CN112507245A - 基于图神经网络的社交网络好友推荐方法 - Google Patents

基于图神经网络的社交网络好友推荐方法 Download PDF

Info

Publication number
CN112507245A
CN112507245A CN202011414193.7A CN202011414193A CN112507245A CN 112507245 A CN112507245 A CN 112507245A CN 202011414193 A CN202011414193 A CN 202011414193A CN 112507245 A CN112507245 A CN 112507245A
Authority
CN
China
Prior art keywords
node
attribute
user
neural network
graph
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
CN202011414193.7A
Other languages
English (en)
Other versions
CN112507245B (zh
Inventor
魏哲巍
陈明
丁博麟
李雅亮
袁野
杜小勇
文继荣
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.)
Renmin University of China
Original Assignee
Renmin University of China
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 Renmin University of China filed Critical Renmin University of China
Priority to CN202011414193.7A priority Critical patent/CN112507245B/zh
Publication of CN112507245A publication Critical patent/CN112507245A/zh
Application granted granted Critical
Publication of CN112507245B publication Critical patent/CN112507245B/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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于图神经网络的社交网络好友推荐方法，包括：将所有用户及用户间的关系转换为图结构。将所有用户属性信息映射为数值型向量，得到属性矩阵。执行L层属性转移概率计算，从而得到图结构的目标用户和待推荐用户聚合领域信息后的属性信息。将属性信息输入至深层神经网络进行编码，从而得到宿节点和其余待推荐节点编码后的信息，且根据编码信息计算得出宿节点相对于每一其他待推荐节点的相关性分数，并将相关性分数作为推荐的衡量标准，进行好友推荐。借此，本发明的基于图神经网络的社交网络好友推荐方法，提高了社交用户相关性评估的效率，从而提高了好友推荐速度。

