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 PDF

Info

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
Application number
CN202210571867.7A
Other languages
English (en)
Other versions
CN114707427A (zh
Inventor
刘金环
侯磊
杜军威
于旭
马军
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.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
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 Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202210571867.7A priority Critical patent/CN114707427B/zh
Publication of CN114707427A publication Critical patent/CN114707427A/zh
Application granted granted Critical
Publication of CN114707427B publication Critical patent/CN114707427B/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
    • 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

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
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：
S21：首先定义两个符号表示，记
Figure 889963DEST_PATH_IMAGE001
为包含N个用户的用户集合；
Figure 893691DEST_PATH_IMAGE002
为包含M个时尚单品的服装集合；
S22：创建字典形式的时尚单品-时尚单品交互图
Figure 803878DEST_PATH_IMAGE003
，其中，
Figure 994688DEST_PATH_IMAGE004
与
Figure 15734DEST_PATH_IMAGE005
表示时尚单品目标结点，
Figure 608389DEST_PATH_IMAGE006
与
Figure 423898DEST_PATH_IMAGE007
分别是结点
Figure 570846DEST_PATH_IMAGE008
，
Figure 130003DEST_PATH_IMAGE009
的邻居结点集合；
S23：创建字典形式的时尚单品-用户交互图
Figure 842744DEST_PATH_IMAGE010
,其中，
Figure 563576DEST_PATH_IMAGE008
与
Figure 994557DEST_PATH_IMAGE009
表示时尚单品目标结点，
Figure 900282DEST_PATH_IMAGE011
与
Figure 733109DEST_PATH_IMAGE012
分别是结点
Figure 624842DEST_PATH_IMAGE013
，
Figure 746382DEST_PATH_IMAGE014
的邻居结点集合；
S24：创建字典形式的用户-用户交互关系图
Figure 647341DEST_PATH_IMAGE015
，其中，
Figure 69096DEST_PATH_IMAGE016
与
Figure 662888DEST_PATH_IMAGE017
表示用户目标结点，
Figure 802882DEST_PATH_IMAGE018
与
Figure 507533DEST_PATH_IMAGE019
分别是结点
Figure 49373DEST_PATH_IMAGE020
，
Figure 548487DEST_PATH_IMAGE021
的邻居结点集合；
S25：创建字典形式的用户-时尚单品交互图
Figure 379040DEST_PATH_IMAGE022
,其中，
Figure 621803DEST_PATH_IMAGE023
与
Figure 18149DEST_PATH_IMAGE024
表示用户目标结点，
Figure 953744DEST_PATH_IMAGE025
与
Figure 68330DEST_PATH_IMAGE026
分别是结点
Figure 849205DEST_PATH_IMAGE023
，
Figure 568899DEST_PATH_IMAGE024
的邻居结点集合。
进一步地，所述的步骤S3具体为：
S31：根据创建的交互图，构造时尚单品静态特征矩阵
Figure 206554DEST_PATH_IMAGE027
;
其中，时尚单品特征矩阵
Figure 808436DEST_PATH_IMAGE028
的每一行代表一件时尚单品
Figure 393001DEST_PATH_IMAGE029
的特征向量，将其记为
Figure 763940DEST_PATH_IMAGE030
