威视数字技术股份有限公司 | 图神经网络的训练方法、推荐方法及电子设备 |
| CN115659234A (zh) * | 2022-09-30 | 2023-01-31 | 山东科技大学 | 一种融合文本属性的异质图表示学习方法 |
| CN115760279A (zh) * | 2022-11-04 | 2023-03-07 | 青岛科技大学 | 基于知识图谱和多头注意力的双目标跨域推荐方法及系统 |
| WO2023065859A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为技术有限公司 | 物品推荐方法、装置及存储介质 |
| CN116228349A (zh) * | 2022-12-21 | 2023-06-06 | 江苏税软软件科技有限公司 | 基于可信图卷积神经网络的商品推荐方法及系统 |
| WO2023098098A1 (zh) * | 2021-12-02 | 2023-06-08 | 南京邮电大学 | 一种基于注意力机制与超图卷积的标签感知推荐方法 |
| CN116561424A (zh) * | 2023-05-12 | 2023-08-08 | 云南大学 | 一种应用于智能推荐系统的图神经网络结合Transformer的推荐方法 |
| WO2023213157A1 (zh) * | 2022-05-05 | 2023-11-09 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、程序产品、计算机设备和介质 |
| CN117196750A (zh) * | 2023-04-19 | 2023-12-08 | 杭州电子科技大学 | 基于并行提取特征的异质图神经网络的商品推荐方法 |
| CN117391816A (zh) * | 2023-11-08 | 2024-01-12 | 广东工业大学 | 一种异质图神经网络推荐方法、装置及设备 |
| CN117454020A (zh) * | 2023-09-28 | 2024-01-26 | 广州大学 | 基于图卷积神经网络的在线社交网络用户表示方法及装置 |
-
2024
- 2024-02-23 CN CN202410200699.XA patent/CN117788122B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507224A (zh) * | 2020-12-11 | 2021-03-16 | 南京大学 | 基于异质网络表示学习的人机物融合系统服务推荐方法 |
| CN113569906A (zh) * | 2021-06-10 | 2021-10-29 | 重庆大学 | 基于元路径子图的异质图信息提取方法和装置 |
| CN113282612A (zh) * | 2021-07-21 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种基于科学合作异质网络分析的作者会议推荐方法 |
| WO2023065859A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为技术有限公司 | 物品推荐方法、装置及存储介质 |
| CN114048305A (zh) * | 2021-11-05 | 2022-02-15 | 山东大学 | 一种基于图卷积神经网络的行政处罚文书的类案推荐方法 |
| WO2023098098A1 (zh) * | 2021-12-02 | 2023-06-08 | 南京邮电大学 | 一种基于注意力机制与超图卷积的标签感知推荐方法 |
| WO2023213157A1 (zh) * | 2022-05-05 | 2023-11-09 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、程序产品、计算机设备和介质 |
| CN115082142A (zh) * | 2022-05-10 | 2022-09-20 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
| CN115170227A (zh) * | 2022-06-27 | 2022-10-11 | 山西大学 | 一种电商网络商品推荐方法及系统 |
| CN115345294A (zh) * | 2022-07-29 | 2022-11-15 | 杭州海康威视数字技术股份有限公司 | 图神经网络的训练方法、推荐方法及电子设备 |
| CN115314398A (zh) * | 2022-09-29 | 2022-11-08 | 南昌航空大学 | 一种评估异质信息网络关键节点的方法 |
| CN115659234A (zh) * | 2022-09-30 | 2023-01-31 | 山东科技大学 | 一种融合文本属性的异质图表示学习方法 |
| CN115760279A (zh) * | 2022-11-04 | 2023-03-07 | 青岛科技大学 | 基于知识图谱和多头注意力的双目标跨域推荐方法及系统 |
| CN116228349A (zh) * | 2022-12-21 | 2023-06-06 | 江苏税软软件科技有限公司 | 基于可信图卷积神经网络的商品推荐方法及系统 |
| CN117196750A (zh) * | 2023-04-19 | 2023-12-08 | 杭州电子科技大学 | 基于并行提取特征的异质图神经网络的商品推荐方法 |
| CN116561424A (zh) * | 2023-05-12 | 2023-08-08 | 云南大学 | 一种应用于智能推荐系统的图神经网络结合Transformer的推荐方法 |
| CN117454020A (zh) * | 2023-09-28 | 2024-01-26 | 广州大学 | 基于图卷积神经网络的在线社交网络用户表示方法及装置 |
| CN117391816A (zh) * | 2023-11-08 | 2024-01-12 | 广东工业大学 | 一种异质图神经网络推荐方法、装置及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 王茜 等: "基于商品购买关系网络的多样性推荐", 系统管理学报, vol. 29, no. 01, 9 January 2020 (2020-01-09), pages 61 - 72 * |
| 葛尧 等: "面向推荐系统的图卷积网络", 软件学报, no. 04, 4 January 2020 (2020-01-04), pages 1101 - 1112 * |
| 贾霄生 等: "互信息与多条元路径融合的异质网络表示学习方法", 软件学报, 15 November 2022 (2022-11-15), pages 3256 - 3271 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117788122B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dhurandhar et al. | Model agnostic contrastive explanations for structured data | |
| US11687728B2 (en) | Text sentiment analysis method based on multi-level graph pooling | |
| CN104573130B (zh) | 基于群体计算的实体解析方法及装置 | |
| CN113569906B (zh) | 基于元路径子图的异质图信息提取方法和装置 | |
| Lee et al. | How to impute missing ratings? Claims, solution, and its application to collaborative filtering | |
| CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
| CN113918833B (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
| CN112085072A (zh) | 基于时空特征信息的草图检索三维模型的跨模态检索方法 | |
| CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
| CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
| CN113342994B (zh) | 一种基于无采样协作知识图网络的推荐系统 | |
| CN111259264A (zh) | 一种基于生成对抗网络的时序评分预测方法 | |
| CN112148994A (zh) | 信息推送效果评估方法、装置、电子设备及存储介质 | |
| Zhang et al. | Multi-view dynamic heterogeneous information network embedding | |
| CN116628341A (zh) | 一种基于多类型视图知识对比学习模型的推荐方法 | |
| Li et al. | Self-supervised nodes-hyperedges embedding for heterogeneous information network learning | |
| CN116467666A (zh) | 一种基于集成学习和主动学习的图异常检测方法和系统 | |
| CN117788122B (zh) | 一种基于异质图神经网络商品推荐方法 | |
| Chen et al. | Class-level Structural Relation Modeling and Smoothing for Visual Representation Learning | |
| CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
| CN115238191A (zh) | 对象推荐方法以及装置 | |
| CN115545833A (zh) | 一种基于用户社交信息的推荐方法及系统 | |
| Zhao et al. | Detecting fake reviews via dynamic multimode network | |
| CN110147497B (zh) | 一种面向青少年群体的个性化内容推荐方法 | |
| Guo et al. | Explainable recommendation systems by generalized additive models with manifest and latent interactions |
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 |