Description

基于图神经网络的社交网络好友推荐方法
技术领域
本发明是关于计算机技术领域，特别是关于一种基于图神经网络的社交网络好友推荐方法。
背景技术
***互联网正在井喷式发展促使***社交市场正以***式的速度增长。艾媒咨询(iiMedia Research)数据显示，2019上半年中国即时通信应用使用率达到96.9％，即时通信所代表的移动社交已成网民生活常态，随着国内移动社交生态的发展，预计到2020年用户规模将突破9亿。庞大的移动社交用户规模也意味着更多的市场可能性，而以95后、00后为主的年轻新世代逐渐成为***社交市场的主力军。这部分年轻用户更青睐于轻松、趣味社交形式，偏好新潮、有趣、多元的社交场景。
移动互联网为用户提供更多信息与服务的同时，海量数据也让信息处理与过滤变得更加复杂。一方面，用户容易迷失于大量信息空间中而束手无策；另一方面，网站失去了与用户的联系而无法与用户建立长期稳固的合作关系。在这个背景下，推荐***应运而生。推荐***指根据已有的历史数据，分析用户的兴趣和需求，将与用户相关性较高的信息、产品、服务或者其他用户推荐给用户的个性化***。其中好友推荐旨在为用户推荐相关性高但尚未建立好友关系的用户。这使得用户(特别是新用户)可以快速建立良好的朋友关系圈、融入社交网络的信息服务中，从而增加用户活跃度与用户粘性。
在用户相关性的评估过程中，为了取得更好的评估结果，人们倾向于利用用户信息，通过训练深度神经网络完成社交网络上的用户相关性评估。在众多深度学习的方法中，图神经网络(Graph Neural Networks)因其针对图结构数据的独特设计和精确的相关性评估结果而得到了广泛的研究和应用。将社交网络转换成抽象的图结构后，图神经网络可以学习用户之间隐含的连接模式。对于给定的某用户，可以根据学习到的模式来计算其余用户相对该用户的相关性。
图神经网络是深度学习领域的一种重要算法，其核心计算过程可总结为以下两点：
1、将节点信息传播至邻域节点。
2、利用深度神经网络对信息做编码。
目前图神经网络的计算方法，其时间消耗普遍依赖于社交网络的稠密度。对于用户之间平均关联度较大的社交网络，图神经网络的信息传播速度较慢，在一定程度上限制了用户相关性评估的效率，从而影响了好友推荐的速度。
目前，现有的技术算法可以实现小规模用户群体上的相关性评估，但随着大数据时代的到来，社交网络规模越来越大，比如上亿用户的微信、推特(Twitter)等，现有的技术算法由于巨大的时间或空间开销而无法在大图上有效的计算推荐结果，这在很大程度上影响好友推荐功能的质量和效果。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于图神经网络的社交网络好友推荐方法，提高了社交用户相关性评估的效率，从而提高了好友推荐速度。
为实现上述目的，本发明提供了一种基于图神经网络的社交网络好友推荐方法，包括：将所有用户及用户间的关系转换为图结构。将所有用户属性信息映射为数值型向量，得到属性矩阵。执行L层属性转移概率计算，从而得到图结构的目标用户和待推荐用户聚合领域信息后的属性信息。将属性信息输入至深层神经网络进行编码，从而得到宿节点和其余待推荐节点编码后的信息，且根据编码信息计算得出宿节点相对于每一其他待推荐节点的相关性分数，并将相关性分数作为推荐的衡量标准，进行好友推荐。
在本发明的一实施方式中，图结构包括与用户相对应的节点以及与用户间的关系对应的边，且目标用户为图结构的宿节点。
在本发明的一实施方式中，执行L层属性转移概率计算包括：
对于图结构，对宿节点和待推荐节点重复执行w次采样过程。以及对于属性矩阵的每一列执行更新过程，且将采样过程和更新过程结构进行组合。
在本发明的一实施方式中，对宿节点和待推荐节点重复执行w次采样过程包括利用采样估计从节点u出发的随机游走经1步到达节点v的概率
Figure BDA0002816560860000031
其中v为图结构中的任意一节点。
在本发明的一实施方式中，对于属性矩阵的每一列执行更新过程，且将采样过程和更新过程结构进行组合包括：判断属性矩阵某一列中的每一项(u，f)的数值是否满足第一预设条件。若满足第一预设条件，则利用第一更新公式对当前节点u的属性转移概率数值
Figure BDA0002816560860000032
进行更新并清除属性值
Figure BDA0002816560860000033
利用第二更新公式对当前节点u的邻居节点v在下一层的属性值
Figure BDA0002816560860000034
进行更新。更新完成后，利用第三更新公式组合采样过程和采样过程所得结果。
在本发明的一实施方式中，第一预设条件为：
Figure BDA0002816560860000035
第一更新公式为：
Figure BDA0002816560860000036
第二更新公式为：
Figure BDA0002816560860000037
其中，
Figure BDA0002816560860000038
为当前节点u在当前层l的属性转移概率，初始时为0。其中，
Figure BDA0002816560860000039
为当前节点u在当前层l的属性值，初始时为用户信息。其中，
Figure BDA00028165608600000310
为更新后的节点v在第1+1层的属性转移概率。其中，θ为用户根据实际情况确定的误差参数。其中，d(u)为节点u的邻居个数。其中，若每一项(u，f)的数值不满足第一预设条件，则结束更新过程。
与现有技术相比，根据本发明的基于图神经网络的社交网络好友推荐方法，通过组合采样过程和更新过程可以在亚线性时间复杂度下得到用户的属性转移概率，摆脱了转移概率计算时间与社交网络稠密度的依赖关系，提高了社交用户相关性评估的效率，从而提高了好友推荐速度。
附图说明
图1是根据本发明一实施方式的基于图神经网络的社交网络好友推荐方法的流程示意图；
图2是图1中步骤S3的具体流程示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
图1是根据本发明一实施方式的基于图神经网络的社交网络好友推荐方法的流程示意图。如图1所示，根据本发明优选实施方式的一种基于图神经网络的社交网络好友推荐方法，包括：
S1，将社交网络平台上的用户、用户及用户间的关系转换为图结构G，其中，所述图结构G中包括与所述用户对应的节点以及与所述用户间的关系对应的边，目标用户为所述图结构的宿节点；
首先将用户、用户及用户之间的关系转换为图结构G，图结构G中包括所有的社交用户，即目标用户和其它用户，社交用户对应图结构上的节点，社交用户之间的关注关系对应图结构上的边，目标用户为图结构的宿节点u，图结构G包括n个节点。
本发明实施例中用户指的是社交平台上所有的注册用户，用户间的关系具体可以是用户间的关注关系。例如，Facebook上所有的注册好友以及好友关系网。