,这也是单品
Figure 979020DEST_PATH_IMAGE029
在图神经网络中第一层的初始向量；
S32：从时尚单品层面，借助图神经网络，聚合邻居结点的状态，对单品
Figure 802620DEST_PATH_IMAGE029
的特征向量进行更新，通过状态更新，得到单品
Figure 190876DEST_PATH_IMAGE029
在第ｋ层的结点表示
Figure 416321DEST_PATH_IMAGE031
；
S33：从用户层面，借助图神经网络，聚合邻居结点的状态，对单品
Figure 599041DEST_PATH_IMAGE029
的特征向量进行更新，通过状态更新，得到单品
Figure 441095DEST_PATH_IMAGE029
在第ｋ层的结点表示
Figure 367462DEST_PATH_IMAGE032
；
S34：将从时尚单品层面获得的单品
Figure 447414DEST_PATH_IMAGE033
表示
Figure 66614DEST_PATH_IMAGE034
以及从用户层面获得的单品
Figure 68068DEST_PATH_IMAGE033
表示
Figure 798127DEST_PATH_IMAGE035
进行拼接，得到最终的单品
Figure 732585DEST_PATH_IMAGE033
表示
Figure 522686DEST_PATH_IMAGE036
。
进一步地，所述的步骤S4具体为：
S41：根据创建的交互图，构造用户静态特征矩阵
Figure 73753DEST_PATH_IMAGE037
;
其中，用户特征矩阵
Figure 341923DEST_PATH_IMAGE038
的每一行代表一个用户
Figure 599729DEST_PATH_IMAGE039
的特征向量，将其记为
Figure 560732DEST_PATH_IMAGE040
，这也是用户
Figure 67937DEST_PATH_IMAGE039
在图神经网络中第一层的初始向量；
S42：从时尚单品层面，借助图神经网络，聚合邻居结点的状态，对用户
Figure 139798DEST_PATH_IMAGE039
的特征向量进行更新，通过状态更新，可以得到用户
Figure 580007DEST_PATH_IMAGE039
在第ｋ层的结点表示
Figure 446332DEST_PATH_IMAGE041
；
S43：从用户交互关系层面，借助图神经网络，聚合邻居结点的状态，对用户
Figure 706412DEST_PATH_IMAGE039
的特征向量进行更新，通过状态更新，可以得到用户
Figure 316385DEST_PATH_IMAGE039
在第ｋ层的结点表示
Figure 548783DEST_PATH_IMAGE042
；
S44：将从时尚单品层面获得的用户
Figure 586009DEST_PATH_IMAGE039
表示
Figure 333385DEST_PATH_IMAGE041
以及从用户交互层面获得的用户
Figure 747049DEST_PATH_IMAGE039
表示
Figure 896270DEST_PATH_IMAGE042
进行拼接，得到最终的用户
Figure 369977DEST_PATH_IMAGE039
表示
Figure 339070DEST_PATH_IMAGE043
。
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：
A1：取样概率与图神经网络层数的关系为：
Figure 290846DEST_PATH_IMAGE044
，其中ｊ为图神经网络的第ｊ层，ｐ为该层网络的取样概率；
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：
Figure 497836DEST_PATH_IMAGE045
，其中，d是目标结点o的度，ceil是一个向上取整的函数；
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：
S51：将通过S3获得的上衣特征表示
Figure 876865DEST_PATH_IMAGE046
与下衣特征表示
Figure 333254DEST_PATH_IMAGE047
送入到上衣-下衣兼容性建模模块中；
S52：计算上衣与下衣的兼容性分数
Figure 88720DEST_PATH_IMAGE048
式中，
Figure 212534DEST_PATH_IMAGE049
表示点积运算。
进一步地，所述的步骤S6具体为：
S61：将通过S3步骤获得的下衣特征表示
Figure 28043DEST_PATH_IMAGE050
与通过S4步骤获得的用户特征表示
Figure 971729DEST_PATH_IMAGE051
送入到用户个性化建模模块中；
S62：计算用户对给定下衣的喜欢分数
Figure 265307DEST_PATH_IMAGE052
。
进一步地，所述的步骤S7具体为：
S71：根据S52步骤获得的上衣下衣兼容性分数
Figure 181310DEST_PATH_IMAGE053
以及根据S52步骤获得的用户对给定下衣的喜欢分数
Figure 167721DEST_PATH_IMAGE054
,计算融合了用户个性化偏好的服装兼容性
Figure 598702DEST_PATH_IMAGE055
:
