CN112100486A - 一种基于图模型的深度学习推荐***及其方法 - Google Patents

一种基于图模型的深度学习推荐***及其方法 Download PDF

Info

Publication number
CN112100486A
CN112100486A CN202010850352.1A CN202010850352A CN112100486A CN 112100486 A CN112100486 A CN 112100486A CN 202010850352 A CN202010850352 A CN 202010850352A CN 112100486 A CN112100486 A CN 112100486A
Authority
CN
China
Prior art keywords
user
recommendation
item
graph
fusion
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
Application number
CN202010850352.1A
Other languages
English (en)
Other versions
CN112100486B (zh
Inventor
李青山
褚华
歹杰
周洋涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202010850352.1A priority Critical patent/CN112100486B/zh
Publication of CN112100486A publication Critical patent/CN112100486A/zh
Application granted granted Critical
Publication of CN112100486B publication Critical patent/CN112100486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种基于图模型的深度学习推荐***及其方法，***包括：用户行为数据融合模块，用于将用户与项目的若干非评分交互数据依次进行向量转换、数据融合、信息转换得到“用户‑项目”等价评分；二部图信息传播模块，用于根据“用户‑项目”等价评分进行第一次二部图模型建模，并依次进行数据转换、信息传播、信息提取得到新的“用户‑项目”等价评分作为推荐种子集；图卷积深度推荐模块，用于根据推荐种子集进行第二次二部图模型建模，并依次进行图卷积编码、转换融合、解码得到推荐结果。本发明***，通过对用户行为数据进行融合，并经过二部图扩散得到推荐种子集，最终基于推荐种子集的二部图模型的深度学习为用户提供更加准确的推荐功能。

Description

一种基于图模型的深度学习推荐***及其方法
技术领域
本发明属于信息检索技术领域，具体涉及一种基于图模型的深度学习推荐***及其方法。
背景技术
随着互联网技术的飞速发展，基于互联网的信息提供平台已十分丰富。为提高用户对平台的粘度，如何在海量信息基础上为用户提供准确的信息推荐，已成为现在急需解决的问题。
目前的推荐***存在以下两个问题：对用户行为数据的利用率不足；面对数据稀疏性问题时性能发挥受限。中山大学所申请的专利“一种基于用户评论的推荐算法”(申请号201910746922.X)，公开一种基于用户评论的推荐算法，通过获取用户对目标商品的评论集，及对某一商品的所有评论集，根据这两个评论集及用户的购买历史记录构造用户和商品的特征向量，并构造特征矩阵，通过卷积神经网络提取商品的交互特征，最终进行推荐；哈尔滨工程大学所申请的专利“一种基于循环神经网络的推荐算法”(申请号201710606791.6，申请公布号CN107507054A)，公开了一种基于循环神经网络的推荐算法，通过使用商品的评分数据和商品的类别信息构造Rating-RNN神经网络和Category-RNN神经网络，通过两个模型的混合使用得到融合神经网络模型Mixing-RNN，最终进行推荐。
但是，中山大学提出的推荐方法，只是通过对用户与商品的间接评论文本数据进行处理与挖掘，没有充分挖掘商品和用户之间发生的直接用户交互行为数据，使得到的间接特征信息不能直接体现商品真实的特征信息，这导致该算法在推荐准确度比较低；哈尔滨工程大学提出的推荐方法，使用模型需要大量的序列化的数据作为模型训练基础，但是在数据稀疏的场景下，通过分析这些少量的数据，无法计算出或者较为准确的计算出用户的兴趣点，将无法提供准确的推荐结果。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于图模型的深度学习推荐***及其方法。
