CN111291270A - 一种基于自适应图卷积网络的属性推理和产品推荐方法 - Google Patents
一种基于自适应图卷积网络的属性推理和产品推荐方法 Download PDFInfo
- Publication number
- CN111291270A CN111291270A CN202010136256.0A CN202010136256A CN111291270A CN 111291270 A CN111291270 A CN 111291270A CN 202010136256 A CN202010136256 A CN 202010136256A CN 111291270 A CN111291270 A CN 111291270A
- Authority
- CN
- China
- Prior art keywords
- attribute
- product
- user
- matrix
- formula
- 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
Images
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
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于自适应图卷积网络的属性推理和产品推荐方法,包括:1.构造异构数据:用户对产品的评分矩阵、用户属性矩阵、产品属性矩阵、用户属性索引矩阵、产品属性索引矩阵;2.对用户属性矩阵以及产品属性矩阵进行缺失值填充预处理;3.通过独热编码得到协同矩阵;4.根据属性矩阵和协同矩阵构造特征融合层;5.通过图卷积层进行特征传播;6.构造预测层进行属性推理和产品推荐;7.根据预测层输出结果更新节点属性矩阵;8.重复步骤4~7至属性推理和产品推荐效果达到最优。本发明能够充分挖掘图的高阶结构信息、节点属性之间的内在交互、节点属性和链接关系的潜在关联,从而实现更精准的属性推理和产品推荐。
Description
技术领域
本发明涉及属性推理领域和产品推荐领域,具体地来说是一种基于自适应图卷积网络的属性推理和产品推荐方法。
背景技术
推荐***有效的缓解信息过载的问题,已经被成功的应用到电商、音乐、电影、社交等平台。基于协同过滤的模型是一种最主流的推荐***,通过挖掘用户的历史记录来进行个性化的产品推荐。基于协同过滤的推荐***应用广泛,但是其性能往往限制于用户行为数据的稀疏性。
属性增强的协同过滤***,利用用户(性别、年龄、职业等)和产品(价格、质量、种类)等丰富的属性特征对用户和产品进行表征建模,从而有效的缓解协同过滤中数据稀疏性的问题。但是用户和产品的属性特征常常是不完整的,有的用户并不愿意透露其个人信息,同样有的产品属性也未必可知。因此,属性增强的协同过滤***也常常受到属性不完整的问题的限制。
通过把用户对产品的行为数据建模成用户-产品的二部图,现有的基于评分矩阵协同过滤模型可以转换成图的问题。图的属性推理是指根据图的结构和已知节点属性信息对未知的节点属性进行推理,可以有效的填补图中缺失的属性。现有的属性推理工作利用半监督图的学习(标签传播、图的正则化、深度模型等),可以对缺失的属性进行预测,但是属性推理的准确度还有待提高。此外,属性推理和产品推荐并不是独立的任务,两者存在相互促进的关系。如何利用用户对产品的交互数据和不完整属性信息,完成精确的属性推理和产品推荐成为了急需解决的问题。
发明内容
本发明为解决现有技术的不足之处,提出一种基于自适应图卷积网络的属性推理和产品推荐方法,以期能够充分挖掘图的高阶结构信息、节点属性之间的内在交互、节点属性和链接关系的潜在关联,从而实现更精准的属性推理和产品推荐。
本发明为解决技术问题采用如下技术方案:
本发明一种基于自适应图卷积网络的属性推理和产品推荐方法的特点是按如下步骤进行:
步骤1、构造异构数据,包括:用户对产品的评分矩阵R、用户属性矩阵X、产品属性矩阵Y、用户属性索引矩阵AX、产品属性索引矩阵AY:
令U表示用户集,且U={u1,...,ua,...,ub,...,uM},ua表示第a个用户,ub表示第b个用户,M表示用户总数,1≤a,b≤M;令V表示产品集,且V={v1,...,vi,...,vj,...,vN},vi表示第i个产品,vj表示第j个产品,N表示产品总数,1≤i,j≤N;令Rai表示第a个用户ua对第i个产品vi的评分值,则用户对产品的评分矩阵R={Rai}M×N;
令用户属性矩阵X={x1,...,xa,...,xM},其中xa表示第a个用户ua的dx维属性向量;令产品属性矩阵Y={y1,...,yi,...,xN},其中yi表示第i个产品vi的dy维属性向量;
