CN111428147B - 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 - Google Patents
结合社交和兴趣信息的异源图卷积网络的社交推荐方法 Download PDFInfo
- Publication number
- CN111428147B CN111428147B CN202010216211.4A CN202010216211A CN111428147B CN 111428147 B CN111428147 B CN 111428147B CN 202010216211 A CN202010216211 A CN 202010216211A CN 111428147 B CN111428147 B CN 111428147B
- Authority
- CN
- China
- Prior art keywords
- user
- social
- graph
- interest
- 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.)
- Active
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
- G06F16/9536—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法,包括:1.构造用户社交关系矩阵S,用户物品评分矩阵R;2.利用用户社交关系矩阵S和用户物品评分矩阵R,构造异源图G;3.构造用户和物品的嵌入表示矩阵;4.构造两个均为K个传播层的图卷积层,将所述的异源图G输入其中,并通过构造注意力机制,将两个图卷积网络传播过程联系起来;5.计算用户对物品的物品偏好值,从而对用户进行推荐。本发明能有效地结合社交信息和兴趣信息,将两者同时整合到一个模型,捕捉用户与用户之间和用户与物品之间的高阶关联信息,并采用分层的注意力机制训练,最大化利用用户数据,实现对用户进行更精准的商品推荐。
Description
技术领域
本发明涉及社交推荐领域,具体地说是一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法。
背景技术
基于协同过滤的推荐***,由于能很好地对用户和商品建模从而大大提高推荐性能,近年来引起了工业界和学术界的广泛关注。但是普遍存在的用户行为数据稀疏性问题,仍极大地限制了协同过滤的效果。而如何结合更多的有效信息,从而学习到更精准的推荐,成为了很迫切的研究需要。
随着社交网络技术的发展,人们在各种平台逐渐建立自己的社交关系,并彼此分享和影响自己对各种物品的偏好,社交网络成为了用户很重要的数据信息。因此,为了在推荐算法中有效的融入社交信息以达到更精准的推荐效果,2006年Friedkin等人注意到了社交网络对用户偏好的影响性,2010年Jamali等人开始尝试利用社交网络中用户的邻居信息解决用户数据稀疏问题,提升推荐算法的效果。因此通过利用图结构对用户-用户的社交信息,或者用户-物品之间的兴趣信息进行建模,达到了不错的效果。
而图卷积网络技术的出现和流行,更进一步推动了这些模型的性能。比如2019年Xu等人提出利用图中的邻居节点信息,捕捉用户之间的高阶相关信息,实现对用户更好的建模。但目前大多数基于图卷积的模型,只能将社交网络和兴趣网络独立区分对待,无法实现在同一个模型中,同时利用到两种类型的网络信息。
然而,用户在两种图之间起到了重要的关联作用,之前将两者独立对待的图卷积网络模型,无法捕捉到兴趣网络和社交网络之间重要的相关信息,因此推荐效果也受到限制。因此,如何有效地将社交信息和兴趣信息融合进一个模型对用户进行建模,使得用户的行为数据能最大化的利用和充分挖掘以提高推荐效果,成为了一个值得关注的问题。
发明内容
本发明为解决现有技术的不足之处,提出一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法,以期通过有效融合两者信息,对用户进行更精准的推荐,尤其是对行为数据稀疏的用户群体,从而实现更好的推荐效果。
本发明为解决技术问题采用如下技术方案:
本发明一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法的特点是按如下步骤进行:
步骤1、构造用户社交关系矩阵S,用户物品评分矩阵R:
令U表示用户集,且U={u1,...,ua,...,ub,...,uM},其中,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表示物品集,且V={v1,...,vi,...,vj,…,vN},其中,vi表示第i个物品,vj表示第j个物品,N表示物品总数,1≤i,j≤N;令sab表示第a个用户ua对第b个用户ub的社交关系,若sab=1,则表示第a个用户ua对第b个用户ub存在社交依赖关系,若sab=0,则表示第a个用户ua对第b个用户ub不存在社交依赖关系,从而构造所有用户之间的社交关系矩阵S={sab}M×M;令Sa表示对第a个用户ua存在社交依赖关系的所有用户集合;令rai表示第a个用户ua对第i个物品vi的评分值,从而构造所有用户对所有物品的评分矩阵R={rai}M×N;令Ra表示第a个用户ua产生过消费行为的所有物品集合,令Ri表示对第i个物品vi产生过消费行为的所有用户集合;
