CN114861072B - 一种基于层间组合机制的图卷积网络推荐方法及装置 - Google Patents
一种基于层间组合机制的图卷积网络推荐方法及装置 Download PDFInfo
- Publication number
- CN114861072B CN114861072B CN202210782449.2A CN202210782449A CN114861072B CN 114861072 B CN114861072 B CN 114861072B CN 202210782449 A CN202210782449 A CN 202210782449A CN 114861072 B CN114861072 B CN 114861072B
- Authority
- CN
- China
- Prior art keywords
- user
- graph
- commodity
- entity
- knowledge 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011229 interlayer Substances 0.000 title claims abstract description 27
- 230000007246 mechanism Effects 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 44
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 52
- 230000002452 interceptive effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 23
- 238000009499 grossing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于层间组合机制的图卷积网络推荐方法及装置,首先构建用户‑项目历史交互记录集合,构建商品的知识图谱,构建项目‑商品实体对齐集合,将用户和项目的交互行为与商品的知识图谱进行编码整合至统一的关系图数据结构中,生成用户与商品的协同知识图谱;然后通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作,提取用户和商品特征;最后依次计算用户与各个商品特征向量的内积,按照内积的大小进行排序召回,最后将商品推荐给用户。本发明能够有效缓解传统基于图卷积网络推荐方法中的过度平滑问题,同时有着较强的泛化能力,从而提高推荐结果准确率。
Description
技术领域
本发明属于商品推荐技术领域,具体涉及一种基于层间组合机制的图卷积网络推荐方法及装置。
背景技术
现实生活中许多数据并不具备规则的空间结构,如交易流水、社交网络、分子结构等非欧氏空间的图数据。这些图数据结构中每个节点的相邻结构都不尽相同。在上述图数据中,需要同时考虑节点的特征信息和结构信息,如果仅靠手工规则提取,将会失去很多隐蔽复杂的模式信息。图卷积网络(Graph Convolutional Network, GCN)作为一种对图数据进行深度学习的方法,通过在图中节点和边上制定相应的策略,将图数据结构转化为规范标准的表示,输入到多种不同的神经网络中进行训练,在节点分类、边信息传播和图聚类等任务上取得了优秀的成果,与其他图学习算法相比较,GCN能够学习到节点和边的结构特征以及更深层次的语义特征。由于对图结构数据强大的非线性拟合能力,在不同领域的图相关问题上,例如信息检索、推荐***、贷款欺诈分析等场景中,GCN都表现出更高的准确率和更好的鲁棒性。
虽然图卷积网络在图结构数据上有着强大特征提取能力,但随着卷积层数和迭代次数的增加,非欧氏数据同一连通分量内的节点特征会趋向于收敛到相同的值,进而丢失节点自身的特征信息,该现象称为过度平滑问题(over-smoothing)。
发明内容
本发明目的在于针对现有技术的不足,提出一种基于层间组合机制的图卷积网络推荐方法及装置,能够缓解传统图卷积网络的过度平滑的问题。
本发明的目的是通过以下技术方案来实现的:第一方面,本发明提供了一种基于层间组合机制的图卷积网络推荐方法,该方法包括:
S1构建用户-项目历史交互记录集合;并构建商品的知识图谱;
S2基于用户-项目历史交互记录集合和商品的知识图谱构建项目-商品实体对齐集合;
S3基于项目-商品实体对齐集合,将用户和项目的交互行为与商品的知识图谱进行编码整合至统一的关系图数据结构中,生成用户与商品的协同知识图谱;
S4通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作,提取用户和商品特征;具体为:对每个节点与其当前卷积层的邻居节点执行特征信息的图卷积操作,再对图卷积得到的特征信息执行非线性变换生成特征向量,然后进行下一层的图卷积操作,直到当前卷积层数大于预设的卷积层数,将不同层求得的特征向量进行加权求和从而生成协同知识图谱中节点的最终特征向量表示;
S5依次计算用户与各个商品特征向量的内积,按照内积的大小进行排序召回,最后将商品推荐给用户。
进一步地,构建用户与商品的协同知识图谱的具体步骤为:
S32 对商品知识图谱中的每个三元组执行遍历操作;如果项目-商品实体对齐集合中包含三元组的头实体且与头实体产生过交互行为的用户存在于历史交互记录集合中,则在该用户的列表中添加该三元组的尾实体;否则直接在头实体的列表中添加对应的尾实体;
S33 在尾实体的列表中添加头实体;
S34遍历结束后,得到协同知识图谱。