本发明的一个实施例提供了一种基于图模型的深度学习推荐***，该基于图模型的深度学习推荐***包括：
用户行为数据融合模块、二部图信息传播模块和图卷积深度推荐模块，其中：
所述用户行为数据融合模块，用于将用户与项目的若干非评分交互数据依次对所述“用户-项目”等价评分进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分；
所述二部图信息传播模块，连接所述用户行为数据融合模块，用于根据所述“用户-项目”等价评分进行第一次二部图模型建模，并依次进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集；
所述图卷积深度推荐模块，连接所述二部图信息传播模块，用于根据所述推荐种子集进行第二次二部图模型建模，并依次对所述推荐种子集进行图卷积编码、转换融合、解码得到推荐结果。
在本发明的一个实施例中，所述用户行为数据融合模块包括数据输入层、第一深度融合层和评分输出层，其中：
所述数据输入层，用于将所述若干非评分交互数据进行离散化、向量化处理得到向量数据；
所述第一深度融合层，用于对所述向量数据进行融合映射处理得到深度隐空间中的“用户-项目”行为信息；
所述评分输出层，用于对所述深度隐空间中的“用户-项目”行为信息进行信息转换得到所述“用户-项目”等价评分。
在本发明的一个实施例中，所述二部图信息传播模块包括转换输入层、传播计算层和种子输出层，其中：
所述转换输入层，用于对所述“用户-项目”等价评分进行第一次二部图模型建模，并进行二元化数据转换，构建用户与项目之间的交互链接得到“用户-链接-项目”二部图结构；
所述传播计算层，用于在所述“用户-链接-项目”二部图结构上根据二部图信息传播算法进行信息传播得到扩大的“用户-链接-项目”二部图结构；
所述种子输出层，用于从所述扩大的“用户-链接-项目”二部图结构中提取新的“用户-项目”等价评分作为所述推荐种子集。
在本发明的一个实施例中，所述图卷积深度推荐模块包括图卷积编码层、第二深度融合层、解码输出层，其中：
所述图卷积编码层，用于对所述推荐种子集进行第二次二部图模型建模，对新的二部图模型进行图卷积编码得到用户与项目的隐式表达向量；
所述第二深度融合层，用于对所述用户与项目的隐式表达向量进行转换融合计算得到用户与项目转换融合的隐式表达向量；
所述解码输出层，用于对所述用户与项目转换融合的用户与项目的隐式表达向量进行解码得到用户对项目的预测评分，并将所述用户对项目的预测评分作为所述推荐结果。
在本发明的一个实施例中，所述图卷积编码层中用户与项目的隐式表达向量分别为：
ui＝σ(Wuhi)；
vi＝σ(Wvhi)；
其中，ui表示用户的隐式表达向量，Wu表示用户权重参数，vi表示项目的隐式表达向量，Wv表示项目权重参数，σ表示非线性激活函数，hi表示图卷积编码操作，图卷积编码操作hi表示为：
Figure BDA0002644521230000041
其中，merge()表示累加融合操作，mj→i,r、mj→i,R均表示新的二部图模型中结点转换的低维空间表达向量，r表示具体评分值，R表示评分值变量，Ni表示当前图卷积编码操作中待处理结点总数，其中，结点转换的低维空间表达向量mj→ir表示为：
Figure BDA0002644521230000042
其中，ci,j表示结点的规范化常数，Wr表示新的二部图模型中各结点的权重参数，xj表示新的二部图模型中结点j的表示向量。
在本发明的一个实施例中，所述第二深度融合层中用户与项目转换融合的隐式表达向量分别为：
u'i＝σ(Wuhi+Wifi)；
v'i＝σ(Wvhi+Wifi)；
其中，u'i表示用户转换融合的隐式表达向量，v'i表示项目转换融合的隐式表达向量，Wi表示特征信息转换的权值参数，fi表示特征信息转换的低维空间表达向量，特征信息转换的低维空间表达向量fi表示为：
fi＝σ(Wfxi+b)；
其中，xi表示特征信息中的第i个表示向量，Wf表示特征信息处理的权重参数，b表示特征信息处理的偏置参数。
在本发明的一个实施例中，所述解码输出层中推荐结果表示为：
Figure BDA0002644521230000051
其中，g(u′i,v'j)表示用户对项目的预测评分，E[]表示求期望值，
Figure BDA0002644521230000052
表示预测评分值变量，
Figure BDA0002644521230000053
表示预测评分在不同评分等级上的概率分布，概率分布
Figure BDA0002644521230000054
表示为：
Figure BDA0002644521230000055