步骤2、利用用户社交关系矩阵S和用户物品评分矩阵R,构造异源图G:
步骤2.1、利用用户社交关系矩阵S,构造用户-用户的社交关系图Gs={U,S∈RM ×M},其中,用户集U作为结点集,社交关系矩阵S作为边集;
步骤2.2、利用用户物品评分矩阵R,构造用户-物品的兴趣关系图Gc={U∪V,R∈RM ×N},其中,用户集U和物品集V作为结点集,评分矩阵R作为边集;
步骤2.3、利用用户作为中间媒介,将社交关系图Gs和兴趣关系图Gc结合起来作为整体异源图G={U∪V,E∈RM×(M+N)},其中,用户集U和物品集V作为结点集,E=R∪S作为边集;
步骤3、构造用户和物品的嵌入表示矩阵:
由用户集U和物品集V构建用户的自由嵌入矩阵C∈RM×D和物品的自由嵌入矩阵Y∈RN×D,其中D表示隐因子的维度,令所述自由嵌入矩阵C中第a列向量ca表示第a个用户ua对应的自由嵌入向量,Y中第i列向量yi表示第i个物品vi对应的自由嵌入向量;
步骤4、构造两个均为K个传播层的图卷积网络,并输入所述异源图G,再通过构造注意力机制,将两个图卷积网络传播过程联系起来:
步骤4.1、新建两个K个传播层的图卷积网络,并分别输入社交关系图Gs和兴趣关系图Gc,从而得到社交图卷积网络和兴趣图卷积网络;
步骤4.2、定义两个图卷积网络的当前传播层数为k,并初始化k=0;
步骤4.3、在社交图卷积网络中,将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca;在兴趣图卷积网络中,将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca,将第k个传播层中第i个物品vi对应的节点表示向量初始化为yi;
步骤4.5、将所述兴趣关系图Gc输入到兴趣图卷积网络中,并分别利用式(2)和式(3)更新兴趣关系图Gc中用户和物品的嵌入表示,得到第k+1层的第a个用户ua的嵌入表示和第i个物品vi的嵌入表示与当前第k层的表示拼接,然后利用式(4)进行线性变换得到第k+1层第i个物品vi的最终嵌入表示
式(4)中,fk+1是一个非线性变换函数,Wf是对应的转换矩阵;
步骤5、计算用户对物品的物品偏好值,从而对用户进行推荐:
步骤5.1、根据每层图卷积网络的输出,利用式(6)计算第a个用户ua对第i个物品vi的偏好:
式(6)中,[·||·]表示对两个向量的拼接操作;
步骤5.2、选取贝叶斯个性化排序的框架,建立如式(7)所示的损失函数L:
式(7)中,σ(·)表示sigmoid函数,λ是正则化参数,||·||2表示二范数,Θ为网络模型在优化过程中的所有可学习参数的集合,第a个用户ua对第j个物品vj的预测偏好值;R-表示用户评分为0的评分集合,R+表示用户评分为1的评分集合;
步骤5.3、通过随机梯度下降法对所述损失函数L进行优化求解,使得L达到最小,从而得到最优的预测评分矩阵,并根据最优预测评分矩阵对用户进行物品推荐。
利用式(8)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第b个用户ub之间的社交影响力因子并利用式(9)进行归一化处理,得到归一化后的社交影响力因子用于学习用户之间的社交影响力,从而在社交图卷积网络中构造社交Bottom注意力神经网络:
式(8)中,w1和W1是社交Bottom注意力神经网络中计算社交影响力的参数。
利用式(10)得到第k+1个传播层的社交图卷积网络中第i个物品vi和第a个用户ua之间的社交影响力因子并利用式(11)进行归一化处理,得到归一化后的兴趣影响力因子用于学习物品对用户的兴趣影响力,从而在兴趣图卷积网络中构造兴趣Bottom注意力神经网络:
式(10)中,w2和W2是兴趣Bottom注意力神经网络中计算物品对用户产生的兴趣影响力的参数。
利用式(12)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第i个物品vi之间的社交影响力因子并利用式(13)进行归一化处理,得到归一化后的兴趣影响力因子用于学习用户对物品的兴趣影响力,从而在兴趣图卷积网络中构造另一个兴趣Bottom注意力神经网络:
式(12)中,w3和W3是兴趣Bottom注意力神经网络中计算用户对物品产生的兴趣影响力的参数。
式(14)中,w4和W4表示top注意力神经网络中的学习参数,表示top注意力神经网络层的每个输入,其中top注意力神经网络层的第1个输入是当前第k个传播层中第a个用户ua的嵌入表示向量即top注意力神经网络层的第2个输入是社交图卷积网络中第k+1层第a个用户ua的嵌入表示即top注意力神经网络层的第3个输入是兴趣图卷积网络中第k+1层的第a个用户ua的嵌入表示即