具体的，对于微博、Facebook、Instagram这类有关注关系的社交网络，将社交网络的用户对应到图结构上的节点，用户之间的关注关系对应到图结构上的边。具体来说，如果A用户关注了B用户或B用户关注了A用户，则在图结构上建立一条由A用户节点到B用户节点的双向边。将一个节点所拥有的边的个数称为“度”。
对于微信、QQ这类有好友关系的社交网络，将社交网络上的用户对应到图节点，将好友关系对应到图结构上的边。具体来说，如果A用户和B用户之间存在好友关系(即A、B互为好友)，则在图结构上建立一条由A用户节点到B用户节点的双向边。
在存储上述图结构时，对图上每个节点都构建一个邻接表，用来存储该节点的所有邻居。对于图上任意节点v，其对应的入邻接表长度为d(v)表示节点v的出度。
S2，将用户属性信息映射为数值型向量，得到属性矩阵R(0)；
将用户的多种不同类型的信息横向拼接成一个长度为F的向量，用户信息包括数值型或文字型信息，数值型信息可直接使用，文字性信息使用词嵌入技术将文字映射为数值型信息。使用一个n行F列的二维矩阵R(0)存储所有用户的信息。
S3，执行L层属性转移概率计算，得到图结构目标用户和待推荐用户聚合邻域信息后的属性信息P，用户对应所述图结构上的节点；
执行L层属性转移概率计算，根据如下公式对l进行更新，直至l大于预设值L。
l更新公式为：l＝l+1。
其中，所述1的预设值为0。
在执行步骤S3之前，图结构上的所有节点都各自维护3L个向量，对应该节点在各层的采样概率、残余值和属性转移概率数值。例如，对于图上任意节点v，其需要维护3L个向量：
Figure BDA0002816560860000061
对应节点v在第0、1、…、L层的属性转移概率数值，
Figure BDA0002816560860000062
对应节点v在第0、1、…、L层的采样概率数值，
Figure BDA0002816560860000063
对应节点v在第0、1、…、L层的残余数值。除
Figure BDA0002816560860000064
被初始化为编码信息外，所有其他数值均被初始化为0。
在L层属性转移概率计算过程中，各节点在1层的采样概率、属性转移概率和残余值被对应更新。1是一个中间变量，用来标记当前数值的更新层数，并决定整个计算过程的停止时间，停止后将前L层的采样概率、属性转移概率和残余值的加权和作为最终的属性转移概率P的估计值
Figure BDA0002816560860000065
可以证明的是，P与
Figure BDA0002816560860000066
之间的误差不超过θ，其中θ为用户根据实际情况确定的误差参数。
S4，将S3得到的属性转移概率P输入到深层神经网络进行编码，得到宿节点和其余待推荐节点编码后的信息，根据编码信息计算得出所述宿节点相对于每一其它待推荐节点的相关性分数，将相关性分数作为推荐的衡量标准，进行好友推荐。
将属性转移概率P作为输入信息使用深度神经网络编码，获得宿节点u和其余待推荐节点v的编码向量hu和hv，根据如下公式计算得出u和v的相关性π(u，v)。
相关性π(u，v)的计算公式为：π(u，v)＝hu·hv。
从所有节点中，找到与宿节点u的相关性数值最高的前t个节点进行好友推荐，t为预设数值，可以由用户指定，是指给目标用户进行推荐的用户数量。
另外，对于属性转移概率的计算，当w设置为
Figure BDA0002816560860000071
θ设置为
Figure BDA0002816560860000072
时，本发明实施例可以在
Figure BDA0002816560860000073
的时间复杂度内完成宿节点和待推荐节点的属性转移概率在绝对误差ε约束阈值下的计算，|C|为对应的图结构中宿节点和待推荐节点的总个数，d为图结构上的节点平均度。
而现有的属性转移概率计算方法只能在
Figure BDA0002816560860000074
的时间内得到绝对误差ε下的计算结果，或者在O(LndF)的时间内得到精确结果。
图2是图1中步骤S3的具体流程示意图，如图2所示，步骤S3具体包括：
S31，对于图结构，对宿节点和待推荐节点重复执行w次采样过程；
具体地，该采样过程为：若从节点u出发的随机游走经1步到达节点v，则根据如下公式对
Figure BDA0002816560860000075
进行更新。
Figure BDA0002816560860000081
更新公式为：
Figure BDA0002816560860000082
其中v为图结构中的任一节点，随机游走为以等概率随机走向当前节点的一个邻居节点。
S32，对于属性矩阵的每一列执行更新过程，将采样过程和更新过程结果进行组合，得到每个用户的属性信息后用于后续计算。
在本发明的一实施方式中，步骤S32具体包括：
S321，对于所述某一层1的属性矩阵R(l)的某一列f，逐个判断该列中每一项(u，f)的数值是否满足第一预设条件，如果满足，利用第一更新公式对当前节点u的属性转移概率数值
Figure BDA0002816560860000083
进行更新并清除
Figure BDA0002816560860000084
的数值，利用第二更新公式对u的邻居节点v在下一层的属性值
Figure BDA0002816560860000085
进行更新。
第一预设条件为：
Figure BDA0002816560860000086
第一更新公式为：
Figure BDA0002816560860000087
第二更新公式为：
Figure BDA0002816560860000088
其中，
Figure BDA0002816560860000089
为当前节点u在当前层1的属性转移概率，初始时为0，
Figure BDA00028165608600000810
为当前节点u在当前层l的属性值，初始时为用户信息，
Figure BDA00028165608600000811
表示更新后的节点v在第1+1层的属性转移概率，θ为用户根据实际情况确定的误差参数，d(u)为节点u的邻居个数，如果所有所述项(u，f)的数值不满足所述第一预设条件，则结束更新过程；
S322，在更新过程结束后，利用第三更新公式组合采样过程和更新过程所得结果；
第三更新公式为：
Figure BDA0002816560860000091
其中γl为用户根据实际情况确定的权重参数，满足
Figure BDA0002816560860000092
Figure BDA0002816560860000093
为L层属性转移概率P的估计值。
总之，本发明的基于图神经网络的社交网络好友推荐方法，通过组合采样过程和更新过程可以在亚线性时间复杂度下得到用户的属性转移概率，摆脱了转移概率计算时间与社交网络稠密度的依赖关系，提高了社交用户相关性评估的效率，从而提高了好友推荐速度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (7)

