CN115545300B - 一种基于图神经网络进行用户行为预测的方法及装置 - Google Patents
一种基于图神经网络进行用户行为预测的方法及装置 Download PDFInfo
- Publication number
- CN115545300B CN115545300B CN202211205618.2A CN202211205618A CN115545300B CN 115545300 B CN115545300 B CN 115545300B CN 202211205618 A CN202211205618 A CN 202211205618A CN 115545300 B CN115545300 B CN 115545300B
- Authority
- CN
- China
- Prior art keywords
- embedding
- entity
- time
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 94
- 230000006399 behavior Effects 0.000 claims abstract description 83
- 230000003068 static effect Effects 0.000 claims abstract description 71
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 238000004220 aggregation Methods 0.000 claims abstract description 13
- 238000000059 patterning Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000035515 penetration Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于图神经网络进行用户行为预测的方法及装置,其方法包括标注用户、商品及两者之间的交互行为;进行构图;初始化动态实体嵌入和动态关系嵌入,设置模型的训练时间步;若当前的训练时间步小于设置的训练时间步,则获取当前的时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入;使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入,直至训练时间步等于或大于设置值;使用卷积解码器进行解码,得到所有实体的得分,并根据得分进行评估,保存评估结果满足预设条件的时序知识图谱推理的模型;基于模型进行预测。本申请具有使图结构信息聚合更准确,提高预测精度的效果。
Description
技术领域
本申请涉及信息传播分析技术领域,尤其是涉及一种基于图神经网络进行用户行为预测的方法及装置。
背景技术
随着图神经网络的不断发展,使用图神经网络对知识图谱进行建模是一种新的选择。图神经网络可以表征知识图谱中的图结构信息。目前,在推荐***中,知识图谱发挥着重要的作用。知识图谱可以表示出用户和商品的信息,以通过这些信息来预测用户未来的活动。知识图谱推理可以分为静态知识图谱推理和时序知识图谱推理两种。
静态知识图谱推理指对不带时间戳的知识图谱进行补全,常见的方法有距离向量模型TransE、语义匹配模型RESCAL及它们的拓展模型。这些方法虽然简单方便,但无法获取知识图谱中的时间信息,只能在静态层面上推理知识图谱中缺失的信息。
时序知识图谱推理的任务是推理未来时间的事实,在现有的时序知识图谱上进一步拓展未来时间的知识图谱,从而反映出用户可能的行为和活动,根据用户喜好为其推荐相应的产品。时序知识图谱推理包括内插和外推两种模式,在给定一个从时间0到t的时序知识图谱的情况下,内插模式是推理时间0到t中发生过的事实,目前的方法是将时间信息和关系相结合形成新的嵌入,再使用静态方法进行推理;外推模式则是推理时间t之外的未发生过的事实,目前的方法一般是采用时间序列分解或时间感知的方式来对已有事实进行建模,进一步推理未来的事实。但这些方法存在以下不足:
1)无法准确得到每一时间下的知识图谱的结构信息;
2)对于相邻时间下知识图谱之间的序列模式建模不准确。
针对上述中的相关技术,发明人发现现有的使用图神经网络进行建模的推理工作存在有图结构信息聚合不准确、预测精度低的问题。
发明内容
为了使图结构信息聚合更准确,提高预测精度,本申请提供了一种基于图神经网络进行用户行为预测的方法及装置。
第一方面,本申请提供一种基于图神经网络进行用户行为预测的方法。
本申请是通过以下技术方案得以实现的:
一种基于图神经网络进行用户行为预测的方法,包括以下步骤,
标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系;
将获取的所述实体和所述行为关系进行构图,得到时序知识图谱;
初始化所述时序知识图谱的动态实体嵌入和动态关系嵌入,设置所述时序知识图谱推理的模型的训练时间步;
若当前的训练时间步小于设置的所述训练时间步,则获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入;
使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入,直至当前的训练时间步等于或大于设置的所述训练时间步;
使用卷积解码器进行解码,得到所有实体的得分,并根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型;