Figure 961550DEST_PATH_IMAGE056
式中，π是一个介于（0，1）之间的非负权衡参数。
S72：使用BPR Loss计算损失：
Figure 528798DEST_PATH_IMAGE057
式中，
Figure 686110DEST_PATH_IMAGE058
，
Figure 807649DEST_PATH_IMAGE059
分别表示融合了个性化因素的上衣
Figure 443030DEST_PATH_IMAGE060
与下衣
Figure 130363DEST_PATH_IMAGE061
、下衣
Figure 458577DEST_PATH_IMAGE062
的兼容性。
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：
S11：首先定义两个符号表示，记
Figure 864150DEST_PATH_IMAGE001
为包含N个用户的用户集合；
Figure 580520DEST_PATH_IMAGE063
为包含M个时尚单品的服装集合；
S12：创建字典形式的时尚单品-时尚单品交互图
Figure 122359DEST_PATH_IMAGE064
，其中，
Figure 621474DEST_PATH_IMAGE004
与
Figure 452027DEST_PATH_IMAGE005
表示时尚单品目标结点，
Figure 429210DEST_PATH_IMAGE006
与
Figure 91135DEST_PATH_IMAGE007
分别是结点
Figure 761151DEST_PATH_IMAGE065
，
Figure 141317DEST_PATH_IMAGE066
的邻居结点集合；
S13：创建字典形式的时尚单品-用户交互图
Figure 922191DEST_PATH_IMAGE067
,其中，
Figure 438623DEST_PATH_IMAGE068
与
Figure 482803DEST_PATH_IMAGE005
表示时尚单品目标结点，
Figure 84685DEST_PATH_IMAGE011
与
Figure 669250DEST_PATH_IMAGE012
分别是结点
Figure 40189DEST_PATH_IMAGE069
，
Figure 317586DEST_PATH_IMAGE014
的邻居结点集合；
S14：创建字典形式的用户-用户交互关系图
Figure 141186DEST_PATH_IMAGE015
,其中，
Figure 529442DEST_PATH_IMAGE020
与
Figure 958149DEST_PATH_IMAGE021
表示用户目标结点，
Figure 140869DEST_PATH_IMAGE018
与
Figure 717344DEST_PATH_IMAGE019
分别是结点
Figure 909291DEST_PATH_IMAGE020
，
Figure 989242DEST_PATH_IMAGE021
的邻居结点集合；
S15：创建字典形式的用户-时尚单品交互图
Figure 608442DEST_PATH_IMAGE070
,其中，
Figure 406634DEST_PATH_IMAGE023
与
Figure 74376DEST_PATH_IMAGE024
表示用户目标结点，
Figure 274413DEST_PATH_IMAGE025
与
Figure 64514DEST_PATH_IMAGE026
分别是结点
Figure 350002DEST_PATH_IMAGE071
，
Figure 883752DEST_PATH_IMAGE072
的邻居结点集合；
在上面所构建四个交互图中，需要注意以下两点，其一图中不允许出现自环，反映到字典形式
Figure 938295DEST_PATH_IMAGE073
的交互图中即value集合中没有与key相同的元素；其二value集合的长度即为目标结点的度。
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：
A1：取样概率与图神经网络层数的关系为：
Figure 633719DEST_PATH_IMAGE074
，其中j为图神经网络的第j层，p为该层网络的取样概率；
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：
Figure 609765DEST_PATH_IMAGE075
，其中，d是目标结点o的度，ceil是一个向上取整的函数，ceil函数与概率p的引进，保证了目标结点的取样结点数目
Figure 681626DEST_PATH_IMAGE076
；
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：
Figure 590676DEST_PATH_IMAGE077
其中，
Figure 722581DEST_PATH_IMAGE078
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，
Figure 717081DEST_PATH_IMAGE079
函数的作用是
Figure 592633DEST_PATH_IMAGE078
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
