CN114707427B - 基于有效邻居取样最大化的图神经网络的个性化建模方法 - Google Patents
基于有效邻居取样最大化的图神经网络的个性化建模方法 Download PDFInfo
- Publication number
- CN114707427B CN114707427B CN202210571867.7A CN202210571867A CN114707427B CN 114707427 B CN114707427 B CN 114707427B CN 202210571867 A CN202210571867 A CN 202210571867A CN 114707427 B CN114707427 B CN 114707427B
- Authority
- CN
- China
- Prior art keywords
- user
- representation
- module
- fashion
- item
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/12—Cloth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于有效邻居取样最大化的图神经网络的个性化建模方法,属于个性化时尚推荐***技术领域体。本发明还提供一种个性化模型,该模型包括构图模块、时尚单品表示模块、用户表示模块、上衣‑下衣兼容性模块、用户个性化模块、推荐模块;其中构图模块与时尚单品表示模块、用户表示模块两大模块相连,时尚单品表示模块与上衣‑下衣兼容性模块相连,时尚单品表示模块和用户表示模块与用户个性化模块相连,上衣‑下衣兼容性模块和用户个性化模块两大模块与推荐模块相连。本发明提供了图神经网络在时尚推荐领域的具体用途,提高了推荐的准确度;在图神经网络的不同层采用不同的取样概率,提高了模型对目标结点的表示能力和模型的鲁棒性。
Description
技术领域
本发明属于个性化时尚推荐***技术领域,具体涉及一种基于有效邻居取样最大化的图神经网络的个性化、兼容性建模方法。
背景技术
近年来,随着时尚产业的快速发展,消费者对于时尚推荐的需求也在不断增加,由此产生了对于穿衣搭配的强烈需求。在服装兼容性建模方面,目前的工作可以分为两大类:其一是对两件时尚单品(如上衣与下衣)的兼容性建模,其二是对成套服装(多件时尚单品)的兼容性建模。在时尚单品建模方面,大多数方法是通过假设具有兼容关系的一对时尚单品在一个潜在空间当中彼此接近,从而将其视为一个度量学习问题;之后,随着相关研究的进展,数据独立函数与数据依赖函数的依次提出,科研工作者开始使用这些方法来建模时尚单品之间的兼容性;在套装建模方面,目前的研究方法多是将成套的服装视为一个序列,利用Bi-LSTM或RNN方法进行建模,之后,随着图神经网络的广泛应用,开始将这种方法应用在套装建模中。
基于上述,在时尚推荐领域进行服装兼容性建模时,目前的方法主要存在以下三点不足:其一,忽略了不同服装之间的关联程度,仅仅使用自身的视觉特征或者文本特征进行特征表示,不足以获得准确的单品特征表示;其二,在考虑个性化因素的建模方案中,忽略了用户关系网络对用户的影响,从而无法获得准确的用户特征表示,进而使得推荐***无法根据不同用户做出精确的服装推荐;其三,在使用图神经网络进行建模的方案当中,一般是将目标结点的所有邻居信息进行聚合,并未考虑噪声结点对目标结点表示带来的影响。
发明内容
本发明的目的是提供一种基于有效邻居取样最大化的图神经网络的个性化建模方法,以弥补现有技术的不足。
为了达到上述发明目的,本发明采用的具体技术方案是:
基于有效邻居取样最大化的图神经网络的个性化建模方法,包括以下步骤:
S1:首先构建基础模型:即所述个性化、兼容性模型;
S2:根据用户以及时尚单品间的交互图:构建用户-时尚单品图、用户交互图、时尚单品-用户图、时尚单品-时尚单品交互图;
S3:根据S2步骤创建的时尚单品交互图,创建时尚单品的特征表示矩阵,并构造一个共有L层的图神经网络模型,将时尚单品的特征表示矩阵送入到图神经网络模型当中,获得更新之后的时尚单品特征表示矩阵,包括上衣的特征表示和下衣的特征表示;