1.一种基于图神经网络的社交网络好友推荐方法，其特征在于，包括：
将所有用户及用户间的关系转换为图结构；
将所有用户属性信息映射为数值型向量，得到属性矩阵；
执行L层属性转移概率计算，从而得到所述图结构的目标用户和待推荐用户聚合领域信息后的属性信息；以及
将所述属性信息输入至深层神经网络进行编码，从而得到宿节点和其余待推荐节点编码后的信息，且根据编码信息计算得出所述宿节点相对于每一其他待推荐节点的相关性分数，并将所述相关性分数作为推荐的衡量标准，进行好友推荐。
2.如权利要求1所述的基于图神经网络的社交网络好友推荐方法，其特征在于，所述图结构包括与所述用户相对应的节点以及与所述用户间的关系对应的边，且所述目标用户为所述图结构的宿节点。
3.如权利要求2所述的基于图神经网络的社交网络好友推荐方法，其特征在于，执行所述L层属性转移概率计算包括：
对于所述图结构，对所述宿节点和所述待推荐节点重复执行w次采样过程；以及
对于所述属性矩阵的每一列执行更新过程，且将采样过程和更新过程结构进行组合。
4.如权利要求3所述的基于图神经网络的社交网络好友推荐方法，其特征在于，对所述宿节点和所述待推荐节点重复执行w次采样过程包括利用采样估计从节点u出发的随机游走经l步到达节点v的概率
Figure FDA0002816560850000011
其中v为所述图结构中的任意一节点。
5.如权利要求3所述的基于图神经网络的社交网络好友推荐方法，其特征在于，对于所述属性矩阵的每一列执行更新过程，且将采样过程和更新过程结构进行组合包括：
判断所述属性矩阵某一列中的每一项(u,f)的数值是否满足第一预设条件；
若满足所述第一预设条件，则利用第一更新公式对当前节点u的属性转移概率数值
Figure FDA0002816560850000021
进行更新并清除属性值
Figure FDA0002816560850000022
利用第二更新公式对当前节点u的邻居节点v在下一层的属性值
Figure FDA0002816560850000023
进行更新；以及
更新完成后，利用第三更新公式组合采样过程和采样过程所得结果。
6.如权利要求5所述的基于图神经网络的社交网络好友推荐方法，其特征在于，所述第一预设条件为：
Figure FDA0002816560850000024
所述第一更新公式为：
Figure FDA0002816560850000025
所述第二更新公式为：
Figure FDA0002816560850000026
其中，
Figure FDA0002816560850000027
为当前节点u在当前层l的属性转移概率，初始时为0；
其中，
Figure FDA0002816560850000028
为当前节点u在当前层l的属性值，初始时为用户信息；
其中，
Figure FDA0002816560850000029
为更新后的节点v在第l+1层的属性转移概率；
其中，θ为用户根据实际情况确定的误差参数；
其中，d(u)为节点u的邻居个数；
其中，若每一项(u,f)的数值不满足所述第一预设条件，则结束更新过程。
7.如权利要求5所述的基于图神经网络的社交网络好友推荐方法，其特征在于，所述第三更新公式为：
Figure FDA0002816560850000031
其中，γl为用户根据实际情况确定的权重参数，满足
Figure FDA0002816560850000032
Figure FDA0002816560850000033
为L层属性转移概率P的估计值。
CN202011414193.7A 2020-12-03 2020-12-03 基于图神经网络的社交网络好友推荐方法 Active CN112507245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011414193.7A CN112507245B (zh) 2020-12-03 2020-12-03 基于图神经网络的社交网络好友推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011414193.7A CN112507245B (zh) 2020-12-03 2020-12-03 基于图神经网络的社交网络好友推荐方法