基于所述模型,对未来多个时间步的事实进行预测,输出预测的用户行为。
本申请在一较佳示例中可以进一步配置为:所述获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入的步骤包括,
针对所述时序知识图谱的每个时间段下的切片,对所述时序知识图谱的所述动态关系嵌入使用平均池化对与其相关的所述实体进行操作,得到静态关系嵌入;
基于所述静态关系嵌入,使用循环神经网络GRU对所述动态关系嵌入进行更新。
本申请在一较佳示例中可以进一步配置为:所述使用图神经网络计算当前的静态实体嵌入,并使用循环神经网络更新动态实体嵌入的步骤包括,
将所述时序知识图谱的上一时间段得到的所述动态实体嵌入和所述动态关系嵌入输入具有关系注意力机制的两层网络结构的图神经网络RGCN中,运算得到用户和商品在当前时间下的结构化实体嵌入,以及用户和商品在当前时间下的静态实体嵌入;
同时,将上一时间段得到的所述动态实体嵌入和所述动态关系嵌入输入具有时间感知机制的两层网络结构的图神经网络TGCN中,区分用户的长时间喜好和短时间喜好;
将所述结构化实体嵌入和所述静态实体嵌入进行拼接,并采用循环神经网络GRU对动态实体嵌入进行更新。
本申请在一较佳示例中可以进一步配置为:所述时序知识图谱包括G=(E,R,S,T),其中,E={e1,e2,...,e|E|}表示用户和商品的实体集合,包含|E|种不同实体,R={r1,r2,...,r|R|}表示用户和商品的交互行为的行为关系集合,包含|R|种不同行为关系,T={0,1,...,t|T|}表示时序知识图谱中事实发生的时间集合,包含|T|个时间步,表示知识图谱中事实的集合。
本申请在一较佳示例中可以进一步配置为:所述使用图神经网络计算当前的静态实体嵌入的公式包括,
式中,表示实体o在l+1层的嵌入,/>表示实体s在l层的嵌入,/>表示实体o在l层的嵌入,/>表示带有关系聚合信息的权重矩阵,/>表示带有关系聚合信息的自循环矩阵,co表示实体o的入度,co为一个归一化常数,f表示带泄露的随机线性整流函数,(s,r,o,t)表示事实的四元组形式。
本申请在一较佳示例中可以进一步配置为:所述根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型的步骤包括,
将所述得分按由高到低进行排序,得到排序列表;
将当前得分与所述排序列表进行比较,若当前得分与所述排序列表中的第n个结果相同,则将当前得分替换为1/n;
根据所有得分计算所述评估结果,并保存评估结果最大的所述时序知识图谱推理的模型,其中,所述评估结果的计算公式为,
式中,Q表示待预测的事实的个数,ranki表示对于第i个事实的四元组,排序列表中与当前得分相同的位置。
本申请在一较佳示例中可以进一步配置为:所述根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型的步骤包括,
将所述得分按由高到低进行排序,得到排序列表;
将当前得分与所述排序列表进行比较,计算排序小于第n个事实的四元组的平均占比,其中,所述平均占比的计算公式为,
式中,Q表示待预测的事实的个数,ranki表示对于第i个事实的四元组,χ表示indicator函数,n依次取1、3和10;
保存所述平均占比最大的所述时序知识图谱推理的模型。
本申请在一较佳示例中可以进一步配置为:所述使用循环神经网络更新动态关系嵌入时,还包括以下步骤,
基于关系预测中的标签向量,使用交叉熵计算所述时序知识图谱推理的模型的训练过程中的关系嵌入损失,其中,所述关系嵌入损失的计算公式为,
本申请在一较佳示例中可以进一步配置为:所述使用循环神经网络更新动态实体嵌入时,还包括以下步骤,
基于实体预测中的标签向量,使用交叉熵计算所述时序知识图谱推理的模型的训练过程中的实体嵌入损失,其中,所述实体嵌入损失的计算公式为,
本申请在一较佳示例中可以进一步配置为:所述保存评估结果满足预设条件的所述时序知识图谱推理的模型前,还包括以下步骤,
设置所述时序知识图谱推理的模型的训练次数;
若当前的训练次数等于或大于设置的所述训练次数时,则保存评估结果满足预设条件的所述时序知识图谱推理的模型。
第二方面,本申请提供一种基于图神经网络进行用户行为预测的装置。
本申请是通过以下技术方案得以实现的:
一种基于图神经网络进行用户行为预测的装置,包括,
数据标注模块,用于标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系;
构图模块,用于将获取的所述实体和所述行为关系进行构图,得到时序知识图谱;
初始化模块,用于初始化所述时序知识图谱的动态实体嵌入和动态关系嵌入,并设置所述时序知识图谱推理的模型的训练时间步;
关系嵌入模块,用于若当前的训练时间步小于设置的所述训练时间步,则获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入;
实体嵌入模块,用于使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入,直至当前的训练时间步等于或大于设置的所述训练时间步;
评估模块,用于使用卷积解码器进行解码,得到所有实体的得分,并根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型;
预测模块,用于基于所述模型,对未来多个时间步的事实进行预测,输出预测的用户行为。
第三方面,本申请提供一种计算机设备。
本申请是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一种基于图神经网络进行用户行为预测的方法的步骤。