与已有技术相比,本发明有益效果体现在:
本发明提出同时结合用户兴趣信息和用户社交信息的思想,将社交推荐问题视为预测图连接的问题。通过构造用户-用户的社交网络,和用户-物品的兴趣网络,作为异源图的形式输入到图卷积网络中,克服了现有的用户数据稀疏性的问题,更够实现更好的用户社交推荐;另外在采用基于异源图输入的图卷积网络结构中,本发明设计了分层的注意力机制,能够根据各自重要性,区分地学习各自图中的邻居聚集信息,以捕捉到更精确的高阶关系,以及根据重要程度区分学习对应图更新后的输出嵌入表示,以捕捉每个用户的偏好被不同方面的影响程度。
附图说明
图1为本发明结合社交和兴趣信息的异源图卷积网络的社交推荐方法的流程图。
具体实施方式
参见图1,本实施例中,一种结合社交信息和兴趣信息的图卷积网络的社交推荐方法是按如下步骤进行:
步骤1、构造用户社交关系矩阵S,用户物品评分矩阵R:
令U表示用户集,且U={u1,...,ua,...,ub,...,uM},其中,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表示物品集,且V={v1,…,vi,…,vj,…,vN},其中,vi表示第i个物品,vj表示第j个物品,N表示物品总数,1≤i,j≤N;令sab表示第a个用户ua对第b个用户ub的社交关系,若sab=1,则表示第a个用户ua对第b个用户ub存在社交依赖关系,若sab=0,则表示第a个用户ua对第b个用户ub不存在社交依赖关系,从而构造所有用户之间的社交关系矩阵S={sab}M×M;令Sa表示对第a个用户ua存在社交依赖关系的所有用户集合;令rai表示第a个用户ua对第i个物品vi的评分值,从而构造所有用户对所有物品的评分矩阵R={rai}M×N;令Ra表示第a个用户ua产生过消费行为的所有物品集合,令Ri表示对第i个物品vi产生过消费行为的所有用户集合;
步骤2、利用用户社交关系矩阵S和用户物品评分矩阵R,构造异源图G:
步骤2.1、利用用户社交关系矩阵S,构造用户-用户的社交关系图Gs={U,S∈RM ×M},其中,用户集U作为结点集,社交关系矩阵S作为边集;
步骤2.2、利用用户物品评分矩阵R,构造用户-物品的兴趣关系图Gc={U∪V,R∈RM ×N},其中,用户集U和物品集V作为结点集,评分矩阵R作为边集;
步骤2.3、利用用户作为中间媒介,将社交关系图Gs和兴趣关系图Gc结合起来作为整体异源图G=(U∪V,E∈RM×(M+N)),其中,用户集U和物品集V作为结点集,E=R∪S作为边集;
步骤3、构造用户和物品的嵌入表示矩阵:
由用户集U和物品集V构建用户的自由嵌入矩阵C∈RM×D和物品的自由嵌入矩阵Y∈RN×D,其中D表示隐因子的维度,令自由嵌入矩阵C中第a列向量ca表示第a个用户ua对应的自由嵌入向量,Y中第i列向量yi表示第i个物品vi对应的自由嵌入向量;
步骤4、构造两个均为K个传播层的图卷积网络,并输入异源图G,再通过构造注意力机制,将两个图卷积网络传播过程联系起来:
步骤4.1、新建两个K个传播层的图卷积网络,并分别输入社交关系图Gs和兴趣关系图Gc,从而得到社交图卷积网络和兴趣图卷积网络;
步骤4.2、定义两个图卷积网络的当前传播层数为k,并初始化k=0;
步骤4.2、在社交图卷积网络中,将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca;在兴趣图卷积网络中,将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca,将第k个传播层中第i个物品vi对应的节点表示向量初始化为yi;
步骤4.3、对每个图卷积网络内部分别构造Bottom注意力机制:
步骤4.3.1、利用式(1)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第b个用户ub之间的社交影响力因子并利用式(2)进行归一化处理,得到归一化后的社交影响力因子用于学习用户之间的社交影响力,从而在社交图卷积网络中构造社交Bottom注意力神经网络:
式(1)中,w1和W1是社交Bottom注意力神经网络中计算社交影响力的参数;
步骤4.3.2、利用式(3)得到第k+1个传播层的社交图卷积网络中第i个物品vi和第a个用户ua之间的社交影响力因子并利用式(4)进行归一化处理,得到归一化后的兴趣影响力因子用于学习物品对用户的兴趣影响力,从而在兴趣图卷积网络中构造兴趣Bottom注意力神经网络:
式(3)中,w2和W2是兴趣Bottom注意力神经网络中计算物品对用户产生的兴趣影响力的参数;
步骤4.3.3、聚集物品的邻居结点信息,更新兴趣图中的物品结点:
利用式(3)得到第k+1个传播层的社交图卷积网络中第a个用户ua和第i个物品vi之间的社交影响力因子并利用式(4)进行归一化处理,得到归一化后的兴趣影响力因子用于学习用户对物品的兴趣影响力,从而在兴趣图卷积网络中构造另一个兴趣Bottom注意力神经网络:
式(3)中,w3和W3是兴趣Bottom注意力神经网络中计算用户对物品产生的兴趣影响力的参数;
步骤4.5、将兴趣关系图Gc输入到兴趣图卷积网络中,并分别利用式(8)和式(9)更新兴趣关系图Gc中用户和物品的嵌入表示,得到第k+1层的第a个用户ua的嵌入表示和第i个物品vi的嵌入表示与当前第k层的表示拼接,然后经过式(10)的线性变换得到第k+1层第i个物品vi的最终嵌入表示
式(10)中,fk+1是一个非线性变换函数,Wf是对应的转换矩阵;
步骤4.6、构造Top注意力机制,结合两种图卷积网络更新传播整体的用户嵌入表示:
式(11)中,w4和W4表示top注意力神经网络中的学习参数,表示top注意力神经网络层的每个输入,其中top注意力神经网络层的第1个输入是当前第k个传播层中第a个用户ua的嵌入表示向量即top注意力神经网络层的第2个输入是社交图卷积网络中第k+1层第a个用户ua的嵌入表示即top注意力神经网络层的第3个输入是兴趣图卷积网络中第k+1层的第a个用户ua的嵌入表示即对于每个用户而言,学习其来自三个方面的建模数据的重要性得分,在每轮迭代中根据各自的重要性得分区分地对用户嵌入进行更新。重要性得分越大,意味着用户越容易被该方面的信息影响。
步骤5、计算用户对物品的物品偏好值,从而对用户进行推荐:
步骤5.1、根据每层图卷积网络的输出,利用式(14)计算第a个用户ua对第i个物品vi的偏好:
式(14)中,[·||·]表示对两个向量的拼接操作;
步骤5.2、选取贝叶斯个性化排序的框架,建立如式(15)所示的损失函数L:
式(15)中,σ(·)表示sigmoid函数,λ是正则化参数,||·||2表示二范数,Θ为网络模型在优化过程中的所有可学习参数的集合,第a个用户ua对第j个物品vj的预测偏好值;R-表示用户评分为0的评分集合,R+表示用户评分为1的评分集合;
步骤5.3、通过随机梯度下降法对损失函数L进行优化求解,使得L达到最小,从而得到最优的预测评分矩阵,并根据最优预测评分矩阵对用户进行物品推荐。
实施例:
为了验证本发明方法的有效性,本发明选取了来自两个社交平台的真实公开数据集:Yelp和Flickr,都包含了大量的用户社交信息和物品评价信息。Yelp数据集包含用户之间的社交网络,和用户基于位置对周围餐厅的评价信息,由17237个用户,38342个物品,204448条评价和143765个用户之间的连接构成;Flickr数据集包含用户之间的关注信息,和用户分享图片的偏好,由8358个用户,82120个物品,327815条评价和187273个用户连接构成。本实验将原始的5分制评分转化为二值评分,即把3分及以上的评价视作1,把3分以下的评分视作0。为了避免噪音,过滤掉了少于2条用户连接和2条物品评价的用户信息,以及少于2条评价的物品。最终处理后的数据集作为本次实验的两个数据集D_Yelp和D_Flickr。
在训练过程中,为每个用户挑选5%的记录作为测试数据,10%的作为验证数据,其余的作为训练数据。本发明采用两种评价指标,包括HR(Hit Ratio)和NDCG(NormalizedDiscounted Cumulative Gain)。选取了8个模型来和本发明提出的方法进行效果对比,分别是:2019年Rendle等人提出的BPR,2017年He等人提出的NeuMF,2019年Fanet等人提出的GraphRec,2018年Ying等人提出的PinSage,2019年Wang等人提出的NGCF,2010年Jamali等人提出的SocialMF,2015年Guo,Zhang等人提出的TrustSVD,2019年Wu等人提出的DiffNet。
具体地,根据实验结果,可得出结果如下表所示。其中,表1为本发明方法在两种评价指标下,与所选用的8种对比方法在数据集D_Yelp和D_Flickr上得到的实验结果对比表;表2为本发明方法在选用不同Top-N排序时,分别根据这两种排序评价指标与8种对比方法在两个数据集上得到的实验结果对比表。
表1
表2
实验结果显示,在两个数据集上,本发明提出的方法,在不同的评价标准上,均比选用的8种方法效果要更好,从而证明了本发明提出方法的可行性。
综上所述,本方法能够同时利用用户的社交信息和兴趣信息,在图卷积网络中对用户进行更精准的建模,有效的解决用户的数据稀疏性问题,捕捉用户在两方面的高阶关联信息,实现更精准的社交推荐。
Claims (5)
1.一种结合社交和兴趣信息的异源图卷积网络的社交推荐方法,其特征是按如下步骤进行:
步骤1、构造用户社交关系矩阵S,用户物品评分矩阵R:
令U表示用户集,且U={u1,...,ua,...,ub,...,uM},其中,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表示物品集,且V={v1,...,vi,...,vj,...,vN},其中,vi表示第i个物品,vj表示第j个物品,N表示物品总数,1≤i,j≤N;令sab表示第a个用户ua对第b个用户ub的社交关系,若sab=1,则表示第a个用户ua对第b个用户ub存在社交依赖关系,若sab=0,则表示第a个用户ua对第b个用户ub不存在社交依赖关系,从而构造所有用户之间的社交关系矩阵S={sab}M×M;令Sa表示对第a个用户ua存在社交依赖关系的所有用户集合;令rai表示第a个用户ua对第i个物品vi的评分值,从而构造所有用户对所有物品的评分矩阵R={rai}M×N;令Ra表示第a个用户ua产生过消费行为的所有物品集合,令Ri表示对第i个物品vi产生过消费行为的所有用户集合;