Publications (2)

Publication Number Publication Date
CN112507245A true CN112507245A (zh) 2021-03-16
CN112507245B CN112507245B (zh) 2023-07-18

Family

ID=74970480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414193.7A Active CN112507245B (zh) 2020-12-03 2020-12-03 基于图神经网络的社交网络好友推荐方法

Country Status (1)

Country Link
CN (1) CN112507245B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407862A (zh) * 2021-05-20 2021-09-17 桂林电子科技大学 一种基于门机制的序列社交推荐方法、***及存储介质
CN113901333A (zh) * 2021-10-11 2022-01-07 东方财富信息股份有限公司 一种融合了图结构与文本特征的好友推荐方法
CN114265988A (zh) * 2021-12-20 2022-04-01 人工智能与数字经济广东省实验室(广州) 基于重要性得分的好友推荐方法
CN114579877A (zh) * 2022-03-09 2022-06-03 北京睿芯高通量科技有限公司 一种存在减分机制基于图神经网络的推荐方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1498791A1 (en) * 2003-07-16 2005-01-19 United Technologies Corporation Model predictive control
CN104731962A (zh) * 2015-04-03 2015-06-24 重庆邮电大学 一种社交网络中基于相似社团的好友推荐方法及***
US20180232459A1 (en) * 2017-02-10 2018-08-16 Johnson Controls Technology Company Building management system with timeseries processing
CN109492770A (zh) * 2018-10-08 2019-03-19 浙江大学 一种基于个性化关系排序的属性网络嵌入方法
CN110705304A (zh) * 2019-08-09 2020-01-17 华南师范大学 一种属性词提取方法
CN111159483A (zh) * 2019-12-26 2020-05-15 华中科技大学 一种基于增量计算的社交网络图摘要的生成方法
CN111372255A (zh) * 2020-02-13 2020-07-03 北京联合大学 一种基于图卷积神经网络的邻区关系预测方法及***
CN111506833A (zh) * 2020-06-12 2020-08-07 中国人民大学 基于单源SimRank精确解的好友推荐方法
CN111581532A (zh) * 2020-05-08 2020-08-25 深圳市万佳安人工智能数据技术有限公司 一种基于随机块的社交网络交友推荐方法和***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1498791A1 (en) * 2003-07-16 2005-01-19 United Technologies Corporation Model predictive control
CN104731962A (zh) * 2015-04-03 2015-06-24 重庆邮电大学 一种社交网络中基于相似社团的好友推荐方法及***
US20180232459A1 (en) * 2017-02-10 2018-08-16 Johnson Controls Technology Company Building management system with timeseries processing
CN109492770A (zh) * 2018-10-08 2019-03-19 浙江大学 一种基于个性化关系排序的属性网络嵌入方法
CN110705304A (zh) * 2019-08-09 2020-01-17 华南师范大学 一种属性词提取方法
CN111159483A (zh) * 2019-12-26 2020-05-15 华中科技大学 一种基于增量计算的社交网络图摘要的生成方法
CN111372255A (zh) * 2020-02-13 2020-07-03 北京联合大学 一种基于图卷积神经网络的邻区关系预测方法及***
CN111581532A (zh) * 2020-05-08 2020-08-25 深圳市万佳安人工智能数据技术有限公司 一种基于随机块的社交网络交友推荐方法和***
CN111506833A (zh) * 2020-06-12 2020-08-07 中国人民大学 基于单源SimRank精确解的好友推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
C. GKANTSIDIS 等: "Random walks in peer-to-peer networks", 《IEEE INFOCOM 2004》, pages 130 *
李瑞雪: "基于多信息源图嵌入的好友推荐算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2019, pages 138 - 1317 *
王慧雪: "基于node2vec 的社区检测方法", 《计算机与数字工程》, vol. 48, no. 2, pages 403 - 408 *
陈婉杰 等: "基于网络表示学习的非单一维度的社区发现算法", 《计算机应用》, vol. 39, no. 12, pages 3467 - 3475 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407862A (zh) * 2021-05-20 2021-09-17 桂林电子科技大学 一种基于门机制的序列社交推荐方法、***及存储介质
CN113407862B (zh) * 2021-05-20 2022-06-17 桂林电子科技大学 一种基于门机制的序列社交推荐方法、***及存储介质
CN113901333A (zh) * 2021-10-11 2022-01-07 东方财富信息股份有限公司 一种融合了图结构与文本特征的好友推荐方法
CN113901333B (zh) * 2021-10-11 2024-05-28 东方财富信息股份有限公司 一种融合了图结构与文本特征的好友推荐方法
CN114265988A (zh) * 2021-12-20 2022-04-01 人工智能与数字经济广东省实验室(广州) 基于重要性得分的好友推荐方法
CN114579877A (zh) * 2022-03-09 2022-06-03 北京睿芯高通量科技有限公司 一种存在减分机制基于图神经网络的推荐方法及***