第四方面,本申请提供一种计算机可读存储介质。
本申请是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种基于图神经网络进行用户行为预测的方法的步骤。
综上所述,与现有技术相比,本申请提供的技术方案带来的有益效果至少包括:
标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系,并将获取的实体和行为关系进行构图,得到时序知识图谱,用于预测用户未来的活动;初始化时序知识图谱的动态实体嵌入和动态关系嵌入,设置时序知识图谱推理的模型的训练时间步,以确保模型的预测精度;若当前的训练时间步小于设置的训练时间步,则获取当前的时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入,使用图神经网络计算当前的静态实体嵌入,以提取局部实体嵌入,并使用循环神经网络更新动态实体嵌入,以获得最终时间的动态实体嵌入和动态关系嵌入,使图结构信息聚合更准确,直至当前的训练时间步等于或大于设置的训练时间步;使用卷积解码器进行解码,得到所有实体的得分,并根据得分进行评估,保存评估结果满足预设条件的时序知识图谱推理的模型,基于模型,对未来多个时间步的事实进行预测,输出预测的用户行为,作为模型对时序知识图谱最终的预测结果,极大提高了模型预测的精度。
附图说明
图1为本申请一个示例性实施例提供的一种基于图神经网络进行用户行为预测的方法的主要流程示意图。
图2为本申请又一个示例性实施例提供的一种基于图神经网络进行用户行为预测的方法的动态关系嵌入更新和动态实体嵌入更新的示意图。
图3为本申请另一个示例性实施例提供的一种基于图神经网络进行用户行为预测的方法的预测过程示意图。
具体实施方式
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
参照图1,本申请实施例提供一种基于图神经网络进行用户行为预测的方法,所述方法的主要步骤描述如下。
标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系;
将获取的所述实体和所述行为关系进行构图,得到时序知识图谱;
初始化所述时序知识图谱的动态实体嵌入和动态关系嵌入,设置所述时序知识图谱推理的模型的训练时间步,并更新所述动态关系嵌入;
若当前的训练时间步小于设置的所述训练时间步,则获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入;
使用图神经网络计算当前的静态实体嵌入,并使用循环神经网络更新动态实体嵌入,直至当前的训练时间步等于或大于设置的所述训练时间步;
使用卷积解码器进行解码,得到所有实体的得分,并根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型;
基于所述模型,对未来多个时间步的事实进行预测,输出预测的用户行为。
具体地,在***中将用户和商品标注为实体,将用户和商品之间的交互行为标注为行为关系,如艾丽丝买过白色衬衫(Alice bought white shirt),***会将爱丽丝(Alice)和白色衬衫(white shirt)标注为实体,将买(bought)标注为二者之间的关系。
通过标注获取所有的实体和行为关系后,使用深度图数据库(Deep GraphLibrary),将得到的实体和行为关系进行构图,得到时间从0到t的时序知识图谱。
为了获取用户的实时偏好,初始化动态实体嵌入和动态关系嵌入,动态实体嵌入表征用户和商品的特征,动态关系嵌入则是表征用户对商品的喜好,并更新动态关系嵌入,以及时更新用户的实时喜好,以获得更准确的时序知识图谱中的图结构信息。
若当前的训练时间步小于设置的训练时间步,则通过每个时间下的时序知识图谱切片获取当前的时序知识图谱的静态关系嵌入,以获取用户在当前时间下的喜好特征,并使用循环神经网络更新动态关系嵌入,以对用户的实时喜好进行更新,使得获取的时序知识图谱中的图结构信息聚合度更好,信息更准确。
使用图神经网络计算当前的静态实体嵌入,即从时序知识图谱的结构信息中得到用户和商品在当前时间下的结构特征,并使用循环神经网络更新动态实体嵌入,以获取用户和商品的实时特征,直至当前的训练时间步等于或大于设置的所述训练时间步。
在得到t时间的动态实体嵌入和动态关系嵌入后,使用卷积解码器进行解码,例如,基于卷积神经网络的解码器ConvTransE,其包含两个卷积层和一个线性层,得到所有实体的得分,即待预测的所有实体的相关得分,作为发生概率的判断依据,并根据得分进行评估,确定未来时间步下可能发生的事实,保存评估结果满足预设条件的时序知识图谱推理的模型。
基于训练得到的满足预设条件的模型,对未来多个时间步的事实进行预测,输出预测的用户行为,作为模型对时序知识图谱最终的预测结果,使得图结构信息聚合更准确,极大提高了模型预测的精度。
进一步地,所述更新所述动态关系嵌入的步骤包括,
针对所述时序知识图谱的每个时间段下的切片,对所述时序知识图谱的所述动态关系嵌入使用平均池化对与其相关的所述实体进行操作,得到静态关系嵌入;
基于所述静态关系嵌入,使用循环神经网络GRU对所述动态关系嵌入进行更新。
具体地,针对时序知识图谱的每个时间段下的切片,对时序知识图谱的动态实体嵌入使用平均池化,以对与其相关的所述关系进行平均池化操作,得到静态关系嵌入,以更准确地获取用户在当前时间下喜好的特征;再基于静态关系嵌入,使用循环神经网络GRU对动态关系嵌入进行更新,对用户的实时喜好进行更新,以在捕捉长序列语义关联时,能有效抑制梯度消失和***的情况,且计算复杂度降低,利于提升模型训练速度,使得模型结构更简化,利于在大规模知识图谱上推广应用。