Figure 621769DEST_PATH_IMAGE080
，使用的是Pytorch框架下的
Figure 658996DEST_PATH_IMAGE081
,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
Figure 671951DEST_PATH_IMAGE080
的每一行代表一件时尚单品
Figure 85615DEST_PATH_IMAGE082
的特征向量，将其记为
Figure 969257DEST_PATH_IMAGE083
,这也是单品
Figure 177384DEST_PATH_IMAGE082
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：
Figure 146478DEST_PATH_IMAGE084
其中,
Figure 363832DEST_PATH_IMAGE085
表示服装-服装空间当中上衣
Figure 101981DEST_PATH_IMAGE086
在图神经网络当中第
Figure 481010DEST_PATH_IMAGE087
层的表示向量，
Figure 734137DEST_PATH_IMAGE088
是一种在服装-服装空间中进行聚合操作的加权聚合器。
Figure 489603DEST_PATH_IMAGE089
表示上衣
Figure 82258DEST_PATH_IMAGE086
的全部邻居，
Figure 897768DEST_PATH_IMAGE090
表示服装空间当中上衣
Figure 372611DEST_PATH_IMAGE086
的邻居在图神经网络当中第
Figure 666189DEST_PATH_IMAGE091
层的表示向量，
Figure 378931DEST_PATH_IMAGE092
与
Figure 162079DEST_PATH_IMAGE093
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：
Figure 327481DEST_PATH_IMAGE094
在信息聚合当中使用了注意力机制，其中，
Figure 221488DEST_PATH_IMAGE095
表示不同网络层的注意力系数。详细的注意力系数获得方式如下：
Figure 523156DEST_PATH_IMAGE096
Figure 477205DEST_PATH_IMAGE097
其中，
Figure 864324DEST_PATH_IMAGE098
与
Figure 765284DEST_PATH_IMAGE099
分别表示服装
Figure 452618DEST_PATH_IMAGE086
，用户
Figure 780831DEST_PATH_IMAGE100
在图神经网络当中第
Figure 920825DEST_PATH_IMAGE101
层的表示。
S22：在用户层面进行聚集信息：
Figure 184115DEST_PATH_IMAGE102
其中，
Figure 991534DEST_PATH_IMAGE103
表示服装-用户图当中上衣
Figure 490649DEST_PATH_IMAGE086
在图神经网络中第
Figure 117939DEST_PATH_IMAGE101
层的表示向量，
Figure 360702DEST_PATH_IMAGE104
是一种在服装-用户空间中进行聚合操作的加权聚合器。
Figure 553786DEST_PATH_IMAGE105
表示上衣
Figure 223801DEST_PATH_IMAGE086
的全部邻居，
Figure 807230DEST_PATH_IMAGE106
表示服装-用户空间当中服装
Figure 853683DEST_PATH_IMAGE086
的邻居
Figure 370115DEST_PATH_IMAGE107
在第
Figure 742190DEST_PATH_IMAGE108
层的表示向量。
Figure 734286DEST_PATH_IMAGE109
与
Figure 646747DEST_PATH_IMAGE110
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：
Figure 548844DEST_PATH_IMAGE111
式中，在聚合过程中也采用了注意力机制 ，注意力系数
Figure 295083DEST_PATH_IMAGE112
获得方式与S21同理。
S23：将从时尚单品层面获得的上衣
Figure 181000DEST_PATH_IMAGE086
表示
Figure 303677DEST_PATH_IMAGE085
以及从用户层面获得的上衣
Figure 794701DEST_PATH_IMAGE086
表示
Figure 977420DEST_PATH_IMAGE103
进行拼接，得到最终的上衣
Figure 288316DEST_PATH_IMAGE086
表示
Figure 214684DEST_PATH_IMAGE113
,向量拼接方式如下：
Figure 560214DEST_PATH_IMAGE114
同理，可以获得下衣
Figure 913835DEST_PATH_IMAGE115
的最终表示
Figure 915289DEST_PATH_IMAGE116
。
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