步骤2、利用用户社交关系矩阵S和用户物品评分矩阵R,构造异源图G:
步骤2.1、利用用户社交关系矩阵S,构造用户-用户的社交关系图Gs={U,S∈RM×M},其中,用户集U作为结点集,社交关系矩阵S作为边集;
步骤2.2、利用用户物品评分矩阵R,构造用户-物品的兴趣关系图Gc={U∪V,R∈RM×N},其中,用户集U和物品集V作为结点集,评分矩阵R作为边集;
步骤2.3、利用用户作为中间媒介,将社交关系图Gs和兴趣关系图Gc结合起来作为整体异源图G={U∪V,E∈RM×(M+N)},其中,用户集U和物品集V作为结点集,E=R∪S作为边集;
步骤3、构造用户和物品的嵌入表示矩阵:
由用户集U和物品集V构建用户的自由嵌入矩阵C∈RM×D和物品的自由嵌入矩阵Y∈RN×D,其中D表示隐因子的维度,令所述自由嵌入矩阵C中第a列向量ca表示第a个用户ua对应的自由嵌入向量,Y中第i列向量yi表示第i个物品vi对应的自由嵌入向量;
步骤4、构造两个均为K个传播层的图卷积网络,并输入所述异源图G,再通过构造注意力机制,将两个图卷积网络传播过程联系起来:
步骤4.1、新建两个K个传播层的图卷积网络,并分别输入社交关系图Gs和兴趣关系图Gc,从而得到社交图卷积网络和兴趣图卷积网络;
步骤4.2、定义两个图卷积网络的当前传播层数为k,并初始化k=0;
步骤4.3、在社交图卷积网络中,将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca;在兴趣图卷积网络中,将第k个传播层中第a个用户ua对应的节点表示向量初始化为ca,将第k个传播层中第i个物品vi对应的节点表示向量初始化为yi;
步骤4.5、将所述兴趣关系图Gc输入到兴趣图卷积网络中,并分别利用式(2)和式(3)更新兴趣关系图Gc中用户和物品的嵌入表示,得到第k+1层的第a个用户ua的嵌入表示和第i个物品vi的嵌入表示与当前第k层的表示拼接,然后利用式(4)进行线性变换得到第k+1层第i个物品vi的最终嵌入表示
式(4)中,fk+1是一个非线性变换函数,Wf是对应的转换矩阵;
步骤5、计算用户对物品的物品偏好值,从而对用户进行推荐:
步骤5.1、根据每层图卷积网络的输出,利用式(6)计算第a个用户ua对第i个物品vi的偏好:
式(6)中,[·||·]表示对两个向量的拼接操作;
步骤5.2、选取贝叶斯个性化排序的框架,建立如式(7)所示的损失函数L:
式(7)中,σ(·)表示sigmoid函数,λ是正则化参数,||·||2表示二范数,Θ为网络模型在优化过程中的所有可学习参数的集合,第a个用户ua对第j个物品vj的预测偏好值;R-表示用户评分为0的评分集合,R+表示用户评分为1的评分集合;
步骤5.3、通过随机梯度下降法对所述损失函数L进行优化求解,使得L达到最小,从而得到最优的预测评分矩阵,并根据最优预测评分矩阵对用户进行物品推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010216211.4A CN111428147B (zh) | 2020-03-25 | 2020-03-25 | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010216211.4A CN111428147B (zh) | 2020-03-25 | 2020-03-25 | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428147A CN111428147A (zh) | 2020-07-17 |
CN111428147B true CN111428147B (zh) | 2021-07-27 |
Family
ID=71549416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010216211.4A Active CN111428147B (zh) | 2020-03-25 | 2020-03-25 | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428147B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967946B (zh) * | 2020-09-04 | 2024-04-12 | 吉林大学 | 一种基于面向用户多关系信息网络的商品推荐方法及*** |