S4:根据S2步骤创建的用户交互图,创建用户的特征表示矩阵,利用S3步骤创建的图神经网络模型,将用户的特征表示矩阵送入到该图神经网络模型当中,获得更新之后的用户特征表示矩阵,即用户特征表示;
S5:经过S3步骤,获得上衣的特征表示与下衣的特征表示,将这两个特征表示送入所述上衣-下衣兼容性模块当中,计算上衣与下衣的兼容性分数;
S6:经过S3步骤与S4步骤,分别获得下衣的特征表示与用户特征表示,将这两个表示送入到所述用户个性化模块中,获得用户对给定下衣的偏爱分数;
S7:将从S5步骤获得的上衣与下衣的兼容性分数以及从S5步骤获得的用户对给定下衣的偏爱分数送入推荐模块,获得融合了个性化因素的上衣与下衣的兼容性分数。
进一步的,所述基础模型包括构图模块、时尚单品表示模块、用户表示模块、上衣-下衣兼容性模块、用户个性化模块、推荐模块;其中构图模块与时尚单品表示模块、用户表示模块两大模块相连,时尚单品表示模块与上衣-下衣兼容性模块相连,时尚单品表示模块和用户表示模块与用户个性化模块相连,上衣-下衣兼容性模块和用户个性化模块两大模块与推荐模块相连。
更进一步的,所述构图模块:根据用户以及时尚单品间的关系,构建用户-时尚单品图、用户-用户关系图、时尚单品-用户图、时尚单品-时尚单品图;
所述时尚单品表示模块:用于将时尚单品-用户图、时尚单品-时尚单品图以及随机初始化的用户、单品特征表示矩阵,输入到构建的图神经网络模型当中,获取更新之后的时尚单品特征表示;
所述用户表示模块:用于将用户-时尚单品图、用户-用户关系图以及随机初始化的用户、单品特征表示矩阵,输入到构建的图神经网络模型当中,获取更新之后的用户特征表示;
所述上衣-下衣兼容性模块:将从时尚单品表示模块中获得的上衣特征表示以及下衣特征表示作为输入信息,送入到该模块中,计算上衣与下衣的兼容性程度;
所述用户个性化模块:将从时尚单品表示模块中获得的下衣特征表示以及从用户表示模块中获得的用户特征表示作为输入信息,送入到该模块中,计算用户对于给定下衣的喜欢程度;
所述推荐模块:将上衣-下衣兼容性模块得到的上衣与下衣兼容性程度以及用户个性化模块得到的用户对下衣的喜欢程度作为输入,计算融入了个性化因素的上衣与下衣的兼容性分数,根据分数,为用户产生推荐。
更进一步地,所述的时尚单品表示模块包括第一表示子模块、第二表示子模块和第三表示子模块,其中第一表示子模块和第二表示子模块均与第三表示子模块相连;
第一表示子模块:用于从时尚单品交互空间中,借助图神经网络模型,并且融合注意力机制,从单品层面中获得单品特征表示;
第二表示子模块:用于从时尚单品-用户交互空间中,借助图神经网络模型,并且融合注意力机制,从用户层面中获得单品的特征表示;
第三表示子模块:将第一表示子模块与第二表示子模块的输出内容作为输入,用于融合从单品层面获得的单品特征表示以及从用户层面获得的单品特征表示,获得目标时尚单品的最终特征表示。
更进一步地,所述的用户表示模块包括第一表示子模块、第二表示子模块和第三表示子模块,其中第一表示子模块和第二表示子模块均与第三表示子模块相连;
第一表示子模块:用于从用户-时尚单品交互空间中,借助图神经网络,并且融合注意力机制,从单品层面中获得用户特征表示;
第二表示子模块:用于从用户-用户交互关系空间中,借助图神经网络,并且融合注意力机制,从用户交互层面中获得用户的特征表示;
第三表示子模块:将第一表示子模块与第二表示子模块的输出内容作为输入,用于融合从单品层面获得的用户特征表示以及从用户交互层面获得的用户特征表示,获得目标用户的最终特征表示。
进一步地,所述步骤S2中,创建交互图的具体方法为:
进一步地,所述的步骤S3具体为:
进一步地,所述的步骤S4具体为:
更进一步地,上述的图神经网络在进行邻居结点聚合信息时,采用一种依不同概率p在不同网络层进行取样有效结点参与信息聚合的策略,详细的步骤如下:
A2:对于目标结点o,依据取样概率p,在网络的第j层进行取样结点,以参与目标结点的信息聚合,其中取样结点数目num与概率p的关系为:
A3:计算目标结点o的所有邻居与结点o的相似度,取出前num个相似度大的结点,参与目标结点o的特征聚合。
进一步地,所述的步骤S5具体为:
进一步地,所述的步骤S6具体为:
进一步地,所述的步骤S7具体为:
式中,π是一个介于(0,1)之间的非负权衡参数。
上述方法能够应用于时尚推荐、衣服搭配等领域。
本发明的优点和有益效果如下:
(1)本发明提供了图神经网络在时尚推荐领域的具体用途,通过挖掘用户、时尚单品以及二者之间的交互关系,借助图表示学习方法,能充分学习用户以及时尚单品的特征表示,从而提高推荐的准确度。
(2)本发明在图神经网络的不同层采用不同的取样概率,尽可能地取样有效结点,摒弃噪声结点,从而提高模型对目标结点的表示能力;同时,提出依概率取样策略有效地解决了图神经网络当中由于层数过多而产生的过平滑问题,提高了模型的鲁棒性。
附图说明
图1为本发明建模过程整体框架示意图;
图 2 为本发明的建模使用方法流程图。
具体实施方式
下面结合附图来对本发明作进一步的阐述。
实施例:
一种基于有效邻居取样最大化的图神经网络的用户个性化、兼容性方法:
首先建立基础模型(如图1-2所示),该模型主要包括构图模块、时尚单品表示模块、用户表示模块、上衣-下衣兼容性模块、用户个性化模块、推荐模块,其中构图模块与时尚单品表示模块、用户表示模块两大模块相连,时尚单品表示模块与上衣-下衣兼容性模块相连,用户表示模块与用户个性化模块相连,上衣-下衣兼容性模块与用户个性化模块两大模块与推荐模块相连;
构图模块:构建用户-时尚单品图、用户-用户交互关系图、时尚单品-用户图、时尚单品-时尚单品图,从而为时尚单品表示模块以及用户表示模块提供交互图;
时尚单品表示模块:用于将时尚单品-用户图、时尚单品-时尚单品图两个交互图以及随机初始化的用户、时尚单品特征表示矩阵,输入到所构建的图神经网络模型当中,以获取更新之后的时尚单品特征表示。所述的时尚单品表示模块包括:第一表示子模块、第二表示子模块以及第三表示子模块,其中第一表示子模块和第二表示子模块均与第三表示子模块相连;
第一表示子模块:用于从时尚单品交互空间中,借助图神经网络,并且融合注意力机制,从单品层面中获得时尚单品特征表示;
第二表示子模块:用于从时尚单品-用户交互空间中,借助图神经网络,并且融合注意力机制,从用户层面中获得单品的特征表示;
第三表示子模块:将第一表示子模块与第二表示子模块的输出内容作为输入,用于融合从单品层面获得的单品特征表示以及从用户层面获得的单品特征表示,获得目标时尚单品的最终特征表示。
用户表示模块:用于将用户-时尚单品图、用户-用户交互图两个交互图以及随机初始化的用户、单品特征表示矩阵,输入到所构建的图神经网络模型当中,获取更新之后的用户特征表示。所述的用户表示模块包括:第一表示子模块、第二表示子模块以及第三表示子模块,其中第一表示子模块和第二表示子模块均与第三表示子模块相连;
第一表示子模块:用于从用户-时尚单品交互空间中,借助图神经网络,并且融合注意力机制,从单品层面中获得用户特征表示;
第二表示子模块:用于从用户-用户交互空间中,借助图神经网络,并且融合注意力机制,从用户交互层面中获得用户的特征表示;
第三表示子模块:将第一表示子模块与第二表示子模块的输出内容作为输入,用于融合从单品层面获得的用户特征表示以及从用户交互层面获得的用户特征表示,获得目标用户的最终特征表示。
上衣-下衣兼容性模块:将从时尚单品表示模块中获得的上衣特征表示与下衣特征表示作为输入信息,送入到该模块中,计算上衣与下衣的兼容性程度;
用户个性化模块:将从时尚单品表示模块中获得的下衣特征表示以及从用户表示模块中获得的用户特征表示作为输入信息,送入到该模块中,计算用户对于给定下衣的喜欢程度;
推荐模块:将上衣-下衣兼容性模块得到的上衣与下衣兼容性程度以及用户个性化模块得到的用户对下衣的喜欢程度作为输入,计算融入了个性化因素的上衣与下衣的兼容性分数,根据分数,为用户产生推荐。
基于上述模型的具体建模方法,包括以下步骤:
S1:构建用户-时尚单品图、用户-用户交互关系图、时尚单品-用户图、时尚单品-时尚单品图,所构建的四个交互图均为无向图,详细的交互图构建方式为:
本实施例在图神经网络当中,采用了一种依不同概率p在不同网络层进行取样有效结点以参与信息聚合的策略,详细的步骤如下:
A2:对于目标结点o,依据取样概率p,在网络的第j层进行取样结点,以参与目标结点的信息聚合,其中取样结点数目num与概率p的关系为:
A3:计算目标结点o的所有邻居与结点o的相似度,取出前num个相似度大的结点,参与目标结点o的特征聚合,计算相似度的操作具体为:
其中,是目标结点o的特征向量,E为目标结点o的邻居的特征矩阵,该矩阵的每一行表示其中一个邻居的特征向量,函数的作用是与特征矩阵E的每一行做点积,最后根据计算出的M矩阵,从中选出前num个相似度大的索引,根据索引找到对应的结点,来参与目标结点o的特征聚合。
S2:经过S1步骤,已经创建好上述四个交互图,构造时尚单品的静态交互矩阵,使用的是Pytorch框架下的,其中num_emb是时尚单品的总数量,emb_dim是特征向量的维度。其中,矩阵的每一行代表一件时尚单品的特征向量,将其记为,这也是单品在图神经网络中第一层的初始向量。
现在以上衣时尚单品为例,详细描述其在图神经网络中的聚集信息过程:
S21:在时尚单品层面进行聚集信息:
其中,表示服装-服装空间当中上衣在图神经网络当中第 层的表示向量,是一种在服装-服装空间中进行聚合操作的加权聚合器。表示上衣的全部邻居,表示服装空间当中上衣的邻居在图神经网络当中第层的表示向量,与分别表示神经网络当中可以学习的权重与偏置,σ是sigmoid非线性激活函数,⊕符号表示拼接操作。
时尚单品层面详细的邻居聚合操作如下:
S22:在用户层面进行聚集信息:
其中,表示服装-用户图当中上衣在图神经网络中第层的表示向量,是一种在服装-用户空间中进行聚合操作的加权聚合器。表示上衣的全部邻居,表示服装-用户空间当中服装的邻居在第层的表示向量。与分别表示在服装-用户空间的神经网络当中可以学习的权重与偏置。
用户层面详细的邻居聚合操作如下:
S3:经过S1步骤,利用上述创建好的四个交互图,构造用户静态交互矩阵,使用的是Pytorch框架下的,其中num_emb是用户的总数量,emb_dim是特征向量的维度。其中,矩阵的每一行代表一个用户的特征向量,将其记为,这也是用户在图神经网络中第一层的初始向量。详细的图神经网络聚集信息过程如下:
S31:从时尚单品层面进行聚集信息:
其中,表示用户-服装空间当中用户在网络中第层的表示向量,是本发明当中采用的加权聚合器。表示用户的全部邻居,表示用户-服装空间当中用户的邻居 在第层的表示向量,与分别表示神经网络当中可以学习的权重与偏置。
时尚单品层面详细的邻居聚合操作如下:
S32:从用户交互层面进行聚集信息:
其中,表示用户交互空间当中用户u在图神经网络当中第层的表示向量,是本发明当中采用的加权聚合器,表示用户的全部邻居,表示用户-交互空间当中用户的邻居 在图神经网络当中第层的表示向量,与分别表示用户交互空间的神经网络当中可以学习的权重与偏置。
用户交互层面详细的邻居聚合操作如下:
式中,在聚合过程中也采用了注意力机制 ,注意力系数η获得方式与S21同理。
在上式中使用最简单的点积方法来计算上衣与下衣的兼容性分数。
在上式中使用最简单的点积方法来计算用户对给定下衣的喜欢分数。
S6:在推荐模块当中主要完成下衣的时尚推荐,其详细步骤具体如下:
S62:根据现有的数据集构造四元组:
S63:通过BPR 损失函数的定义,目标函数如下:
S64:根据计算出的损失值,采用随机梯度下降的方法更新图神经网络中的参数,直到模型收敛,进而完成模型的训练工作,需要特别指出的是,在模型训练过程中,采用的是Adam优化器。
S65:同时需要注意的是,整个实验的过程中,将数据集划分为了训练集、验证集与测试集,三部分数据集的比例为7:2:1,其中训练集的作用是训练模型参数,验证集的作用是调整模型中的超参数,而测试集的作用是评估模型的性能。
本发明提出的基于有效邻居取样最大化的图神经网络的个性化建模方法充分利用了用户、时尚单品以及二者之间的交互信息,通过构建用户、时尚单品以及二者之间的交互图,借助图神经网络,并且采用一种最大化邻居取样策略,做到了对用户和时尚单品的准确表示,从而实现了贴合现实情况的高质量推荐。本发明实现了更加准确的实体特征表示,从而完成个性化时尚推荐任务。
最后,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.基于有效邻居取样最大化的图神经网络的个性化建模方法,其特征在于,该建模方法包括以下步骤:
S1:首先构建基础模型;所述基础模型包括构图模块、时尚单品表示模块、用户表示模块、上衣-下衣兼容性模块、用户个性化模块、推荐模块;其中构图模块与时尚单品表示模块、用户表示模块两大模块相连,时尚单品表示模块与上衣-下衣兼容性模块相连,时尚单品表示模块和用户表示模块与用户个性化模块相连,上衣-下衣兼容性模块和用户个性化模块两大模块与推荐模块相连;