用户属性矩阵X和产品属性矩阵Y存在缺失的元素值,并利用用户属性索引矩阵AX和产品属性索引矩阵AY分别表示用户属性矩阵X和产品属性矩阵Y中已知元素的索引;
步骤2、根据式(2)计算用户属性矩阵X中缺失的元素值xfa以及产品属性矩阵Y中缺失的元素值ygi,从而得到完整的用户属性矩阵X和产品属性矩阵Y:
式(2)中,xfb表示用户属性矩阵X中第b个用户ub的第f个属性值,表示用户属性索引矩阵矩阵AX中第f行第b列的元素值,ygj表示产品属性矩阵Y中第j个产品vj的第g个属性值,表示产品属性索引矩阵AY中第g行第j列的元素值;
步骤3、通过独热编码得到节点协同矩阵,包括:用户协同矩阵、产品协同矩阵:
步骤3.1、用户集U通过独热编码方式构造用户协同矩阵P={p1,...,pa,...,pM},其中pa表示第a个用户ua的d维用户协同向量;
步骤3.2、物品集V通过独热编码方式构造产品协同矩阵Q={q1,...,qi,...,qN},其中qi表示第i个产品vi的d维产品协同向量;
步骤4、构造特征融合层:
步骤4.1、定义当前更新次数为l,并初始化l=0;
步骤5、通过图卷积层进行特征传播:
步骤5.1、定义所述图卷积层包含K个卷积层,当前卷积层为k,并初始化k=0;
式(4)中,Ra是第a个用户ua交互过的产品集合,是第j个产品vj在第l次更新后的第k层卷积层输出的特征向量;是第i个产品vi在第l次更新后的第k层卷积层输出的特征向量;Si是与第i个产品vi交互过的用户集合,是第a个用户ua在第l次更新后的第k层卷积层输出的特征向量;是第b个用户ub在第l次更新后的第k层卷积层输出的特征向量;Wk+1是第k+1层卷积层的参数;当k=0,
步骤6、根据图卷积层的输出来构造预测层:
式(6)中,<,>表示向量内积;
式(7)中,θa=[Wx,Wy]是待优化的参数;xfa表示第a个用户ua中第f个属性值,表示第a个用户ua中第f个属性在第l次更新后的预测值,是用户属性索引矩阵AX第f行第a列的元素值;ygi表示第i个产品vi中第i个属性值,表示第i个产品vi中第i个属性在第l次更新后的预测值,是产品属性索引矩阵AY第g行第i列的元素值;
步骤6.5、根据式(9)计算在第l次更新后的全部损失函数Ll(θ):
式(8)中,θ=[θa,θr]是全部待优化参数,γ是用于平衡两个损失函数权重的超参数;通过梯度下降法对所述损失函数Ll(θ)进行求解,使得Ll(θ)达到最小,从而得到在第l次更新后的最优参数θl,*;
步骤7、根据预测层输出结果更新节点属性矩阵:
根据式(10)和式(11)分别得到第l+1次更新后的用户属性矩阵Xl+1和产品属性矩阵Yl+1:
式(10)中,EX是用户属性索引矩阵AX维度相同,且元素值全为1的矩阵;
式(11)中,EY是产品属性索引矩阵AY维度相同,且元素值全为1的矩阵;
步骤8、将l+1赋值给l后,返回步骤4.2顺序执行,直到损失函数Ll(θ)收敛至最小值。
与已有技术相比,本发明有益效果体现在:
1.本发明针对推荐***中用户和产品存在属性缺失的问题,提出了一个基于自适应图卷积网络的属性推理和产品推荐方法,深度挖掘***协同信息和属性信息的特征,迭代的对缺失属性值进行预测及更新,有效的提高了的属性推理和产品推荐的精确度。
2.本发明通过独热编码的方式处理用户集和产品集,可以有效地扩增数据维度,便于快速的进行矩阵操作。
3.本发明设计了特征融合层对用户和产品的协同信息和属性信息进行融合,充分考虑了多源数据之间的交互关系,从而有效地缓解了协同过滤***中数据稀疏性的问题。
4.本发明采用图的方式对用户和产品之间的交互关系进行表征学习,通过图卷积层对融合后的特征进行传播,可以更好的捕获到用户和产品之间复杂的高阶相似性,学习更精确的用户和产品表示。
5.本发明根据预测结果自适应的更新用户属性矩阵和产品属性矩阵,对整个神经网络进行迭代式的学习,有效的提高了属性推理和产品推荐精度,为推荐方法起到了数据增强的作用。
附图说明
图1为本发明基于自适应图卷积网络的属性推理和产品推荐方法的流程图;
具体实施方式
本实施例中,一种基于自适应图卷积网络的属性推理产品推荐方法方法,考虑了推荐***中用户和产品属性缺失的问题,通过自适应的图卷积网络进行特征传播,以实现更精准的属性推理和产品推荐。具体的说,如图1所示,是按如下步骤进行:
步骤1、构造异构数据,包括:用户对产品的评分矩阵R、用户属性矩阵X、产品属性矩阵Y、用户属性索引矩阵AX、产品属性索引矩阵AY:
令U表示用户集,且U={u1,...,ua,...,ub,...,uM},ua表示第a个用户,ub表示第b个用户,M表示用户总数,1≤a,b≤M;令V表示产品集,且V={v1,...,vi,...,vj,...,vN},vi表示第i个产品,vj表示第j个产品,N表示产品总数,1≤i,j≤N;令Rai表示第a个用户ua对第i个产品vi的评分值,则用户对产品的评分矩阵R={rai}M×N;若第a个用户ua对第i个产品vi有过行为数据(购买、点击、观看等),则rai=1,否则rai=0;
令用户属性矩阵X={x1,...,xa,...,xM},其中xa表示第a个用户ua的dx维属性向量;令产品属性矩阵Y={y1,...,yi,...,xN},其中yi表示第i个产品vi的dy维属性向量;
用户属性矩阵X和产品属性矩阵Y存在缺失的元素值,并利用用户属性索引矩阵AX和产品属性索引矩阵AY分别表示用户属性矩阵X和产品属性矩阵Y中已知元素的索引;
步骤2、根据式(2)计算用户属性矩阵X中缺失的元素值xfa以及产品属性矩阵Y中缺失的元素值ygi,从而得到完整的用户属性矩阵X和产品属性矩阵Y:
式(2)中,xfb表示用户属性矩阵X中第b个用户ub的第f个属性值,表示用户属性索引矩阵矩阵AX中第f行第b列的元素值,ygj表示产品属性矩阵Y中第j个产品vj的第g个属性值,表示产品属性索引矩阵AY中第g行第j列的元素值;
步骤3、通过独热编码得到节点协同矩阵,包括:用户协同矩阵、产品协同矩阵:
步骤3.1、用户集U通过独热编码方式构造用户协同矩阵P={p1,...,pa,...,pM},其中pa表示第a个用户ua的d维用户协同向量;
步骤3.2、物品集V通过独热编码方式构造产品协同矩阵Q={q1,...,qi,...,qN},其中qi表示第i个产品vi的d维产品协同向量;
步骤4、构造特征融合层:
步骤4.1、定义当前更新次数为l,并初始化l=0;
步骤5、通过图卷积层进行特征传播:
步骤5.1、定义图卷积层包含K个卷积层,当前卷积层为k,并初始化k=0;
式(4)中,Ra是第a个用户ua交互过的产品集合,是第j个产品vj在第l次更新后的第k层卷积层输出的特征向量;是第i个产品vi在第l次更新后的第k层卷积层输出的特征向量;Si是与第i个产品vi交互过的用户集合,是第a个用户ua在第l次更新后的第k层卷积层输出的特征向量;是第b个用户ub在第l次更新后的第k层卷积层输出的特征向量;Wk+1是第k+1层卷积层的参数;当k=0,
步骤6、根据图卷积层的输出来构造预测层:
式(6)中,<,>表示向量内积;
式(7)中,θa=[Wx,Wy]是待优化的参数;xfa表示第a个用户ua中第f个属性值,表示第a个用户ua中第f个属性在第l次更新后的预测值,是用户属性索引矩阵AX第f行第a列的元素值;ygi表示第i个产品vi中第i个属性值,表示第i个产品vi中第i个属性在第l次更新后的预测值,是产品属性索引矩阵AY第g行第i列的元素值;
步骤6.5、根据式(9)计算在第l次更新后的全部损失函数Ll(θ):
式(8)中,θ=[θa,θr]是全部待优化参数,γ是用于平衡两个损失函数权重的超参数;通过梯度下降法对损失函数Ll(θ)进行求解,使得Ll(θ)达到最小,从而得到在第l次更新后的最优参数θl,*;
步骤7、根据预测层输出结果更新节点属性矩阵:
根据式(10)和式(11)分别得到第l+1次更新后的用户属性矩阵Xl+1和产品属性矩阵Yl+1:
式(10)中,EX是用户属性索引矩阵AX维度相同,且元素值全为1的矩阵;
式(11)中,EY是产品属性索引矩阵AY维度相同,且元素值全为1的矩阵;
步骤8、将l+1赋值给l后,返回步骤4.2顺序执行,直到损失函数Ll(θ)收敛至最小值。
实施例:
为了验证本方法的有效性,本发明采用推荐***中常用的三个公开的数据集:Amazon-Video Games、Movielens-1M、Movielens-20M。每个数据集筛选评分记录少于5的用户,每种属性随机删除90%的记录作为训练数据。
对于产品推荐任务,本发明采用Hit Ratio(HR)和Normalized DiscountedCumulative Gain(NDCG)作为评价标准。本发明选用了5种方法进行效果对比,分别是BPR、FM、BLA、NGCF、PinNGCF。具体地,表1、表2、表3分别显示在Amazon-Video Games、Movielens-1M、Movielens-20M数据集上的实验结果,可以看出在三个数据集上,本发明提出的方法在HR和NDCG这两个指标上都优于对比的5种方法。
表1本发明方法与对比方法在Amazon-Video Games数据集上的产品推荐结果
表2本发明方法与对比方法在Movielens-1M数据集上的产品推荐结果