Figure 645348DEST_PATH_IMAGE117
，使用的是Pytorch框架下的
Figure 845385DEST_PATH_IMAGE118
,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
Figure 369907DEST_PATH_IMAGE117
的每一行代表一个用户
Figure 655395DEST_PATH_IMAGE119
的特征向量，将其记为
Figure 189145DEST_PATH_IMAGE120
,这也是用户
Figure 243689DEST_PATH_IMAGE121
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：
Figure 939112DEST_PATH_IMAGE122
其中，
Figure 711896DEST_PATH_IMAGE123
表示用户-服装空间当中用户
Figure 49336DEST_PATH_IMAGE124
在网络中第
Figure 958387DEST_PATH_IMAGE101
层的表示向量,
Figure 90291DEST_PATH_IMAGE125
是本发明当中采用的加权聚合器。
Figure 84791DEST_PATH_IMAGE126
表示用户
Figure 960344DEST_PATH_IMAGE124
的全部邻居，
Figure 723900DEST_PATH_IMAGE127
表示用户-服装空间当中用户
Figure 26706DEST_PATH_IMAGE124
的邻居
Figure 711765DEST_PATH_IMAGE107
在第
Figure 125429DEST_PATH_IMAGE091
层的表示向量，
Figure 9071DEST_PATH_IMAGE128
与
Figure 482778DEST_PATH_IMAGE129
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：
Figure 451871DEST_PATH_IMAGE130
式中，在聚合过程中也采用了注意力机制 ，注意力系数
Figure 669225DEST_PATH_IMAGE131
获得方式与S21同理。
S32：从用户交互层面进行聚集信息：
Figure 672954DEST_PATH_IMAGE132
其中，
Figure 317562DEST_PATH_IMAGE133
表示用户交互空间当中用户u在图神经网络当中第
Figure 773951DEST_PATH_IMAGE101
层的表示向量，
Figure 529417DEST_PATH_IMAGE134
是本发明当中采用的加权聚合器，
Figure 387652DEST_PATH_IMAGE135
表示用户
Figure 937582DEST_PATH_IMAGE136
的全部邻居，
Figure 84529DEST_PATH_IMAGE137
表示用户-交互空间当中用户
Figure 643687DEST_PATH_IMAGE138
的邻居
Figure 622007DEST_PATH_IMAGE107
在图神经网络当中第
Figure 608417DEST_PATH_IMAGE139
层的表示向量，
Figure 773820DEST_PATH_IMAGE140
与
Figure 882807DEST_PATH_IMAGE141
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：
Figure 715634DEST_PATH_IMAGE142
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。
S33：将从时尚单品层面获得的用户表示
Figure 872946DEST_PATH_IMAGE143
与从用户交互层面获得的用户表示
Figure 525644DEST_PATH_IMAGE144
进行拼接，得到最终的用户表示
Figure 426604DEST_PATH_IMAGE145
：
Figure 113937DEST_PATH_IMAGE146
S4：将通过S2步骤获得的上衣
Figure 442150DEST_PATH_IMAGE147
特征表示
Figure 582145DEST_PATH_IMAGE148
以及下衣
Figure 21216DEST_PATH_IMAGE149
的特征表示
Figure 94215DEST_PATH_IMAGE150
送入上
衣-下衣兼容性模块，计算上衣
Figure 593329DEST_PATH_IMAGE147
与下衣
Figure 220619DEST_PATH_IMAGE149
的兼容性分数，具体计算过程如下：
Figure 197803DEST_PATH_IMAGE151
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。
S5：将通过S2步骤获得的下衣
Figure 594149DEST_PATH_IMAGE152
的特征表示
Figure 264165DEST_PATH_IMAGE153
以及通过S3步骤获得的用户特征表示
Figure 378751DEST_PATH_IMAGE154
送入用户个性化模块，计算用户对给定下衣的喜欢分数，具体计算过程如下：