进一步地,所述使用图神经网络计算当前的静态实体嵌入,并使用循环神经网络更新动态实体嵌入的步骤包括,
将所述时序知识图谱的上一时间段得到的所述动态实体嵌入和所述动态关系嵌入输入具有关系注意力机制的两层网络结构的图神经网络RGCN中,运算得到用户和商品在当前时间下的结构化实体嵌入,以及用户和商品在当前时间下的静态实体嵌入;
同时,将上一时间段得到的所述动态实体嵌入和所述动态关系嵌入输入具有时间感知机制的两层网络结构的图神经网络TGCN中;
将所述结构化实体嵌入和所述静态实体嵌入进行拼接,并采用循环神经网络GRU对动态实体嵌入进行更新。
具体地,将时序知识图谱上一时间段得到的动态实体嵌入和动态关系嵌入输入具有关系注意力机制的两层网络结构的图神经网络RGCN中,运算得到用户和商品在当前时间下的结构化实体嵌入,以及用户和商品在当前时间下的静态实体嵌入,计算过程因依据类别分类,可以共享权重矩阵,大大降低了计算的复杂度,利于提升模型训练速度,使得模型结构更简化,利于在大规模知识图谱上推广应用。
同时,将上一时间段得到的动态实体嵌入和动态关系嵌入输入具有时间感知机制的两层网络结构的图神经网络TGCN中,能够精准区分用户的长时间喜好和短时间喜好,以更好地获得时序知识图谱中的图结构信息和序列关系,使得推理的未来事实更加准确。
将结构化实体嵌入和静态实体嵌入进行拼接,并采用循环神经网络GRU对动态实体嵌入进行更新,以更准确地获取用户和商品的实时特征。
在一实施例中,所述时序知识图谱包括G=(E,R,S,T),其中,E={e1,e2,...,e|E|}表示用户和商品的实体集合,包含|E|种不同实体,R={r1,r2,...,r|R|}表示用户和商品的交互行为的行为关系集合,包含|R|种不同行为关系,T={0,1,...,t|T|}表示时序知识图谱中事实发生的时间集合,包含|T|个时间步,表示知识图谱中事实的集合。
在一实施例中,所述使用图神经网络计算当前的静态实体嵌入的公式包括,
式中,表示实体o在l+1层的嵌入,/>表示实体s在l层的嵌入,/>表示实体o在l层的嵌入,/>表示带有关系聚合信息的权重矩阵,/>表示带有关系聚合信息的自循环矩阵,co表示实体o的入度,co为一个归一化常数,f表示带泄露的随机线性整流函数,(s,r,o,t)表示事实的四元组形式。
在一实施例中,所述根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型的步骤包括,
将所述得分按由高到低进行排序,得到排序列表;
将当前得分与所述排序列表进行比较,若当前得分与所述排序列表中的第n个结果相同,则将当前得分替换为1/n;
根据所有得分计算所述评估结果,并保存评估结果最大的所述时序知识图谱推理的模型,其中,所述评估结果的计算公式为,
式中,Q表示待预测的事实的个数,ranki表示对于第i个事实的四元组,排序列表中与当前得分相同的位置。
在一实施例中,所述根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型的步骤包括,
将所述得分按由高到低进行排序,得到排序列表;
将当前得分与所述排序列表进行比较,计算排序小于第n个事实的四元组的平均占比,其中,所述平均占比的计算公式为,
式中,Q表示待预测的事实的个数,ranki表示对于第i个事实的四元组,χ表示indicator函数,n依次取1、3和10;
保存所述平均占比最大的所述时序知识图谱推理的模型。
进一步地,所述更新所述动态关系嵌入时,还包括以下步骤,
基于关系预测中的标签向量,使用交叉熵计算所述时序知识图谱推理的模型的训练过程中的关系嵌入损失,其中,所述关系嵌入损失的计算公式为,
进一步地,所述使用循环神经网络更新动态实体嵌入时,还包括以下步骤,
基于实体预测中的标签向量,使用交叉熵计算所述时序知识图谱推理的模型的训练过程中的实体嵌入损失,其中,所述实体嵌入损失的计算公式为,
进一步地,所述保存评估结果满足预设条件的所述时序知识图谱推理的模型前,还包括以下步骤,
设置所述时序知识图谱推理的模型的训练次数;
若当前的训练次数等于或大于设置的所述训练次数时,则保存评估结果满足预设条件的所述时序知识图谱推理的模型。
由于时序知识图谱中越靠近t+1时间发生的事实对推理的作用越大,故可以设置时序知识图谱推理的模型的训练次数,只使用前m(0<m<t)个时间的知识图谱来进行推理,即动态嵌入更新重复m次,保证模型的预测精度。
上述各个实施例的具体描述如下。
首先,数据初始化,使用已有数据进行构图。
在***中将用户和商品标注为实体,将用户和商品之间的交互行为标注为行为关系。从原始数据中提取出实体和行为关系,然后构建时序知识图谱,最终得到的知识库可以表示为G=(E,R,S,T),可以看作是从时间0到t知识图谱序列{G0,...,Gt},E={e1,e2,...,e|E|}表示实体集合,包含|E|种不同实体,R={r1,r2,...,r|R|}表示关系集合,包含|R|种不同关系,T={0,1,...,t|T|}表示时间集合,包含|T|个时间步,表示时序知识图谱中事实发生的时间,表示知识图谱中事实的集合。
参照图1和图2,在推荐***中,将用户和物品标注为实体,将用户和商品间的交互标注为行为关系,形成时序知识图谱,获取知识图谱序列G=(E,R,S,T),知识图谱序列为从时间0到t知识图谱序列{G0,...,Gt}。知识图谱中的事实具有时效性。使用四元组(s,r,o,t)来表示时序知识图谱中事实,其中,s和o表示头实体和尾实体,r表示行为关系,t表示事实发生的时间。时序知识图谱推理的任务是推理未来时间的事实,即预测四元组(s,r,?,t+1)或(?,r,o,t+1)中缺失的头实体或尾实体,以在现有的时序知识图谱上拓展未来时间的知识图谱,用于反映出用户可能的行为和活动,根据用户喜好为其推荐相应的产品。