进一步地,图卷积操作定义为:
其中,为对称归一化正则项,代表与商品有过交互行为的用户
集合,代表与用户产生过交互行为的商品集合,为商品的第k层特征向量,为
用户的第k层特征向量,图卷积的聚合操作中对象仅为目标实体的邻居实体,目标实体本身
并不参与聚合操作。
进一步地,图卷积网络经过预设的k层特征传播后,将不同层求得的特征向量进行加权求和,从而生成用户或商品实体的特征向量表示:
进一步地,用于商品推荐的排序分数由用户与商品实体各自最终的特征向量内积相乘得到,具体计算:
第二方面,本发明还提供了一种基于层间组合机制的图卷积网络推荐装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现所述的基于层间组合机制的图卷积网络推荐方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,所述程序被处理器执行时,实现所述的基于层间组合机制的图卷积网络推荐方法。
本发明的有益效果是:本发明改进了传统图卷积网络的特征生成方式,能够有效缓解传统基于图卷积网络推荐方法中的过度平滑问题,同时有着较强的泛化能力,提高推荐结果的准确率。另外在图卷积操作过程中引入了对称归一正则项,可以控制协同知识图谱不会随着卷积运算的迭代生成过大的特征矩阵,从而避免图卷积网络在训练过程中因计算存储开销太大而出现无法收敛的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例之一的一种基于层间组合机制的图卷积网络推荐方法流程图。
图2为本发明实施例之一的协同知识图谱构建流程图。
图3为本发明实施例之一的计算协同知识图谱节点特征的图卷积网络架构图。
图4为本发明实施例之一的一种基于层间组合机制的图卷积网络推荐装置结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明,应当理解,此处描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提供了一种基于层间组合机制的图卷积网络推荐方法,该方法包括:
S1构建用户-项目历史交互记录集合;并构建商品的知识图谱;
除去上述的交互信息,项目还有诸如属性与外部知识一类的附带信息,这些信息
通常由现实世界中的真实实体和实体之间的不同关系构成。例如,一幅画作可以由它的画
家、风格、题材等信息间接描述。本发明将该类附带信息归纳整合后重新组建为知识图谱,表示商品实体集合,表示商品之间的关系集合。本质上是由众多事实三元组构成的图结构语义网络。每个三元组包含主语、谓语(即关
系性质)和宾语三要素,意味着头部实体h与尾部实体t之间存在着关系r,例如,头部实体为
苹果手机、尾部实体为苹果耳机,二者之间关系为配套关系。同时本发明构建了项目-商品
实体对齐集合,其中代表交互记录中的项目与知识图谱
中的商品实体e存在一一对应的关系;
S2基于用户-项目历史交互记录集合和商品的知识图谱构建项目-商品实体对齐集合;
S3基于项目-商品实体对齐集合,将用户和项目的交互行为与商品的知识图谱进
行编码整合至统一的关系图数据结构中,生成用户与商品的协同知识图谱;如图2所示,首
先用三元组表示每次的用户交互行为,表示用户和项目之间的交
互;然后在项目-商品实体对齐集合的基础上,用户-项目历史交互记录与知识图谱
可以无缝集成为统一的协同知识图谱,其中。具体步骤为:首先遍历用户-项目历史交互记录:在用
户的列表中添加项目,在项目的列表中添加用户;然后对商品知识图谱中的每个三
元组执行遍历操作:如果项目-商品实体对齐集合中包含三元组的头实体且与头实体产生
过交互行为的用户存在于历史交互记录集合中,则在该用户的列表中添加该三元组的尾实
体;否则直接在头实体的列表中添加对应的尾实体;最后在尾实体的列表中添加头实体,遍
历结束后,得到协同知识图谱。
S4通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作,提取
用户和商品特征;具体为:如图3所示,对每个节点与其当前卷积层的邻居节点执行特征信
息的图卷积操作,用户的邻居节点为第一个商品i 1、第二个商品i 2、第三个商品i 3,商品i
的邻居节点为第一个用户u 1、第二个用户u 2、第三个用户u 3,商品i的邻居节点也可以是商品
实体,然后对图卷积得到的特征信息执行非线性变换生成特征向量,再令当前卷积层数加
1,进行同样的图卷积操作,直到当前卷积层数大于预设的卷积层数,将不同层求得的特征
向量进行加权求和从而生成协同知识图谱中节点的最终特征向量表示;
图卷积操作定义为:
其中,为对称归一化正则项,该项可以控制协同知识图谱不会随着卷
积运算的迭代生成过大的特征矩阵,代表与商品有过交互行为的用户集合,代表
与用户产生过交互行为的商品集合,为商品的第k层特征向量,为用户的第k层特
征向量,另一方面图卷积的聚合操作中对象仅为目标实体的邻居实体,目标实体本身并不
参与聚合操作。
需要学习的参数是针对协同知识图谱的初始层特征向量矩阵,即所有用户的
与所有商品的。当上述两项得到后,高层的特征向量便可由图卷积操作计算得到。经过
K层特征传播后,本发明将不同层求得的特征向量进行加权求和,从而生成用户或商品实体
的特征向量表示:
本发明采用层间组合方式提取实体特征的原因分为以下三点:
(1)随着层数加深,协同知识图谱中同一连通分量内的实体特征会产生过度平滑的现象,因此仅使用最后一层得到的特征作为最终的实体表示会令同一连通分量内所有节点的特征趋于一致,进而降低推荐质量。