其中，Qr表示训练参数矩阵，Qs表示线性转换矩阵，[]T表示求转置。
本发明的另一个实施例提供了一种基于图模型的深度学习推荐方法，包括上述任一所述的基于图模型的深度学习推荐***，执行以下步骤：
步骤1、用户行为数据融合模块将用户与项目的若干非评分交互数据依次进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分，并将得到的所述“用户-项目”等价评分输入至二部图信息传播模块；
步骤2、所述二部图信息传播模块根据所述“用户-项目”等价评分进行第一次二部图模型建模，并依次对所述“用户-项目”等价评分进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集，并将所述推荐种子集输入至图卷积深度推荐模块；
步骤3、所述图卷积深度推荐模块根据所述推荐种子集进行第二次二部图模型建模，并依次对所述推荐种子集进行图卷积编码、转换融合、解码得到推荐结果，实现链接预测。
与现有技术相比，本发明的有益效果：
本发明提供的基于图模型的深度学习推荐***，通过对用户行为数据进行融合，并经过二部图扩散得到推荐种子集，最终基于推荐种子集的二部图模型的深度学习为用户提供更加准确的推荐功能。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1为本发明实施例提供的一种基于图模型的深度学习推荐***的结构示意图；
图2为本发明实施例提供的一种基于图模型的深度学习推荐***中用户行为数据融合模块的结构示意图；
图3为本发明实施例提供的一种基于图模型的深度学习推荐***中二部图信息传播模块的结构示意图；
图4为本发明实施例提供的一种基于图模型的深度学习推荐***中图卷积深度推荐模块的结构示意图；
图5为本发明实施例提供的一种基于图模型的深度学习推荐***的一示例结构示意图；
图6为本发明实施例提供的一种基于图模型的深度学习推荐方法的流程示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
为了解决现有推荐算法推荐准确度低的问题，请参见图1，图1为本发明实施例提供的一种基于图模型的深度学习推荐***的流程示意图。本发明实施例提供了一种基于图模型的深度学习推荐***，该基于图模型的深度学习推荐***包括：
用户行为数据融合模块、二部图信息传播模块和图卷积深度推荐模块，这三个模块之间串联协作，挖掘利用若干非评分交互数据中蕴含的“用户-项目”潜在关联信息得到“用户-项目”等价评分，衍生扩大“用户-项目”等价评分数据得到丰富的推荐种子集，根据推荐种子集建模“用户-项目”二部图结构，利用图卷积运算学习“用户-项目”二部图结构中的结点嵌入向量表达，缓解数据稀疏性的问题，提高推荐结果的准确率，最终实现对用户的个性化智能推荐，实现了一种基于图神经网络的二部图混合推荐***框架。具体地：
用户行为数据融合模块，用于将用户与项目的多种非评分异构交互数据依次进行向量转换、数据融合、信息转换得到“用户-项目”等价评分。
具体而言，本实施例用户行为数据融合模块充分利用各项用户与项目的多种非评分异构交互数据中蕴含的“用户-项目”潜在关联信息，获得“用户-项目”等价评分，填补直接评分数据的缺失，并将“用户-项目”等价评分输入至二部图信息传播模块。请参见图2，图2为本发明实施例提供的一种基于图模型的深度学习推荐***中用户行为数据融合模块的结构示意图，本实施例用户行为数据融合模块具体包括数据输入层、第一深度融合层和评分输出层，其中：
数据输入层，用于将非评分异构交互数据进行离散化、向量化处理得到向量数据。本实施例数据输入层数字化规范非评分异构交互数据，包括评论、收藏、点击次数等，从其他用户的非评分异构交互数据中提取用户对项目的偏好信息，将规范化后的数据进行离散化、向量化处理、从而转换为能够输入到后续深度融合层中深度神经网络的向量。
第一深度融合层，用于对向量数据进行融合映射处理得到深度隐空间中的“用户-项目”行为信息。本实施例深度融合层建立了基于反馈神经网络(Back PropagationNeural Network，简称BPNN)的三层深度学习神经网络模型，以拥有评分的向量数据作为已标记数据集、评分作为标签进行深度学习的模型训练，获得神经网络训练后的模型权重，从而将其映射到深度隐空间中，挖掘向量数据中的隐含语义信息，并进行融合处理得到深度隐空间中的“用户-项目”行为信息。
评分输出层，用于对深度隐空间中的“用户-项目”行为信息进行信息转换得到“用户-项目”等价评分。本实施例评分输出层基于未标记的“用户-项目”异构交互数据集和第一深度融合层得到的模型权重进行计算，得到未标记“用户-项目”异构交互数据集的预测等价评分，并将该预测等价评分以填值的方式输出补充到显式评分中得到“用户-项目”等价评分。