接着,获得t时间的动态实体嵌入和动态关系嵌入。
在获得知识图谱序列{G0,...,Gt}后,根据时序知识图谱中越靠近推理时间的事实对其影响越大的特性,***中使用推理时间的前m个时间的知识图谱序列进行建模,即对于时间t+1的事实进行推理时,使用知识图谱序列{Gt-m+1,...,Gt}进行建模。对于动态实体嵌入和动态关系嵌入/>(d表示嵌入的维度),模型首先将其随机初始化为H0和R0。
首先,动态关系嵌入更新,获取用户对商品的实时喜好特征。
其次,图中结构依赖关系获取,得到每个知识图谱序列下的结构化静态实体嵌入。
根据上一步得到的动态关系嵌入Rt和上一时间的动态实体嵌入Ht-1,***将其作为输入,再使用一个带有关系注意力机制的ω层图神经网络来对知识图谱中的图结构信息进行建模,得到当前时间的结构化静态实体嵌入。在l∈[0,ω-1]层的结构化静态实体嵌入更新公式如下:
式中,和/>分别表示实体s和实体o在l层的嵌入表示,/>表示实体o在l+1层嵌入的表示,/>和/>分别表示带有关系聚合信息的权重矩阵和自循环矩阵,co为一个归一化常数,为实体o的入度,f表示带泄露的随机线性整流函数(Randomized LeakyRectified Linear Unit)。该步骤最终所有实体的结构化静态实体表示为/>
接着,图中时间信息获取,得到每个知识图谱序列下的内置时间静态实体嵌入。
为了更好的对时序知识图谱中时间信息进行建模,该部分将根据上一时间的动态实体嵌入Ht-1,使用一个带有时间感知的ω层图神经网络来对当前时间下知识图谱序列的内置时间信息进行建模,得到当前时间的内置时间静态实体嵌入。在l∈[0,ω-1]层的内置时间静态实体嵌入更新公式如下:
式中,和/>分别表示实体s和实体o在l层的嵌入表示,/>表示实体o在l+1层嵌入的表示,rt表示关系r在t时间的嵌入表示,/>表示当前计算事实的时间信息,和/>表示权重矩阵,g表示双曲正切函数tanh。该步骤最终所有实体的内置时间静态实体嵌入表示为/>
最后,动态实体嵌入更新,获取用户和商品的实时特征。
式中,;表示嵌入向量的拼接。***接下来使用GRU网络对动态实体嵌入Ht进行更新。该步骤公式如下:
更新关系嵌入和实体嵌入。在关系嵌入更新时,通过均值池化的方式,使用动态实体嵌入和相关图结构获取静态关系嵌入,再使用循环神经网络GRU对动态关系嵌入进行更新。在实体嵌入更新时,使用时间感知图卷积网络TGCN和关系感知图卷积网络RGCN分别获取内置静态实体嵌入和结构化实体嵌入,再使用循环神经网络GRU对动态实体嵌入进行更新。
紧接着,获得预测四元组中所有实体和缺失关系的概率向量。
首先,获取实体概率向量和关系概率向量。
***中的推理任务可以看作是未来时间的实体预测或关系预测,实体预测是对四元组(s,r,?,t+1)或(?,r,o,t+1)中进行缺失实体的预测,以预测尾实体为例,将所有客实体的条件概率向量与主实体s、关系r以及历史知识图谱序列Gt-m+1:t进行联合概率建模,再结合编码获得的动态实体嵌入Ht和动态关系嵌入Rt。公式如下:
p(o|s,r,Gt-m+1:t)=p(o|s,r,Ht,Rt)
关系预测是对四元组(s,?,o,t+1)中缺失关系的预测,将所有关系的条件概率与主实体s、客实体o以及历史知识图谱序列Gt-m+1:t进行联合概率建模,结合动态实体嵌入Ht和动态关系嵌入Rt。公式如下:
p(r|s,o,Gt-m+1:t)=p(r|s,o,Ht,Rt)
接着,解码获得实体概率向量和关系概率向量。
由于卷积解码在解码过程中的表现更好,***中使用一个带有两个卷积层和一个全连接层的解码器,以下简写为Dec,解码后得到实体概率向量和关系概率向量。获得四元组中缺失实体概率向量的公式如下:
p(o|s,r,Ht,Rt)=σ(HtDec(st,rt))
p(r|s,o,Ht,Rt)=σ(RtDec(st,rt))
参照图3,***在获得动态实体嵌入和动态关系嵌入后,对用户行为及用户和商品之间的交互进行预测。例如,以(Alice,buy,?,t+1)为例,获取Alice和buy的嵌入表示,通过ConvTransE解码器计算所有实体在四元组中出现的概率。同理,在例子(Alice,?,TheTruman Show,t+1中,获取Alice和The Truman Show的嵌入表示,通过ConvTransE解码器计算所有关系在四元组中出现的概率。
进行模型训练,通过模型中参数学习,对模型进行评估,保存得分更好的模型。
在***的模型训练中,可以使用两种评估指标。
第一种是平均倒数排名(MeanReciprocalRank,MRR),该指标将训练过程中模型得到的训练结果进行排序得到排序列表,然后与实际值进行匹配,如果与列表中第一个结果相同得分为1,与列表中第二个结果相同得分为0.5,依次类推,与列表中第n个结果相同得分为1/n,最终结果为所有得分的平均数。具体公式如下:
式中,|Q|表示要预测的四元组的个数,ranki表示对于第i个四元组,排序列表中与实际值相同的位置。
或者,第二种评估指标是Hits@n,该指标同样将训练过程中模型得到的训练结果进行排序得到排序列表,将列表中结果和实际值比较,得到排名小于n的四元组的平均占比。具体公式如下:
式中,Q和ranki的含义和MRR公式中相同,χ表示indicator函数,在条件为真是返回1,否则返回0。在***模型训练中,分别取n为1,3和10。