CN112084428B (zh) * | 2020-09-17 | 2024-02-02 | 辽宁工程技术大学 | 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法 |
CN112445981A (zh) * | 2020-11-04 | 2021-03-05 | 西安电子科技大学 | 社交及消费联合推荐***、方法、存储介质、计算机设备 |
CN112650920B (zh) * | 2020-12-10 | 2022-11-11 | 中山大学 | 一种基于贝叶斯排序的融合社交网络的推荐方法 |
CN112435079B (zh) * | 2020-12-16 | 2022-09-16 | 合肥工业大学 | 一种面向纯社交平台的广告推荐方法 |
CN113407817A (zh) * | 2021-01-25 | 2021-09-17 | 北京工业大学 | 一种基于注意力机制的图神经协同过滤方法 |
CN112765373B (zh) * | 2021-01-29 | 2023-03-21 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备和存储介质 |
CN112990972B (zh) * | 2021-03-19 | 2022-11-18 | 华南理工大学 | 一种基于异构图神经网络的推荐方法 |
CN113158071A (zh) * | 2021-03-19 | 2021-07-23 | 广东工业大学 | 一种基于图神经网络的知识社交推荐方法、***和设备 |
CN113010796B (zh) * | 2021-04-15 | 2023-04-07 | 重庆大学 | 用于项目推荐的方法 |
CN113344177B (zh) * | 2021-05-10 | 2022-10-14 | 电子科技大学 | 基于图注意力的深度推荐方法 |
CN113407861B (zh) * | 2021-05-19 | 2022-07-15 | 中国科学技术大学 | 基于去中心化图神经网络的社交推荐方法 |
CN113379494B (zh) * | 2021-06-10 | 2024-05-31 | 清华大学 | 基于异质社交关系的商品推荐方法、装置和电子设备 |
CN113590976A (zh) * | 2021-07-17 | 2021-11-02 | 郑州大学 | 一种空间自适应图卷积网络的推荐方法 |
CN113792937B (zh) * | 2021-09-29 | 2022-09-13 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
CN113918834B (zh) * | 2021-10-22 | 2022-10-28 | 重庆理工大学 | 融合社交关系的图卷积协同过滤推荐方法 |
CN113918832B (zh) * | 2021-10-22 | 2022-09-27 | 重庆理工大学 | 基于社交关系的图卷积协同过滤推荐*** |
CN114677234B (zh) * | 2022-04-26 | 2024-04-30 | 河南大学 | 一种融合多通道注意力机制的图卷积神经网络社交推荐方法及*** |
CN114756768B (zh) * | 2022-06-15 | 2022-09-02 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备、可读存储介质及程序产品 |
CN117540111B (zh) * | 2024-01-09 | 2024-03-26 | 安徽农业大学 | 一种基于图神经网络的偏好感知社会化推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8489112B2 (en) * | 2009-07-29 | 2013-07-16 | Shopkick, Inc. | Method and system for location-triggered rewards |
CN110781406A (zh) * | 2019-10-14 | 2020-02-11 | 西安交通大学 | 一种基于变分自动编码器的社交网络用户多属性推断方法 |
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 |
CN110909942A (zh) * | 2019-11-27 | 2020-03-24 | 第四范式(北京)技术有限公司 | 训练模型的方法及***和预测序列数据的方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11797838B2 (en) * | 2018-03-13 | 2023-10-24 | Pinterest, Inc. | Efficient convolutional network for recommender systems |
-
2020