二部图信息传播模块，连接用户行为数据融合模块，用于根据“用户-项目”等价评分进行第一次二部图模型建模，并依次对“用户-项目”等价评分进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集。
具体而言，本实施例二部图信息传播模块利用二部图信息传播算法对用户行为数据融合模块输出的“用户-项目”等价评分进行衍生传播，初步挖掘用户的潜在偏好，扩充“用户-项目”等价评分的规模，将扩大后的“用户-项目”等价评分作为推荐种子集输入后续图卷积深度推荐模块。请参见图3，图3为本发明实施例提供的一种基于图模型的深度学习推荐***中二部图信息传播模块的结构示意图，本实施例二部图信息传播模块具体包括转换输入层、传播计算层和种子输出层，其中：
转换输入层，用于对“用户-项目”等价评分，进行第一次二部图模型建模，并进行二元化数据转换，构建用户与项目之间的交互链接得到“用户-链接-项目”二部图结构。本实施例对“用户-项目”等价评分进行转换，转换为二部图的输入数据，具体根据二元化数据转换构建用户与项目之间的交互链接，构建“用户-链接-项目”二部图结构。其中，二部图模型建模如后续第二次二部图模型构建过程。
传播计算层，用于在“用户-链接-项目”二部图结构上进行信息传播得到扩大的“用户-链接-项目”二部图结构。本实施例基于转换输入层得到的二部图输入数据进行信息传播，具体使用二部图信息传播算法，让用户已交互项目中蕴含的信息传播到未交互项目中，实现将小批量“用户-项目”等价评分数据规模扩大化。
种子输出层，用于从扩大的“用户-链接-项目”二部图结构中提取新的“用户-项目”等价评分作为推荐种子集。本实施例从经过信息传播计算后的“用户-链接-项目”二部图结构中提取新的“用户-项目”等价评分，新的“用户-项目”等价评分作为推荐种子集。
图卷积深度推荐模块，连接二部图信息传播模块，用于根据推荐种子集进行第二次二部图模型建模，并依次对推荐种子集进行图卷积编码、转换融合、解码得到推荐结果。
具体而言，本实施例图卷积深度推荐模块将二部图信息传播模块输出的推荐种子集建模为结点+链接的二部图结构，保留用户与项目之间的潜在关联，然后再利用图卷积运算的表征学习能力，在“用户-项目”图中学习用户与项目的结点嵌入向量，实现链接预测得到推荐结果。请参见图4，图4为本发明实施例提供的一种基于图模型的深度学习推荐***中图卷积深度推荐模块的结构示意图，本实施例图卷积深度推荐模块具体包括图卷积编码层、第二深度融合层、解码输出层，其中：
图卷积编码层，用于对推荐种子集进行第二次二部图模型构建，对新的二部图模型进行图卷积编码得到用户与项目的隐式表达向量。
具体而言，本实施例首先基于推荐种子集构建二部图模型构建，并对二部图模型中的结点信息定义计算，得到各结点转换的低维空间表达向量，各结点转换的低维空间表达向量mj→i,r表示为：
Figure BDA0002644521230000101
其中，ci,j表示消息的规范化常数，Wr表示新的二部图模型中各结点的权重参数，xj表示新的二部图模型中结点j的表示向量。然后根据计算得到的结点低维空间表达向量，对每个结点i进行信息累加融合，实现元素的非线性变换，即图卷积编码操作，图卷积编码操作表示为：
Figure BDA0002644521230000102
其中，merge()表示累加融合操作，σ表示非线性激活函数，r表示具体评分值，R表示评分值变量，Ni表示当前卷积编码操作中待处理结点总数。最后再对得到累加融合结果进行一轮线性变换与激活操作，从而得到用户与项目结点的隐式表达向量，用户与项目结点的隐式表达向量分别为：
ui＝σ(Wuhi)；
vi＝σ(Wvhi)；
其中，ui表示用户的隐式表达向量，Wu表示用户权重参数，vi表示用户的隐式表达向量，Wv表示项目权重参数。
第二深度融合层，用于对用户与项目的隐式表达向量进行转换融合计算得到转换融合的隐式表达向量。
具体而言，本实施例首先根据用户和项目的特征信息建立神经网络，特征信息比如包括用户的年龄、性别，以及课程信息的类别，然后将特征信息转换成低维空间表达向量，该特征信息对应的转换的低维空间表达向量表示为：
fi＝σ(Wfxi+b)；
其中，其中，xi表示特征信息中的第i个表示向量，Wf表示特征信息处理的权重参数，b表示特征信息处理的偏置参数。然后再建立一层全连接层将处理后的结点特征信息与图卷积编码层得到的用户与项目的隐式表达向量进行融合扩展，得到经过特征信息强化后用户与项目转换融合的隐式表达向量，该用户与项目转换融合的隐式表达向量分别为：
u'i＝σ(Wuhi+Wifi)；
v'i＝σ(Wvhi+Wifi)；