进一步地,训练过程的损失函数描述如下。
因此,最终的损失函数定义为L=λ1Le+λ2Lr,λ1和λ2表示控制两者损失比例大小的参数。
本实施例中,设置模型的训练次数为n,在每次训练过程中,***对本轮训练的模型进行评估,计算MRR或Hits@n的评估得分,如果这轮训练模型的得分比上一轮训练模型的得分高,***对本轮模型进行保存。
在计算得分并得到实体概率向量和关系概率向量后,***会计算本轮训练中的损失,通过反向传播的方式计算出模型中各个参数的梯度并对其进行更新。该步骤最终得到训练后评分最高的模型并进行保存。
最后,对时序知识图谱中的未来事实进行推理。
***中,模型训练完成后得到最终得分最高的模型,在此步骤中,***将结合时序知识图谱中所有实体和关系对四元组(s,r,?,t|T|+n)或(?,r,o,t|T|+n)进行打分,即通过枚举的方式来对所有组合进行打分,得到得分最高的四元组或得分较高的一些四元组,来作为***最终的输出。***可以进行多步推理,可以对当前时序知识图谱中最大时间t|T|之外n个时间的事实进行推理,得到推理的最终结果。
综上所述,一种基于图神经网络进行用户行为预测的方法通过标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系,并将获取的实体和行为关系进行构图,得到时序知识图谱,用于预测用户未来的活动;初始化时序知识图谱的动态实体嵌入和动态关系嵌入,设置时序知识图谱推理的模型的训练时间步,以确保模型的预测精度;若当前的训练时间步小于设置的训练时间步,则获取当前的时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入,使用图神经网络计算当前的静态实体嵌入,以提取局部实体嵌入,并使用循环神经网络更新动态实体嵌入,以获得最终时间的动态实体嵌入和动态关系嵌入,使图结构信息聚合更准确,直至当前的训练时间步等于或大于设置的训练时间步;使用卷积解码器进行解码,得到所有实体的得分,并根据得分进行评估,保存评估结果满足预设条件的时序知识图谱推理的模型,基于模型,对未来多个时间步的事实进行预测,输出预测的用户行为,作为模型对时序知识图谱最终的预测结果,极大提高了模型预测的精度。
本申请可以对每个时间下的知识图谱进行结构聚合和对不同时间下的知识图谱进行序列分析,从而更好的表达出时序知识图谱中实体和关系的动态嵌入,更加准确的预测当前时序知识图谱之外的时间戳可能发生的事实。
本申请通过将对图神经网络结构进行改进,使用关系感知的图神经网络和带有时间信息的图神经网络对时序知识图谱中的图结构信息和内置时间信息进行建模,在更好的获得图中特征的同时,也提高了建模效率;此外,本申请中使用循环神经网络同时对时序知识图谱中的所有实体嵌入和所有关系嵌入进行更新,不仅学习到了时序知识图谱中的序列结构特征,也提高了模型训练效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供一种基于图神经网络进行用户行为预测的装置,该一种基于图神经网络进行用户行为预测的装置与上述实施例中一种基于图神经网络进行用户行为预测的方法一一对应。该一种基于图神经网络进行用户行为预测的装置包括,
数据标注模块,用于标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系;
构图模块,用于将获取的所述实体和所述行为关系进行构图,得到时序知识图谱;
初始化模块,用于初始化所述时序知识图谱的动态实体嵌入和动态关系嵌入,设置所述时序知识图谱推理的模型的训练时间步;
关系嵌入模块,用于若当前的训练时间步小于设置的所述训练时间步,则获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入;
实体嵌入模块,用于使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入,直至当前的训练时间步等于或大于设置的所述训练时间步;
评估模块,用于使用卷积解码器进行解码,得到所有实体的得分,并根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型;
预测模块,用于基于所述模型,对未来多个时间步的事实进行预测,输出预测的用户行为。
一种基于图神经网络进行用户行为预测的装置还包括,
训练模块,用于设置所述时序知识图谱推理的模型的训练次数,若当前的训练次数等于或大于所述设置的最大训练次数时,则保存评估结果满足预设条件的所述时序知识图谱推理模型。
关于一种基于图神经网络进行用户行为预测的装置的具体限定可以参见上文中对于一种基于图神经网络进行用户行为预测的方法的限定,在此不再赘述。上述一种基于图神经网络进行用户行为预测的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任意一种基于图神经网络进行用户行为预测的方法。
在一个实施例中,提供了一种计算机可读存储介质,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系;
将获取的所述实体和所述行为关系进行构图,得到时序知识图谱;
初始化所述时序知识图谱的动态实体嵌入和动态关系嵌入,设置所述时序知识图谱推理的模型的训练时间步;
若当前的训练时间步小于设置的所述训练时间步,则获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入;
使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入,直至当前的训练时间步等于或大于设置的所述训练时间步;