(2)每一层能够捕获的语义信息并不相同,第一层通常对与目标实体有直接关系
的邻居实体进行平滑操作,第二层中平滑操作的对象为目标实体的一跳关联实体,更高层
则会捕获远距离高阶关联实体间的隐含联系,因此将不同层之间的语义信息进行融合将使
最终的实体表示更加全面。以用户为例,假设用户与用户有共同的交互对象i,即三
者的关系路径为,那么该方法在第二层提取到的特征为:
(3)将不同层之间的特征进行加权聚合可以起到与传统图卷积网络中自连接操作相同的效果。
下面对本发明能够有效缓解过度平滑问题进行具体说明:
进一步地,为了证明层间组合机制的有效性,采用实体特征矩阵的行列式det()来衡量实体特征之间的差异性,因为矩阵行列式的值代表着该矩阵的行(列)向量展开组成的超平行多面体的有向体积。换言之特征矩阵的行列式越大,则代表该矩阵中实体特征之间的差异越明显,即过度平滑问题即可得到有效缓解。本发明通过证明经由层间组合机制得到的特征矩阵与经由传统图卷积网络得到的特征矩阵两者的行列式比值恒大于1来说明本发明方法的有效性与科学性。证明过程如下:
其中,中的表示把经过K层卷积后的卷积核矩
阵中第n行向量替换为经过k层卷积后的卷积核矩阵中的第n行向量,…表示任意次
类似操作,最终经过上述变换后得到重组矩阵。由过度平滑问题
可知,重组矩阵相较于,矩阵中的每个元素值彼此之间的差值更大,即行列式值更大,从
而两者各自行列式的比值恒大于1。
进一步地,需要训练的参数仅为第零层的特征矩阵,复杂度与传统的矩阵分
解算法相同。本发明使用贝叶斯个性化排序损失(Bayesian Personalized Ranking ,BPR)
构建损失函数如下:
其中,是非线性激活函数,参数控制L2正则化的大小,取值范围为。除此之外所有的特征维度均设为64,默认学习率为0.001,Batch-
Size为1024,多数情况下取时性能最佳,层间组合系数为,其中K为卷积层数,
参数矩阵使用Xavier方法进行初始化,Adam算法进行优化。
下面以银行电商领域对本发明的实施方法做具体说明:本实施例阐述了将本发明用于某银行电商平台的商品推荐,提升产品销量。具体实施流程为:首先从电商平台的数据库中查找获取用户与商品的历史交互记录,并将平台中所有商品进行关系梳理,构建出商品知识图谱;然后根据项目-商品对齐集合将历史交互记录集合与商品知识图谱进行融合,生成协同知识图谱(即该协同知识图谱相较于商品知识图谱,新增了平台的用户信息);紧接着如图3所示,使用图卷积网络对协同知识图谱中的每个实体节点进行逐层的特征提取,并将每层提取到的特征进行加权求和,从而生成最终的特征向量;其次当用户打开电商平台时,服务器后端将当前用户的特征向量与平台中所有商品的特征向量依次做内积运算,并将运算结果按照从大到小的顺序依次排序;最后将排序结果中的前Top-K个商品返回前端,推荐给用户。
与前述基于层间组合机制的图卷积网络推荐方法的实施例相对应,本发明还提供了基于层间组合机制的图卷积网络推荐装置的实施例。
参见图4,本发明实施例提供的一种基于层间组合机制的图卷积网络推荐装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,用于实现上述实施例中的基于层间组合机制的图卷积网络推荐方法。
本发明基于层间组合机制的图卷积网络推荐装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本发明基于层间组合机制的图卷积网络推荐装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于层间组合机制的图卷积网络推荐方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (3)
1.一种基于层间组合机制的图卷积网络推荐方法,其特征在于,该方法包括:
S3基于项目-商品实体对齐集合,将用户和项目的交互行为与商品的知识图谱进行编码整合至统一的关系图数据结构中,生成用户与商品的协同知识图谱;构建用户与商品的协同知识图谱的具体步骤为:
S32 对商品知识图谱中的每个三元组执行遍历操作;如果项目-商品实体对齐集合中包含三元组的头实体且与头实体产生过交互行为的用户存在于历史交互记录集合中,则在该用户的列表中添加该三元组的尾实体;否则直接在头实体的列表中添加对应的尾实体;
S33 在尾实体的列表中添加头实体;
S34遍历结束后,得到协同知识图谱;
S4通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作,提取用户和商品特征;具体为:对每个节点与其当前卷积层的邻居节点执行特征信息的图卷积操作,再对图卷积得到的特征信息执行非线性变换生成特征向量,然后进行下一层的图卷积操作,直到当前卷积层数大于预设的卷积层数,将不同层求得的特征向量进行加权求和从而生成协同知识图谱中节点的最终特征向量表示;图卷积操作定义为:
其中,为对称归一化正则项,代表与商品有过交互行为的用户集合,代表与用户产生过交互行为的商品集合,为商品的第k层特征向量,为用户的第k层特征向量,图卷积的聚合操作中对象仅为目标实体的邻居实体,目标实体本身并不参与聚合操作;
图卷积网络经过预设的K层特征传播后,将不同层求得的特征向量进行加权求和,从而生成用户或商品实体的特征向量表示:
其中,表示第k层特征向量在最终加权求和过程中的贡献度,即组合权重,等于,为加权求和后的用户特征向量,为加权求和后的商品特征向量;S5依次计算用户与各个商品特征向量的内积,按照内积的大小进行排序召回,最后将商品推荐给用户;用于商品推荐的排序分数由用户与商品实体各自最终的特征向量内积相乘得到,具体计算:
2.一种基于层间组合机制的图卷积网络推荐装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所述可执行代码时,实现如权利要求1所述的基于层间组合机制的图卷积网络推荐方法。
3.一种计算机可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时,实现如权利要求1所述的基于层间组合机制的图卷积网络推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782449.2A CN114861072B (zh) | 2022-07-05 | 2022-07-05 | 一种基于层间组合机制的图卷积网络推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782449.2A CN114861072B (zh) | 2022-07-05 | 2022-07-05 | 一种基于层间组合机制的图卷积网络推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861072A CN114861072A (zh) | 2022-08-05 |
CN114861072B true CN114861072B (zh) | 2022-11-29 |
Family
ID=82626265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210782449.2A Active CN114861072B (zh) | 2022-07-05 | 2022-07-05 | 一种基于层间组合机制的图卷积网络推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861072B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115391414B (zh) * | 2022-10-28 | 2023-01-13 | 北京双赢天下管理咨询有限公司 | 一种基于大数据的银行市场拓展***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
CN112800334A (zh) * | 2021-02-04 | 2021-05-14 | 河海大学 | 一种基于知识图谱和深度学习的协同过滤推荐方法及设备 |
CN113362131A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
CN113688974A (zh) * | 2021-07-28 | 2021-11-23 | 湖南科技大学 | 一种基于轻量化图卷积网络的移动应用推荐方法 |
CN113869404A (zh) * | 2021-09-27 | 2021-12-31 | 北京工业大学 | 面向论文网络数据的自适应图卷积聚类方法 |
CN113987200A (zh) * | 2021-10-19 | 2022-01-28 | 云南大学 | 神经网络结合知识图谱的推荐方法、***、终端、介质 |
CN114282122A (zh) * | 2021-12-21 | 2022-04-05 | 郑州大学 | 一种高效非采样的图卷积网络推荐方法 |
CN114637857A (zh) * | 2022-03-17 | 2022-06-17 | 广西师范大学 | 一种基于去噪的知识感知图卷积网络推荐方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11373233B2 (en) * | 2019-02-01 | 2022-06-28 | Target Brands, Inc. | Item recommendations using convolutions on weighted graphs |
CN117859139A (zh) * | 2020-07-16 | 2024-04-09 | 华为技术有限公司 | 多图卷积协同过滤 |
CN113869058B (zh) * | 2021-08-31 | 2024-07-12 | 合肥工业大学 | 基于lc-gcn方面级情感分析方法、***、存储介质和电子设备 |
CN113824707A (zh) * | 2021-09-13 | 2021-12-21 | 厦门吉快科技有限公司 | 一种基于知识图谱的网站性能拨测度量方法和装置 |
-
2022
- 2022-07-05 CN CN202210782449.2A patent/CN114861072B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
CN112800334A (zh) * | 2021-02-04 | 2021-05-14 | 河海大学 | 一种基于知识图谱和深度学习的协同过滤推荐方法及设备 |
CN113362131A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
CN113688974A (zh) * | 2021-07-28 | 2021-11-23 | 湖南科技大学 | 一种基于轻量化图卷积网络的移动应用推荐方法 |
CN113869404A (zh) * | 2021-09-27 | 2021-12-31 | 北京工业大学 | 面向论文网络数据的自适应图卷积聚类方法 |