其中，u'i表示用户转换融合的隐式表达向量，v'i表示项目转换融合的隐式达达向量，Wi表示特征信息转换的权值参数。
解码输出层，用于对用户与项目转换融合的隐式表达向量进行解码得到用户对项目的预测评分，并将用户对项目的预测评分作为推荐结果。
具体而言，本实施例首先基于第二深度融合层得到新的用户与项目的转换融合的隐式表达向量计算预测评分在不同评分等级上的概率分布，概率分布表示为：
Figure BDA0002644521230000121
其中，Qr表示训练参数矩阵，Qs表示线性转换矩阵，Qr和Qs均为结点表达向量维度，[]T表示求转置。最后通过计算期望获得用户对项目的预测评分，根据该预测评分得到推荐结果，该推荐结果表示为：
Figure BDA0002644521230000122
其中，g(u′i,v'j)表示用户对项目的预测评分，E[]表示求期望值，
Figure BDA0002644521230000123
表示预测评分值变量，
Figure BDA0002644521230000124
表示预测评分在不同评分等级上的概率分布。
请参见图5，图5为本发明实施例提供的一种基于图模型的深度学习推荐***的一示例结构示意图。图5从上到下依次实现为用户行为数据融合模块、二部图信息传播模块和图卷积深度推荐模块，最上层用户行为数据融合模块中r表示初始用户-项目评分数据，中间层二部图信息传播模块进行二部图模型构建和信息扩散，图中黑点、白点分别表示用户(u)、项目(i即为v)，可以看到经过信息扩散算法处理后评分规模扩大，最下层图卷积深度推荐模块通过图模型深度卷积处理后实现了图结点表征学习，利用图卷积运算强大的表征学习能力，获得更加准确的预测结果。图5示意性的展示了三个模块整合之后，实现了从用户行为数据融合，到基于二部图的信息传播，再到图卷积深度推荐的全过程。
综上所述，本实施例提出的基于图模型的深度学习推荐***，通过对用户与项目的多种非评分交互数据进行融合，充分利用各项交互数据中蕴含的“用户-项目”潜在关联信息，得到基于“用户-项目”交互行为的等价评分，填补了直接评分数据的缺失，为后续推荐方法提供了可靠输入；本实施例通过二部图的信息传播算法对融合后的“用户-项目”交互行为的等价评分实现了进一步的扩散，大幅增加了原始数据的规模，得到了丰富的推荐种子集，进一步缓解了数据稀疏性问题；本实施例采用了将推荐种子集建模为结点+链接的二部图结构的方式，极大保留了用户与项目之间的潜在关联，之后利用图卷积运算强大的表征学习能力，获得更加准确的预测结果，最终实现对用户的个性化智能推荐。
实施例二
在上述实施例一的基础上，请参见图6，图6为本发明实施例提供的一种基于图模型的深度学习推荐方法的流程示意图，本实施例提供了一种基于图模型的深度学习推荐方法，该基于图模型的深度学习推荐方法包括以下步骤：
步骤1、用户行为数据融合模块将用户与项目的若干非评分交互数据依次进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分，并将得到的“用户-项目”等价评分输入至二部图信息传播模块。本实施例用户行为数据融合模块如上述实施例一所述包括数据输入层、第一深度融合层和评分输出层，数据输入层、第一深度融合层和评分输出层分别实现向量转换、数据融合映射、信息转换，具体数据输入层、深度融合层和评分输出层的实现在此不再赘述。
步骤2、二部图信息传播模块根据“用户-项目”等价评分进行第一次二部图模型建模，并依次对“用户-项目”等价评分进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集，并将推荐种子集输入至图卷积深度推荐模块。本实施例二部图信息传播模块如上述实施例一所述包括转换输入层、传播计算层和种子输出层，转换输入层、传播计算层和种子输出层分别实现数据转换、信息传播、信息提取，具体转换输入层、传播计算层和种子输出层的实现在此不再赘述。
步骤3、图卷积深度推荐模块根据推荐种子集进行第二次二部图模型建模，并依次对推荐种子集进行图卷积编码、转换融合、解码得到推荐结果，实现链接预测。本实施例图卷积深度推荐模块如上述实施例一所述包括图卷积编码层、深度融合层、解码输出层，图卷积编码层、深度融合层、解码输出层分别实现图卷积编码、转换融合、解码，具体图卷积编码层、第二深度融合层、解码输出层的实现在此不再赘述。
本实施例提供的基于图模型的深度学习推荐方法，可以执行上述实施例一所述的基于图模型的深度学习推荐***实施例，其实现原理和技术效果类似，在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，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 (8)