表3本发明方法与对比方法在Movielens-20M数据集上的产品推荐结果
对于属性推理任务,对于单值属性本发明采用Accuracy(ACC),对于多值属性本发明采用MeanAverage Precision(MAP)作为评价标准。本发明采用了4种方法进行效果对比,分别是LP、GR、Semi-GCN、BLA。
表4本发明方法与对比方法在全部数据集上的属性推理结果
实验结果如表4所示,可以看出在三个数据集上,本发明提出的方法在ACC和MAP这两个指标上都优于对比的4种方法。综合产品推荐和属性推理这两个任务,本发明提出的方法都显著的优于对比的众多方法,从而证明了本发明提出方法的可行性。
Claims (1)
1.一种基于自适应图卷积网络的属性推理和产品推荐方法,其特征是按如下步骤进行:
步骤1、构造异构数据,包括:用户对产品的评分矩阵R、用户属性矩阵X、产品属性矩阵Y、用户属性索引矩阵AX、产品属性索引矩阵AY:
令U表示用户集,且U={u1,...,ua,...,ub,...,uM},ua表示第a个用户,ub表示第b个用户,M表示用户总数,1≤a,b≤M;令V表示产品集,且V={v1,...,vi,...,vj,...,vN},vi表示第i个产品,vj表示第j个产品,N表示产品总数,1≤i,j≤N;令Rai表示第a个用户ua对第i个产品vi的评分值,则用户对产品的评分矩阵R={Rai}M×N;
令用户属性矩阵X={x1,...,xa,...,xM},其中xa表示第a个用户ua的dx维属性向量;令产品属性矩阵Y={y1,...,yi,...,xN},其中yi表示第i个产品vi的dy维属性向量;
用户属性矩阵X和产品属性矩阵Y存在缺失的元素值,并利用用户属性索引矩阵AX和产品属性索引矩阵AY分别表示用户属性矩阵X和产品属性矩阵Y中已知元素的索引;
步骤2、根据式(2)计算用户属性矩阵X中缺失的元素值xfa以及产品属性矩阵Y中缺失的元素值ygi,从而得到完整的用户属性矩阵X和产品属性矩阵Y:
式(2)中,xfb表示用户属性矩阵X中第b个用户ub的第f个属性值,表示用户属性索引矩阵矩阵AX中第f行第b列的元素值,ygj表示产品属性矩阵Y中第j个产品vj的第g个属性值,表示产品属性索引矩阵AY中第g行第j列的元素值;
步骤3、通过独热编码得到节点协同矩阵,包括:用户协同矩阵、产品协同矩阵:
步骤3.1、用户集U通过独热编码方式构造用户协同矩阵P={p1,...,pa,...,pM},其中pa表示第a个用户ua的d维用户协同向量;
步骤3.2、物品集V通过独热编码方式构造产品协同矩阵Q={q1,...,qi,...,qN},其中qi表示第i个产品vi的d维产品协同向量;
步骤4、构造特征融合层:
步骤4.1、定义当前更新次数为l,并初始化l=0;
步骤5、通过图卷积层进行特征传播:
步骤5.1、定义所述图卷积层包含K个卷积层,当前卷积层为k,并初始化k=0;
式(4)中,Ra是第a个用户ua交互过的产品集合,是第j个产品vj在第l次更新后的第k层卷积层输出的特征向量;是第i个产品vi在第l次更新后的第k层卷积层输出的特征向量;Si是与第i个产品vi交互过的用户集合,是第a个用户ua在第l次更新后的第k层卷积层输出的特征向量;是第b个用户ub在第l次更新后的第k层卷积层输出的特征向量;Wk+1是第k+1层卷积层的参数;当k=0,
步骤6、根据图卷积层的输出来构造预测层:
式(6)中,<,>表示向量内积;
步骤6.3、根据式(7)建立在第l次更新后属性推理的损失函数Ll a(θa):
式(7)中,θa=[Wx,Wy]是待优化的参数;xfa表示第a个用户ua中第f个属性值,表示第a个用户ua中第f个属性在第l次更新后的预测值,是用户属性索引矩阵AX第f行第a列的元素值;ygi表示第i个产品vi中第i个属性值,表示第i个产品vi中第i个属性在第l次更新后的预测值,是产品属性索引矩阵AY第g行第i列的元素值;
步骤6.5、根据式(9)计算在第l次更新后的全部损失函数Ll(θ):
式(8)中,θ=[θa,θr]是全部待优化参数,γ是用于平衡两个损失函数权重的超参数;通过梯度下降法对所述损失函数Ll(θ)进行求解,使得Ll(θ)达到最小,从而得到在第l次更新后的最优参数θl,*;
步骤7、根据预测层输出结果更新节点属性矩阵:
根据式(10)和式(11)分别得到第l+1次更新后的用户属性矩阵Xl+1和产品属性矩阵Yl +1:
式(10)中,EX是用户属性索引矩阵AX维度相同,且元素值全为1的矩阵;
式(11)中,EY是产品属性索引矩阵AY维度相同,且元素值全为1的矩阵;