CN113987200A (zh) * | 2021-10-19 | 2022-01-28 | 云南大学 | 神经网络结合知识图谱的推荐方法、***、终端、介质 |
CN114282122A (zh) * | 2021-12-21 | 2022-04-05 | 郑州大学 | 一种高效非采样的图卷积网络推荐方法 |
CN114637857A (zh) * | 2022-03-17 | 2022-06-17 | 广西师范大学 | 一种基于去噪的知识感知图卷积网络推荐方法 |
Non-Patent Citations (3)
Title |
---|
KGAT:Knowledge Graph Attention Network for Recommendation;Xiang Wang,Xiangnan He;《arXiv》;20190608;第1-9页 * |
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation;Xiangnan He;《arXiv》;20200707;第1-10页 * |
Neural Graph Collaborative Filtering;Xiangnan He;《ACM》;20190725;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114861072A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | CNN with depthwise separable convolutions and combined kernels for rating prediction | |
CN112364976B (zh) | 基于会话推荐***的用户偏好预测方法 | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
Bentz et al. | Neural networks and the multinomial logit for brand choice modelling: a hybrid approach | |
CN113362131B (zh) | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 | |
TW202032422A (zh) | 用於分析關係網路圖的神經網路系統和方法 | |
Bandyopadhyay et al. | Product recommendation for e-commerce business by applying principal component analysis (PCA) and K-means clustering: benefit for the society | |
Bali et al. | R: Unleash machine learning techniques | |
CN108648049A (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
Chou et al. | Predictive analytics for customer repurchase: Interdisciplinary integration of buy till you die modeling and machine learning | |
CN114637923B (zh) | 基于层次注意力图神经网络的数据信息推荐方法和装置 | |
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 | |
CN113918832B (zh) | 基于社交关系的图卷积协同过滤推荐*** | |
Jiang et al. | Enhancing social recommendation via two-level graph attentional networks | |
CN112380453B (zh) | 物品推荐方法、装置、存储介质及设备 | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN114357312B (zh) | 基于图神经网络自动建模的社区发现方法及个性推荐方法 | |
CN112364242A (zh) | 针对上下文感知型的图卷积推荐*** | |
CN115221413B (zh) | 一种基于交互式图注意力网络的序列推荐方法及*** | |
CN115860880B (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及*** | |
CN110348906A (zh) | 一种基于多类型隐式反馈的改进商品推荐方法 | |
CN114861072B (zh) | 一种基于层间组合机制的图卷积网络推荐方法及装置 | |
CN114417161B (zh) | 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 | |
CN110781405B (zh) | 基于联合卷积矩阵分解的文档上下文感知推荐方法及*** | |
CN116167812A (zh) | 用于多行为推荐的异构协同过滤方法 |
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 |