S2:根据用户以及时尚单品间的交互图:构建用户-时尚单品图、用户交互图、时尚单品-用户图、时尚单品-时尚单品交互图;
S3:根据S2步骤创建的时尚单品交互图,创建时尚单品的特征表示矩阵,并构造一个共有L层的图神经网络模型,将时尚单品的特征表示矩阵送入到图神经网络模型当中,获得更新之后的时尚单品特征表示矩阵,包括上衣的特征表示和下衣的特征表示;
S4:根据S2步骤创建的用户交互图,创建用户的特征表示矩阵,利用S3步骤创建的图神经网络模型,将用户的特征表示矩阵送入到该图神经网络模型当中,获得更新之后的用户特征表示矩阵,即用户特征表示;
所述S3、S4中,所述图神经网络模型采用一种依不同概率p在不同网络层进行取样有效结点参与信息聚合的策略;
S5:经过S3步骤,获得上衣的特征表示与下衣的特征表示,将这两个特征表示送入所述上衣-下衣兼容性模块当中,计算上衣与下衣的兼容性分数;
S6:经过S3步骤与S4步骤,分别获得下衣的特征表示与用户特征表示,将这两个表示送入到所述用户个性化模块中,获得用户对给定下衣的偏爱分数;
S7:将从S5步骤获得的上衣与下衣的兼容性分数以及从S5步骤获得的用户对给定下衣的偏爱分数送入推荐模块,获得融合了个性化因素的上衣与下衣的兼容性分数。
2.如权利要求1所述的个性化建模方法,其特征在于,所述构图模块:根据用户以及时尚单品间的关系,构建用户-时尚单品图、用户-用户关系图、时尚单品-用户图、时尚单品-时尚单品图;
所述时尚单品表示模块:用于将时尚单品-用户图、时尚单品-时尚单品图以及随机初始化的用户、单品特征表示矩阵,输入到构建的图神经网络模型当中,获取更新之后的时尚单品特征表示;
所述用户表示模块:用于将用户-时尚单品图、用户-用户关系图以及随机初始化的用户、单品特征表示矩阵,输入到构建的图神经网络模型当中,获取更新之后的用户特征表示;
所述上衣-下衣兼容性模块:将从时尚单品表示模块中获得的上衣特征表示以及下衣特征表示作为输入信息,送入到该模块中,计算上衣与下衣的兼容性程度;
所述用户个性化模块:将从时尚单品表示模块中获得的下衣特征表示以及从用户表示模块中获得的用户特征表示作为输入信息,送入到该模块中,计算用户对于给定下衣的喜欢程度;
所述推荐模块:将上衣-下衣兼容性模块得到的上衣与下衣兼容性程度以及用户个性化模块得到的用户对下衣的喜欢程度作为输入,计算融入了个性化因素的上衣与下衣的兼容性分数,根据分数,为用户产生推荐。
3.如权利要求1所述的个性化建模方法,其特征在于,所述的时尚单品表示模块包括第一表示子模块、第二表示子模块和第三表示子模块,其中第一表示子模块和第二表示子模块均与第三表示子模块相连;
第一表示子模块:用于从时尚单品交互空间中,借助图神经网络模型,并且融合注意力机制,从单品层面中获得单品特征表示;
第二表示子模块:用于从时尚单品-用户交互空间中,借助图神经网络模型,并且融合注意力机制,从用户层面中获得单品的特征表示;
第三表示子模块:将第一表示子模块与第二表示子模块的输出内容作为输入,用于融合从单品层面获得的单品特征表示以及从用户层面获得的单品特征表示,获得目标时尚单品的最终特征表示。
4.如权利要求1所述的个性化建模方法,其特征在于,所述的用户表示模块包括第一表示子模块、第二表示子模块和第三表示子模块,其中第一表示子模块和第二表示子模块均与第三表示子模块相连;
第一表示子模块:用于从用户-时尚单品交互空间中,借助图神经网络,并且融合注意力机制,从单品层面中获得用户特征表示;
第二表示子模块:用于从用户-用户交互关系空间中,借助图神经网络,并且融合注意力机制,从用户交互层面中获得用户的特征表示;
第三表示子模块:将第一表示子模块与第二表示子模块的输出内容作为输入,用于融合从单品层面获得的用户特征表示以及从用户交互层面获得的用户特征表示,获得目标用户的最终特征表示。
7.如权利要求1所述的个性化建模方法,其特征在于,所述的步骤S4具体为:
8.如权利要求1所述的个性化建模方法,其特征在于,所述的步骤S5具体为:
所述的步骤S6具体为:
所述的步骤S7具体为:
式中,π是一个介于(0,1)之间的非负权衡参数;