1.一种基于图模型的深度学习推荐***，其特征在于，包括用户行为数据融合模块、二部图信息传播模块和图卷积深度推荐模块，其中：
所述用户行为数据融合模块，用于将用户与项目的若干非评分交互数据依次对所述“用户-项目”等价评分进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分；
所述二部图信息传播模块，连接所述用户行为数据融合模块，用于根据所述“用户-项目”等价评分进行第一次二部图模型建模，并依次进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集；
所述图卷积深度推荐模块，连接所述二部图信息传播模块，用于根据所述推荐种子集进行第二次二部图模型建模，并依次对所述推荐种子集进行图卷积编码、转换融合、解码得到推荐结果。
2.根据权利要求1所述的基于图模型的深度学习推荐***，其特征在于，所述用户行为数据融合模块包括数据输入层、第一深度融合层和评分输出层，其中：
所述数据输入层，用于将所述若干非评分交互数据进行离散化、向量化处理得到向量数据；
所述第一深度融合层，用于对所述向量数据进行融合映射处理得到深度隐空间中的“用户-项目”行为信息；
所述评分输出层，用于对所述深度隐空间中的“用户-项目”行为信息进行信息转换得到所述“用户-项目”等价评分。
3.根据权利要求1所述的基于图模型的深度学习推荐***，其特征在于，所述二部图信息传播模块包括转换输入层、传播计算层和种子输出层，其中：
所述转换输入层，用于对所述“用户-项目”等价评分进行第一次二部图模型建模，并进行二元化数据转换，构建用户与项目之间的交互链接得到“用户-链接-项目”二部图结构；
所述传播计算层，用于在所述“用户-链接-项目”二部图结构上根据二部图信息传播算法进行信息传播得到扩大的“用户-链接-项目”二部图结构；
所述种子输出层，用于从所述扩大的“用户-链接-项目”二部图结构中提取新的“用户-项目”等价评分作为所述推荐种子集。
4.根据权利要求1所述的基于图模型的深度学习推荐***，其特征在于，所述图卷积深度推荐模块包括图卷积编码层、第二深度融合层、解码输出层，其中：
所述图卷积编码层，用于对所述推荐种子集进行第二次二部图模型建模，对新的二部图模型进行图卷积编码得到用户与项目的隐式表达向量；
所述第二深度融合层，用于对所述用户与项目的隐式表达向量进行转换融合计算得到用户与项目转换融合的隐式表达向量；
所述解码输出层，用于对所述用户与项目转换融合的隐式表达向量进行解码得到用户对项目的预测评分，并将所述用户对项目的预测评分作为所述推荐结果。
5.根据权利要求4所述的基于图模型的深度学习推荐***，其特征在于，所述图卷积编码层中用户与项目的隐式表达向量分别为：
ui＝σ(Wuhi)；
vi＝σ(Wvhi)；
其中，ui表示用户的隐式表达向量，Wu表示用户权重参数，vi表示项目的隐式表达向量，Wv表示项目权重参数，σ表示非线性激活函数，hi表示图卷积编码操作，图卷积编码操作hi表示为：
Figure FDA0002644521220000031
其中，merge()表示累加融合操作，mj→i,r、mj→i,R均表示新的二部图模型中结点转换的低维空间表达向量，r表示具体评分值，R表示评分值变量，Ni表示当前图卷积编码操作中待处理结点总数，其中，结点转换的低维空间表达向量mj→i,r表示为：
Figure FDA0002644521220000032
其中，ci,j表示结点的规范化常数，Wr表示新的二部图模型中各结点的权重参数，xj表示新的二部图模型中结点j的表示向量。
6.根据权利要求5所述的基于图模型的深度学习推荐***，其特征在于，所述第二深度融合层中用户与项目转换融合的隐式表达向量分别为：
u'i＝σ(Wuhi+Wifi)；
v'i＝σ(Wvhi+Wifi)；
其中，u'i表示用户转换融合的隐式表达向量，v'i表示项目转换融合的隐式表达向量，Wi表示特征信息转换的权值参数，fi表示特征信息转换的低维空间表达向量，特征信息转换的低维空间表达向量fi表示为：
fi＝σ(Wfxi+b)；
其中，xi表示特征信息中的第i个表示向量，Wf表示特征信息处理的权重参数，b表示特征信息处理的偏置参数。
7.根据权利要求6所述的基于图模型的深度学习推荐***，其特征在于，所述解码输出层中推荐结果表示为：
Figure FDA0002644521220000033
其中，g(u'i,v'j)表示用户对项目的预测评分，E[]表示求期望值，
Figure FDA0002644521220000041
表示预测评分值变量，
Figure FDA0002644521220000042
表示预测评分在不同评分等级上的概率分布，概率分布