Figure 425205DEST_PATH_IMAGE155
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：
S61：经过S4，S5步骤，分别得到了上衣
Figure 941637DEST_PATH_IMAGE156
与下衣
Figure 579291DEST_PATH_IMAGE157
的兼容性分数
Figure 977912DEST_PATH_IMAGE158
以及用户
Figure 296898DEST_PATH_IMAGE159
对下衣
Figure 464574DEST_PATH_IMAGE160
的偏好程度
Figure 476392DEST_PATH_IMAGE161
,则融合了用户个性化偏好的服装兼容性
Figure 768833DEST_PATH_IMAGE162
可以表示如下：
Figure 891510DEST_PATH_IMAGE163
S62：根据现有的数据集构造四元组：
Figure 116955DEST_PATH_IMAGE164
其中,四元组中的O表示上衣与下衣构成的套装集合。四元组
Figure 565254DEST_PATH_IMAGE165
表示在给定上衣
Figure 141729DEST_PATH_IMAGE166
的情况之下，用户
Figure 68096DEST_PATH_IMAGE167
更加喜欢下衣
Figure 413627DEST_PATH_IMAGE168
而不是
Figure 970510DEST_PATH_IMAGE169
。
S63：通过BPR 损失函数的定义，目标函数如下：
Figure 768702DEST_PATH_IMAGE170
Figure 764340DEST_PATH_IMAGE171
其中，λ是一个非负超参数，
Figure 964377DEST_PATH_IMAGE172
表示整个模型当中出现的参数。
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。
5.如权利要求1所述的个性化建模方法，其特征在于，所述步骤S2中，创建交互图的具体方法为：
S21：首先定义两个符号表示，记
Figure DEST_PATH_IMAGE002
为包含N个用户的用户集合；
Figure DEST_PATH_IMAGE004
为包含M个时尚单品的服装集合；
S22：创建字典形式的时尚单品-时尚单品交互图
Figure DEST_PATH_IMAGE006
，其，
Figure DEST_PATH_IMAGE008
与
Figure DEST_PATH_IMAGE010
表示目标结点，
Figure DEST_PATH_IMAGE012
与
Figure DEST_PATH_IMAGE014
分别是结点
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
的邻居结点集合；
S23：创建字典形式的时尚单品-用户交互图
Figure DEST_PATH_IMAGE020
,其中，
Figure DEST_PATH_IMAGE022
与
Figure DEST_PATH_IMAGE024
表示目标结点，
Figure DEST_PATH_IMAGE026
与
Figure DEST_PATH_IMAGE028
分别是结点
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE032
的邻居结点集合；
S24：创建字典形式的用户-用户交互关系图
Figure DEST_PATH_IMAGE034
,其中，
Figure DEST_PATH_IMAGE036
与
Figure DEST_PATH_IMAGE038
表示目标结点，
Figure DEST_PATH_IMAGE040
与
Figure DEST_PATH_IMAGE042
分别是结点
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE046
的邻居结点集合；
S25：创建字典形式的用户-时尚单品交互图
Figure DEST_PATH_IMAGE048
,其中，
Figure DEST_PATH_IMAGE050
与
Figure DEST_PATH_IMAGE052
表示目标结点，
Figure DEST_PATH_IMAGE054
与
Figure DEST_PATH_IMAGE056
分别是结点
Figure DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE060
的邻居结点集合。
6.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S3具体为：
S31：根据创建的交互图，构造时尚单品静态特征矩阵
Figure DEST_PATH_IMAGE062
;
其中，时尚单品特征矩阵
Figure DEST_PATH_IMAGE063
的每一行代表一件时尚单品
Figure DEST_PATH_IMAGE065
的特征向量，将其记为
Figure DEST_PATH_IMAGE067
,这也是单品
Figure 804806DEST_PATH_IMAGE065
在图神经网络中第一层的初始向量；
S32：从时尚单品层面，借助图神经网络，聚合邻居结点的状态，对单品
Figure DEST_PATH_IMAGE068