9.权利要求1所述的个性化建模方法能够应用于时尚推荐、衣服搭配的技术领域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571867.7A CN114707427B (zh) | 2022-05-25 | 2022-05-25 | 基于有效邻居取样最大化的图神经网络的个性化建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571867.7A CN114707427B (zh) | 2022-05-25 | 2022-05-25 | 基于有效邻居取样最大化的图神经网络的个性化建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114707427A CN114707427A (zh) | 2022-07-05 |
CN114707427B true CN114707427B (zh) | 2022-09-06 |
Family
ID=82176860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210571867.7A Active CN114707427B (zh) | 2022-05-25 | 2022-05-25 | 基于有效邻居取样最大化的图神经网络的个性化建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707427B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378048A (zh) * | 2021-06-10 | 2021-09-10 | 浙江工业大学 | 一种基于多视角知识图谱注意力网络的个性化推荐方法 |
CN113763300A (zh) * | 2021-09-08 | 2021-12-07 | 湖北工业大学 | 一种联合深度上下文与卷积条件随机场的多聚焦图像融合方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875910A (zh) * | 2018-05-23 | 2018-11-23 | 山东大学 | 基于注意力知识提取的服装搭配方法、***及存储介质 |
CN108960959B (zh) * | 2018-05-23 | 2020-05-12 | 山东大学 | 基于神经网络的多模态互补服装搭配方法、***及介质 |
US10824949B2 (en) * | 2018-09-27 | 2020-11-03 | Babylon Partners Limited | Method and system for extracting information from graphs |
CN110807477B (zh) * | 2019-10-18 | 2022-06-07 | 山东大学 | 基于注意力机制的神经网络服装搭配方案生成方法及*** |
CN110825963B (zh) * | 2019-10-18 | 2022-03-25 | 山东大学 | 基于生成式的辅助模板增强服装搭配方案生成方法及*** |
CN111382309B (zh) * | 2020-03-10 | 2023-04-18 | 深圳大学 | 一种基于图模型的短视频推荐方法、和智能终端和存储介质 |
KR20210127464A (ko) * | 2020-04-14 | 2021-10-22 | 주식회사 제이어스 | 딥러닝을 통한 코디 및 스타일링 방법 및 시스템 |
CN111881342A (zh) * | 2020-06-23 | 2020-11-03 | 北京工业大学 | 一种基于图孪生网络的推荐方法 |
CN113158088A (zh) * | 2021-04-16 | 2021-07-23 | 桂林电子科技大学 | 一种基于图神经网络的位置推荐方法 |
CN113592609B (zh) * | 2021-08-17 | 2024-06-04 | 中山大学 | 一种利用时间因素的个性化服饰搭配推荐方法与*** |
CN114444369A (zh) * | 2021-09-29 | 2022-05-06 | 中南大学 | 一种基于异质图神经网络的时尚套装兼容性建模方法 |