步骤8、将l+1赋值给l后,返回步骤4.2顺序执行,直到损失函数Ll(θ)收敛至最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136256.0A CN111291270B (zh) | 2020-03-02 | 2020-03-02 | 一种基于自适应图卷积网络的属性推理和产品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136256.0A CN111291270B (zh) | 2020-03-02 | 2020-03-02 | 一种基于自适应图卷积网络的属性推理和产品推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291270A true CN111291270A (zh) | 2020-06-16 |
CN111291270B CN111291270B (zh) | 2021-07-27 |
Family
ID=71030897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010136256.0A Active CN111291270B (zh) | 2020-03-02 | 2020-03-02 | 一种基于自适应图卷积网络的属性推理和产品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291270B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651487A (zh) * | 2020-12-21 | 2021-04-13 | 广东交通职业技术学院 | 基于图坍缩卷积神经网络的数据推荐方法、***及介质 |
CN112733933A (zh) * | 2021-01-08 | 2021-04-30 | 北京邮电大学 | 基于统一优化目标框架图神经网络的数据分类方法及装置 |
CN112905894A (zh) * | 2021-03-24 | 2021-06-04 | 合肥工业大学 | 一种基于增强图学习的协同过滤推荐方法 |
CN113343113A (zh) * | 2021-07-05 | 2021-09-03 | 合肥工业大学 | 基于图卷积网络进行知识蒸馏的冷启动实体推荐方法 |
CN113362131A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
CN113744023A (zh) * | 2021-08-20 | 2021-12-03 | 太原理工大学 | 一种基于图卷积网络的双通道协同过滤推荐方法 |
CN114880583A (zh) * | 2022-05-11 | 2022-08-09 | 合肥工业大学 | 一种基于自监督学习的跨域社交推荐方法 |
CN115545822A (zh) * | 2022-09-20 | 2022-12-30 | 中国电信股份有限公司 | 产品属性推荐方法和装置、计算机存储介质、电子设备 |
CN117290609A (zh) * | 2023-11-24 | 2023-12-26 | 中国科学技术大学 | 产品数据推荐方法及产品数据推荐装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150213370A1 (en) * | 2014-01-27 | 2015-07-30 | Facebook, Inc. | Label inference in a social network |
CN108874914A (zh) * | 2018-05-29 | 2018-11-23 | 吉林大学 | 一种基于图卷积与神经协同过滤的信息推荐方法 |
CN110363282A (zh) * | 2019-06-06 | 2019-10-22 | 中国科学院信息工程研究所 | 一种基于图卷积网络的网络节点标签主动学习方法和*** |
CN110674407A (zh) * | 2019-09-30 | 2020-01-10 | 杭州电子科技大学 | 基于图卷积神经网络的混合推荐方法 |
US20200019759A1 (en) * | 2018-07-11 | 2020-01-16 | Samsung Electronics Co., Ltd. | Simultaneous recognition of facial attributes and identity in organizing photo albums |