使用卷积解码器进行解码,得到所有实体的得分,并根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型;
基于所述模型,对未来多个时间步的事实进行预测,输出预测的用户行为。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述***的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
Claims (8)
1.一种基于图神经网络进行用户行为预测的方法,其特征在于,包括以下步骤,
标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系;
将获取的所述实体和所述行为关系进行构图,得到时序知识图谱;
初始化所述时序知识图谱的动态实体嵌入和动态关系嵌入,设置所述时序知识图谱推理的模型的训练时间步;
若当前的训练时间步小于设置的所述训练时间步,则获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入;
使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入,直至当前的训练时间步等于或大于设置的所述训练时间步;
使用卷积解码器进行解码,得到所有实体的得分,并根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型;
基于所述模型,对未来多个时间步的事实进行预测,输出预测的用户行为;
所述获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入的步骤包括,
针对所述时序知识图谱的每个时间段下的切片,对所述时序知识图谱的所述动态关系嵌入使用平均池化对与其相关的所述实体进行操作,得到静态关系嵌入;
基于所述静态关系嵌入,使用循环神经网络GRU对所述动态关系嵌入进行更新;
所述使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入的步骤包括,
将所述时序知识图谱的上一时间段得到的所述动态实体嵌入和所述动态关系嵌入输入具有关系注意力机制的两层网络结构的图神经网络RGCN中,运算得到用户和商品在当前时间下的结构化实体嵌入,以及用户和商品在当前时间下的静态实体嵌入;
同时,将上一时间段得到的所述动态实体嵌入和所述动态关系嵌入输入具有时间感知机制的两层网络结构的图神经网络TGCN中;
将所述结构化实体嵌入和所述静态实体嵌入进行拼接,并采用循环神经网络GRU对动态实体嵌入进行更新。
8.一种基于图神经网络进行用户行为预测的装置,其特征在于,包括,
数据标注模块,用于标注用户、商品及两者之间的交互行为,获取所有的实体和行为关系;
构图模块,用于将获取的所述实体和所述行为关系进行构图,得到时序知识图谱;
初始化模块,用于初始化所述时序知识图谱的动态实体嵌入和动态关系嵌入,设置所述时序知识图谱推理的模型的训练时间步;
关系嵌入模块,用于若当前的训练时间步小于设置的所述训练时间步,则获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入;获取当前的所述时序知识图谱的静态关系嵌入,使用循环神经网络更新动态关系嵌入的步骤包括,针对所述时序知识图谱的每个时间段下的切片,对所述时序知识图谱的所述动态关系嵌入使用平均池化对与其相关的所述实体进行操作,得到静态关系嵌入;基于所述静态关系嵌入,使用循环神经网络GRU对所述动态关系嵌入进行更新;
实体嵌入模块,用于使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入,直至当前的训练时间步等于或大于设置的所述训练时间步;使用图神经网络计算当前的时序知识图谱的静态实体嵌入,并使用循环神经网络更新动态实体嵌入的步骤包括,将所述时序知识图谱的上一时间段得到的所述动态实体嵌入和所述动态关系嵌入输入具有关系注意力机制的两层网络结构的图神经网络RGCN中,运算得到用户和商品在当前时间下的结构化实体嵌入,以及用户和商品在当前时间下的静态实体嵌入;同时,将上一时间段得到的所述动态实体嵌入和所述动态关系嵌入输入具有时间感知机制的两层网络结构的图神经网络TGCN中;将所述结构化实体嵌入和所述静态实体嵌入进行拼接,并采用循环神经网络GRU对动态实体嵌入进行更新;
训练模块,用于设置所述时序知识图谱推理的模型的训练次数,若当前的训练次数等于或大于所述设置的最大训练次数时,则保存评估结果满足预设条件的所述时序知识图谱推理模型;
评估模块,用于使用卷积解码器进行解码,得到所有实体的得分,并根据所述得分进行评估,保存评估结果满足预设条件的所述时序知识图谱推理的模型;
预测模块,用于基于所述模型,对未来多个时间步的事实进行预测,输出预测的用户行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205618.2A CN115545300B (zh) | 2022-09-30 | 2022-09-30 | 一种基于图神经网络进行用户行为预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205618.2A CN115545300B (zh) | 2022-09-30 | 2022-09-30 | 一种基于图神经网络进行用户行为预测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115545300A CN115545300A (zh) | 2022-12-30 |