CN114090902B (zh) * | 2021-11-22 | 2022-09-09 | 中国人民解放军国防科技大学 | 一种基于异质网络的社交网络影响力预测方法、装置 |
-
2022
- 2022-05-25 CN CN202210571867.7A patent/CN114707427B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378048A (zh) * | 2021-06-10 | 2021-09-10 | 浙江工业大学 | 一种基于多视角知识图谱注意力网络的个性化推荐方法 |
CN113763300A (zh) * | 2021-09-08 | 2021-12-07 | 湖北工业大学 | 一种联合深度上下文与卷积条件随机场的多聚焦图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114707427A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299396A (zh) | 融合注意力模型的卷积神经网络协同过滤推荐方法及*** | |
CN112364976B (zh) | 基于会话推荐***的用户偏好预测方法 | |
CN111932336A (zh) | 一种基于长短期兴趣偏好的商品列表推荐方法 | |
CN107563841A (zh) | 一种基于用户评分分解的推荐*** | |
CN110263257B (zh) | 基于深度学习处理多源异构数据的推荐方法 | |
CN111310063A (zh) | 基于神经网络的记忆感知门控因子分解机物品推荐方法 | |
US20230316379A1 (en) | Deep learning based visual compatibility prediction for bundle recommendations | |
CN110008377B (zh) | 一种利用用户属性进行电影推荐的方法 | |
CN113590900A (zh) | 一种融合动态知识图谱的序列推荐方法 | |
CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN110930219B (zh) | 一种基于多特征融合的个性化电商推荐方法 | |
CN115438732A (zh) | 面向冷启动用户基于分类偏好迁移的跨域推荐方法 | |
CN115082147A (zh) | 一种基于超图神经网络的序列推荐方法及装置 | |
WO2018133596A1 (zh) | 一种基于名义属性的连续型特征构造方法 | |
Navgaran et al. | Evolutionary based matrix factorization method for collaborative filtering systems | |
CN113592609A (zh) | 一种利用时间因素的个性化服饰搭配推荐方法与*** | |
CN115269977A (zh) | 一种基于图神经网络的融合知识与协同信息的推荐方法 | |
CN115221413B (zh) | 一种基于交互式图注意力网络的序列推荐方法及*** | |
CN107391577A (zh) | 一种基于表示向量的作品标签推荐方法和*** | |
CN111414555A (zh) | 一种基于协同过滤的个性化推荐方法 | |
Ahamed et al. | A recommender system based on deep neural network and matrix factorization for collaborative filtering | |
CN115374288A (zh) | 一种基于知识图谱与注意力机制的推荐方法 | |
CN114707427B (zh) | 基于有效邻居取样最大化的图神经网络的个性化建模方法 | |
CN116342228B (zh) | 一种基于有向图神经网络的相关推荐的方法 | |
CN111429175B (zh) | 稀疏特征场景下进行点击转化预测的方法 |
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 |