CN110837578A (zh) * | 2019-11-06 | 2020-02-25 | 合肥工业大学 | 一种基于图卷积网络的视频片段推荐方法 |
-
2020
- 2020-03-02 CN CN202010136256.0A patent/CN111291270B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150213370A1 (en) * | 2014-01-27 | 2015-07-30 | Facebook, Inc. | Label inference in a social network |
CN108874914A (zh) * | 2018-05-29 | 2018-11-23 | 吉林大学 | 一种基于图卷积与神经协同过滤的信息推荐方法 |
US20200019759A1 (en) * | 2018-07-11 | 2020-01-16 | Samsung Electronics Co., Ltd. | Simultaneous recognition of facial attributes and identity in organizing photo albums |
CN110363282A (zh) * | 2019-06-06 | 2019-10-22 | 中国科学院信息工程研究所 | 一种基于图卷积网络的网络节点标签主动学习方法和*** |
CN110674407A (zh) * | 2019-09-30 | 2020-01-10 | 杭州电子科技大学 | 基于图卷积神经网络的混合推荐方法 |
CN110837578A (zh) * | 2019-11-06 | 2020-02-25 | 合肥工业大学 | 一种基于图卷积网络的视频片段推荐方法 |
Non-Patent Citations (3)
Title |
---|
LE WU等: "Personalized Multimedia Item and Key Frame Recommendation", 《PROCEEDINGS OF THE TWENTY-EIGHTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-19)》 * |
LE WU等: "SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/328800776_SOCIALGCN_AN_EFFICIENT_GRAPH_CONVOLUTIONAL_NETWORK_BASED_MODEL_FOR_SOCIAL_RECOMMENDATION》 * |
江原: "基于图卷积与神经协同过滤的融合信息推荐模型", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651487B (zh) * | 2020-12-21 | 2021-07-27 | 广东交通职业技术学院 | 基于图坍缩卷积神经网络的数据推荐方法、***及介质 |
CN112651487A (zh) * | 2020-12-21 | 2021-04-13 | 广东交通职业技术学院 | 基于图坍缩卷积神经网络的数据推荐方法、***及介质 |
CN112733933A (zh) * | 2021-01-08 | 2021-04-30 | 北京邮电大学 | 基于统一优化目标框架图神经网络的数据分类方法及装置 |
CN112733933B (zh) * | 2021-01-08 | 2024-01-05 | 北京邮电大学 | 基于统一优化目标框架图神经网络的数据分类方法及装置 |
CN112905894B (zh) * | 2021-03-24 | 2022-08-19 | 合肥工业大学 | 一种基于增强图学习的协同过滤推荐方法 |
CN112905894A (zh) * | 2021-03-24 | 2021-06-04 | 合肥工业大学 | 一种基于增强图学习的协同过滤推荐方法 |
CN113362131A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
CN113362131B (zh) * | 2021-06-02 | 2022-09-13 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
CN113343113A (zh) * | 2021-07-05 | 2021-09-03 | 合肥工业大学 | 基于图卷积网络进行知识蒸馏的冷启动实体推荐方法 |