- 2020-03-25 CN CN202010216211.4A patent/CN111428147B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8489112B2 (en) * | 2009-07-29 | 2013-07-16 | Shopkick, Inc. | Method and system for location-triggered rewards |
CN110781406A (zh) * | 2019-10-14 | 2020-02-11 | 西安交通大学 | 一种基于变分自动编码器的社交网络用户多属性推断方法 |
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 |
CN110909942A (zh) * | 2019-11-27 | 2020-03-24 | 第四范式(北京)技术有限公司 | 训练模型的方法及***和预测序列数据的方法及*** |
Non-Patent Citations (3)
Title |
---|
A Neural Influence Diffusion Model for Social Recommendation;Le Wu等;《SIGIR 2019》;20190730;全文 * |
SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation;Le Wu等;《https://www.researchgate.net/publication/328800776_SocialGCN_An_Efficient_Graph_Convolutional_Network_based_Model_for_Social_Recommendation》;20181130;全文 * |
基于深度用户兴趣建模的社交推荐问题研究;孙培杰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111428147A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113626719B (zh) | 信息推荐方法、装置、设备、存储介质及计算机程序产品 | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN110362738B (zh) | 一种基于深度学习的结合信任和影响力的个性化推荐方法 | |
CN109190030B (zh) | 融合node2vec和深度神经网络的隐式反馈推荐方法 | |
CN109034960B (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐*** | |
CN107038184B (zh) | 一种基于分层隐变量模型的新闻推荐方法 | |
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 | |
Duma et al. | Sparseness reduction in collaborative filtering using a nearest neighbour artificial immune system with genetic algorithms | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN109446420A (zh) | 一种跨域协同过滤方法和*** | |
CN110321492A (zh) | 一种基于社区信息的项目推荐方法及*** | |
CN114298783A (zh) | 基于矩阵分解融合用户社交信息的商品推荐方法及*** | |
CN113849725B (zh) | 一种基于图注意力对抗网络的社会化推荐方法及*** | |
CN108984551A (zh) | 一种基于多类别联合软聚类的推荐方法及*** | |
CN113239266B (zh) | 基于局部矩阵分解的个性化推荐方法及*** | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN111949894B (zh) | 一种基于多空间交互的协同过滤个性化推荐方法 | |
CN114139066A (zh) | 一种基于图神经网络的协同过滤推荐*** | |
CN115935067A (zh) | 面向社会化推荐的语义与结构视图融合的物品推荐方法 | |
CN115344794A (zh) | 一种基于知识图谱语义嵌入的旅游景点推荐方法 | |
CN113158088A (zh) | 一种基于图神经网络的位置推荐方法 | |
CN110956528A (zh) | 一种电商平台的推荐方法及*** |
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 |