的特征向量进行更新，通过状态更新，得到单品
Figure DEST_PATH_IMAGE069
在第k层的结点表示
Figure DEST_PATH_IMAGE071
；
S33：从用户层面，借助图神经网络，聚合邻居结点的状态，对单品
Figure 144783DEST_PATH_IMAGE065
的特征向量进行更新，通过状态更新，得到单品
Figure DEST_PATH_IMAGE073
在第k层的结点表示
Figure DEST_PATH_IMAGE075
；
S34：将从时尚单品层面获得的单品
Figure DEST_PATH_IMAGE076
表示
Figure DEST_PATH_IMAGE078
以及从用户层面获得的单品
Figure DEST_PATH_IMAGE079
表示
Figure DEST_PATH_IMAGE080
进行拼接，得到最终的单品
Figure DEST_PATH_IMAGE081
表示
Figure DEST_PATH_IMAGE083
。
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：
S41：根据创建的交互图，构造用户静态特征矩阵
Figure DEST_PATH_IMAGE085
;
其中，用户特征矩阵
Figure DEST_PATH_IMAGE086
的每一行代表一个用户
Figure DEST_PATH_IMAGE088
的特征向量，将其记为
Figure DEST_PATH_IMAGE090
,这也是用户
Figure 737569DEST_PATH_IMAGE088
在图神经网络中第一层的初始向量；
S42：从时尚单品层面，借助图神经网络，聚合邻居结点的状态，对用户
Figure 867199DEST_PATH_IMAGE088
的特征向量进行更新，通过状态更新，可以得到用户
Figure 369987DEST_PATH_IMAGE088
在第k层的结点表示
Figure DEST_PATH_IMAGE092
；
S43：从用户交互关系层面，借助图神经网络，聚合邻居结点的状态，对用户
Figure 317083DEST_PATH_IMAGE088
的特征向量进行更新，通过状态更新，可以得到用户
Figure 725062DEST_PATH_IMAGE088
在第k层的结点表示
Figure DEST_PATH_IMAGE094
；
S44：将从时尚单品层面获得的用户
Figure 564709DEST_PATH_IMAGE088
表示
Figure DEST_PATH_IMAGE095
以及从用户交互层面获得的用户
Figure 623801DEST_PATH_IMAGE088
表示
Figure 882744DEST_PATH_IMAGE094
进行拼接，得到最终的用户
Figure DEST_PATH_IMAGE096
表示
Figure DEST_PATH_IMAGE098
。
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：
S51：将通过S3获得的上衣特征表示
Figure DEST_PATH_IMAGE100
与下衣特征表示
Figure DEST_PATH_IMAGE102
送入到上衣-下衣兼容性建模模块中；
S52：计算上衣与下衣的兼容性分数
Figure DEST_PATH_IMAGE104
；
式中，
Figure DEST_PATH_IMAGE106
表示点积运算；
所述的步骤S6具体为：
S61：将通过S3步骤获得的下衣特征表示
Figure DEST_PATH_IMAGE108
与通过S4步骤获得的用户特征表示
Figure DEST_PATH_IMAGE110
送入到用户个性化建模模块中；
S62：计算用户对给定下衣的喜欢分数
Figure DEST_PATH_IMAGE112
；
所述的步骤S7具体为：
S71：根据S52步骤获得的上衣下衣兼容性分数
Figure DEST_PATH_IMAGE114
以及根据S52步骤获得的用户对给定下衣的喜欢分数
Figure DEST_PATH_IMAGE116
,计算融合了用户个性化偏好的服装兼容性
Figure DEST_PATH_IMAGE118
:
Figure DEST_PATH_IMAGE120
式中，π是一个介于（0，1）之间的非负权衡参数；
S72：使用BPR Loss计算损失：
Figure DEST_PATH_IMAGE122
式中，
Figure DEST_PATH_IMAGE124
，
Figure DEST_PATH_IMAGE126
分别表示融合了个性化因素的上衣
Figure DEST_PATH_IMAGE128
与下衣
Figure DEST_PATH_IMAGE130
、下衣
Figure DEST_PATH_IMAGE132
的兼容性。
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。
CN202210571867.7A 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 Active CN114707427B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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