CN115545300B true CN115545300B (zh) | 2023-07-11 |
Family
ID=84731228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205618.2A Active CN115545300B (zh) | 2022-09-30 | 2022-09-30 | 一种基于图神经网络进行用户行为预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545300B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882538B (zh) * | 2023-05-26 | 2024-03-05 | 海南大学 | 一种海洋环境预测模型的训练方法及相关装置 |
CN117171449B (zh) * | 2023-09-21 | 2024-03-19 | 西南石油大学 | 一种基于图神经网络的推荐方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111522962B (zh) * | 2020-04-09 | 2023-05-02 | 苏州大学 | 序列推荐方法、装置及计算机可读存储介质 |
CN114529399A (zh) * | 2022-02-18 | 2022-05-24 | 中国工商银行股份有限公司 | 用户数据处理方法、装置、计算机设备和存储介质 |
CN115082147B (zh) * | 2022-06-14 | 2024-04-19 | 华南理工大学 | 一种基于超图神经网络的序列推荐方法及装置 |
-
2022
- 2022-09-30 CN CN202211205618.2A patent/CN115545300B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115545300A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115545300B (zh) | 一种基于图神经网络进行用户行为预测的方法及装置 | |
Zhou et al. | Atrank: An attention-based user behavior modeling framework for recommendation | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN113705772A (zh) | 一种模型训练方法、装置、设备及可读存储介质 | |
CN109902753B (zh) | 用户推荐模型训练方法、装置、计算机设备和存储介质 | |
CN111127364B (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
CN114494260B (zh) | 对象缺陷检测方法、装置、计算机设备和存储介质 | |
CN114358188A (zh) | 特征提取模型处理、样本检索方法、装置和计算机设备 | |
CN113239168B (zh) | 一种基于知识图谱嵌入预测模型的可解释性方法和*** | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN114168819B (zh) | 一种基于图神经网络的岗位匹配方法及装置 | |
CN112508177A (zh) | 一种网络结构搜索方法、装置、电子设备及存储介质 | |
CN115982597A (zh) | 语义相似度模型训练方法及装置、语义匹配方法及装置 | |
CN109615080B (zh) | 无监督模型评估方法、装置、服务器及可读存储介质 | |
KR20220151453A (ko) | 상품의 가격 예측 방법 | |
US20230097940A1 (en) | System and method for extracting and using groups of features for interpretability analysis | |
CN117009621A (zh) | 信息搜索方法、装置、电子设备、存储介质及程序产品 | |
Darwiche et al. | Graph edit distance: Accuracy of local branching from an application point of view | |
CN112884065A (zh) | 一种基于支持向量机的深度学习模型鲁棒边界评估方法、装置和应用 | |
CN113407808A (zh) | 图神经网络模型适用性判定方法、装置和计算机设备 | |
CN112148994A (zh) | 信息推送效果评估方法、装置、电子设备及存储介质 | |
CN116610783B (zh) | 基于人工智能决策的服务优化方法及数字化在线页面*** | |
Frenkel | Ontological and probabilistic aspects of assessing predictors quality | |
CN114676167B (zh) | 用户存留模型的训练方法、用户存留预测方法和装置 |
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 |