Figure FDA0002644521220000043
表示为：
Figure FDA0002644521220000044
其中，Qr表示训练参数矩阵，Qs表示线性转换矩阵，[]T表示求转置。
8.一种基于图模型的深度学习推荐方法，其特征在于，包括权利要求1～7任一所述的基于图模型的深度学习推荐***，执行以下步骤：
步骤1、用户行为数据融合模块将用户与项目的若干非评分交互数据依次进行向量转换、数据融合映射、信息转换得到“用户-项目”等价评分，并将得到的所述“用户-项目”等价评分输入至二部图信息传播模块；
步骤2、所述二部图信息传播模块根据所述“用户-项目”等价评分进行第一次二部图模型建模，并依次对所述“用户-项目”等价评分进行数据转换、信息传播、信息提取得到新的“用户-项目”等价评分作为推荐种子集，并将所述推荐种子集输入至图卷积深度推荐模块；
步骤3、所述图卷积深度推荐模块根据所述推荐种子集进行第二次二部图模型建模，并依次对所述推荐种子集进行图卷积编码、转换融合、解码得到推荐结果，实现链接预测。
CN202010850352.1A 2020-08-21 2020-08-21 一种基于图模型的深度学习推荐***及其方法 Active CN112100486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010850352.1A CN112100486B (zh) 2020-08-21 2020-08-21 一种基于图模型的深度学习推荐***及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010850352.1A CN112100486B (zh) 2020-08-21 2020-08-21 一种基于图模型的深度学习推荐***及其方法

Publications (2)

Publication Number Publication Date
CN112100486A true CN112100486A (zh) 2020-12-18
CN112100486B CN112100486B (zh) 2023-04-07

Family

ID=73754068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010850352.1A Active CN112100486B (zh) 2020-08-21 2020-08-21 一种基于图模型的深度学习推荐***及其方法

Country Status (1)

Country Link
CN (1) CN112100486B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807422A (zh) * 2021-09-07 2021-12-17 南京邮电大学 融合多特征信息的加权图卷积神经网络评分预测模型
CN113887852A (zh) * 2021-05-21 2022-01-04 东北大学 一种基于异构图神经的人员推荐方法
CN115270005A (zh) * 2022-09-30 2022-11-01 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015101521A1 (en) * 2013-12-30 2015-07-09 Alcatel Lucent Ldpc encoder and decoder
CN105122655A (zh) * 2012-12-03 2015-12-02 数字无线功率有限公司 用于级联编码***的先进迭代解码和信道估计的***和方法
WO2018095049A1 (zh) * 2016-11-22 2018-05-31 华为技术有限公司 生成推荐结果的方法和装置
CN111209489A (zh) * 2020-01-06 2020-05-29 重庆邮电大学 一种基于差异化资源分配的二部图推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105122655A (zh) * 2012-12-03 2015-12-02 数字无线功率有限公司 用于级联编码***的先进迭代解码和信道估计的***和方法
WO2015101521A1 (en) * 2013-12-30 2015-07-09 Alcatel Lucent Ldpc encoder and decoder
WO2018095049A1 (zh) * 2016-11-22 2018-05-31 华为技术有限公司 生成推荐结果的方法和装置