Also Published As

Publication number Publication date
CN112507245B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN112507245A (zh) 基于图神经网络的社交网络好友推荐方法
CN109508419B (zh) 一种基于知识学习的推荐方法和***
CN107330798B (zh) 一种基于种子节点传播的社交网络间用户身份识别方法
CN113792937B (zh) 一种基于图神经网络的社交网络影响力预测方法、装置
CN105956093B (zh) 一种基于多视图锚点图哈希技术的个性化推荐方法
CN112418525B (zh) 社交话题群体行为的预测方法、装置及计算机存储介质
CN108647800B (zh) 一种基于节点嵌入的在线社交网络用户缺失属性预测方法
CN112989169B (zh) 目标对象识别方法、信息推荐方法、装置、设备及介质
CN113094593B (zh) 社交网络事件推荐方法、***、设备及存储介质
CN112182424A (zh) 一种基于异构信息和同构信息网络融合的社交推荐方法
CN114817663A (zh) 一种基于类别感知图神经网络的服务建模与推荐方法
CN111767472A (zh) 一种社交网络异常账号检测方法及***
CN109740106A (zh) 基于图卷积神经网络的大规模网络介数逼近方法、存储装置及存储介质
CN112667920A (zh) 基于文本感知的社交影响力预测方法、装置及设备
CN110659394A (zh) 基于双向邻近度的推荐方法
CN110008411B (zh) 一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法
CN106649731A (zh) 一种基于大规模属性网络的节点相似性搜索方法
CN110287424B (zh) 基于单源SimRank的协同过滤推荐方法
WO2018077301A1 (zh) 账号筛选方法和装置
CN109857928B (zh) 基于多元信用评估的用户偏好预测方法
CN113641811B (zh) 促进购买行为的会话推荐方法、***、设备及存储介质
CN117076763A (zh) 基于超图学习的会话推荐方法、装置、电子设备及介质
CN117216376A (zh) 一种基于深度图神经网络的公平感知推荐***及推荐方法
CN115131605A (zh) 一种基于自适应子图的结构感知图对比学习方法
CN116932873A (zh) 视频账号的推荐方法、装置、设备、存储介质及程序产品

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