CN113744023B (zh) * | 2021-08-20 | 2023-09-29 | 太原理工大学 | 一种基于图卷积网络的双通道协同过滤推荐方法 |
CN113744023A (zh) * | 2021-08-20 | 2021-12-03 | 太原理工大学 | 一种基于图卷积网络的双通道协同过滤推荐方法 |
CN114880583A (zh) * | 2022-05-11 | 2022-08-09 | 合肥工业大学 | 一种基于自监督学习的跨域社交推荐方法 |
CN114880583B (zh) * | 2022-05-11 | 2024-03-05 | 合肥工业大学 | 一种基于自监督学习的跨域社交推荐方法 |
CN115545822A (zh) * | 2022-09-20 | 2022-12-30 | 中国电信股份有限公司 | 产品属性推荐方法和装置、计算机存储介质、电子设备 |
CN117290609A (zh) * | 2023-11-24 | 2023-12-26 | 中国科学技术大学 | 产品数据推荐方法及产品数据推荐装置 |
CN117290609B (zh) * | 2023-11-24 | 2024-03-29 | 中国科学技术大学 | 产品数据推荐方法及产品数据推荐装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111291270B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291270B (zh) | 一种基于自适应图卷积网络的属性推理和产品推荐方法 | |
CN111523047B (zh) | 基于图神经网络的多关系协同过滤算法 | |
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 | |
CN107808278B (zh) | 一种基于稀疏自编码器的Github开源项目推荐方法 | |
CN110674850A (zh) | 一种基于注意力机制的图像描述生成方法 | |
CN110807154A (zh) | 一种基于混合深度学习模型的推荐方法与*** | |
CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
US20220253722A1 (en) | Recommendation system with adaptive thresholds for neighborhood selection | |
CN112667877A (zh) | 一种基于旅游知识图谱的景点推荐方法及设备 | |
CN110222838B (zh) | 文档排序方法、装置、电子设备及存储介质 | |
CN107220303A (zh) | 一种应用的推荐方法、装置及计算机可读介质 | |
CN112836125A (zh) | 一种基于知识图谱和图卷积网络的推荐方法及其*** | |
CN113342994B (zh) | 一种基于无采样协作知识图网络的推荐*** | |
CN111339435A (zh) | 一种基于潜在因子的矩阵分解补全混合推荐方法 | |
CN108182264B (zh) | 一种基于跨领域排名推荐模型的排名推荐方法 | |
CN112905906B (zh) | 一种融合局部协同与特征交叉的推荐方法及*** | |
CN112948696A (zh) | 具有隐私保护功能的跨域医疗保健设备推荐方法及*** | |
CN111198991A (zh) | 一种基于信任度和专家用户的协同过滤推荐方法 | |
CN114519097B (zh) | 一种异质信息网络增强的学术论文推荐方法 | |
CN115905704A (zh) | 一种融合偏好传播的多任务推荐方法 | |
WO2022166125A1 (en) | Recommendation system with adaptive weighted baysian personalized ranking loss | |
CN115545834A (zh) | 基于图神经网络与元数据的个性化服务推荐方法 | |
CN112734519B (zh) | 一种基于卷积自编码器网络的商品推荐方法 | |
CN113343113A (zh) | 基于图卷积网络进行知识蒸馏的冷启动实体推荐方法 | |
CN111125541B (zh) | 面向多用户的可持续多云服务组合的获取方法 |
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 |