CN111209489A (zh) * 2020-01-06 2020-05-29 重庆邮电大学 一种基于差异化资源分配的二部图推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
T. S. V. GAUTHAM等: ""Common architecture for decoding turbo and LDPC codes"", 《 2010 NATIONAL CONFERENCE ON COMMUNICATIONS (NCC)》 *
姜波等: ""基于二部图的服务推荐算法研究"", 《华中科技大学学报（自然科学版）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887852A (zh) * 2021-05-21 2022-01-04 东北大学 一种基于异构图神经的人员推荐方法
CN113887852B (zh) * 2021-05-21 2024-04-16 东北大学 一种基于异构图神经的人员推荐方法
CN113807422A (zh) * 2021-09-07 2021-12-17 南京邮电大学 融合多特征信息的加权图卷积神经网络评分预测模型
CN113807422B (zh) * 2021-09-07 2024-05-31 南京邮电大学 融合多特征信息的加权图卷积神经网络评分预测模型
CN115270005A (zh) * 2022-09-30 2022-11-01 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备以及存储介质
CN115270005B (zh) * 2022-09-30 2022-12-23 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN112100486B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112084383B (zh) 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN112100486B (zh) 一种基于图模型的深度学习推荐***及其方法
CN113641820B (zh) 基于图卷积神经网络的视角级文本情感分类方法及***
CN113486190B (zh) 一种融合实体图像信息和实体类别信息的多模态知识表示方法
CN112487143A (zh) 一种基于舆情大数据分析的多标签文本分类方法
KR102234850B1 (ko) 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치
CN109711465B (zh) 基于mll和asca-fr的图像字幕生成方法
CN111709474A (zh) 一种融合拓扑结构和节点属性的图嵌入链路预测方法
CN111858932A (zh) 基于Transformer的多重特征中英文情感分类方法及***
CN113628059B (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
CN113128206B (zh) 基于单词重要性加权的问题生成方法
CN110245228A (zh) 确定文本类别的方法和装置
CN113094533B (zh) 一种基于混合粒度匹配的图文跨模态检索方法
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***
CN115775116B (zh) 基于bim的路桥工程管理方法及***
CN113516133A (zh) 一种多模态图像分类方法及***
CN113254652A (zh) 一种基于超图注意力网络的社交媒体贴文真实性检测方法
CN114168754A (zh) 一种基于句法依赖和融合信息的关系抽取方法
CN116541593B (zh) 一种基于超图神经网络的课程推荐方法
CN115631008A (zh) 商品推荐方法、装置、设备及介质
CN116302088B (zh) 一种代码克隆检测方法、存储介质及设备
CN112734519B (zh) 一种基于卷积自编码器网络的商品推荐方法
CN115168678A (zh) 一种时序感知的异质图神经谣言检测模型
CN110866195B (zh) 文本描述的生成方法、装置、电子设备及存储介质
CN113486180A (zh) 一种基于关系层级交互的远程监督关系抽取方法及***

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