CN115840853A - 一种基于知识图谱和图注意力网络的课程推荐*** - Google Patents
一种基于知识图谱和图注意力网络的课程推荐*** Download PDFInfo
- Publication number
- CN115840853A CN115840853A CN202211602359.7A CN202211602359A CN115840853A CN 115840853 A CN115840853 A CN 115840853A CN 202211602359 A CN202211602359 A CN 202211602359A CN 115840853 A CN115840853 A CN 115840853A
- Authority
- CN
- China
- Prior art keywords
- entity
- vector
- module
- knowledge graph
- knowledge
- 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.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于知识图谱和图注意力网络的课程推荐***,包括领域知识图谱构建模块、知识表示学习CTransD模块、图注意力网络CTransD‑GAT模块和评分预测模块,本发明根据课程数据集构建知识图谱,通过知识学习表示模块,将知识图谱中的实体和关系嵌入到连续的稠密的低维向量空间中,本发明利用图注意力网络模块计算权重系数传播和聚合实体节点的特征信息,生成新的包含更多信息的节点表示,根据评分预测模块得到课程预测评分。本发明的基于知识图谱和图注意力网络的课程推荐***,通过知识图谱为推荐***提供较准确和丰富的语义信息,利用图注意力网络,捕捉不同用户对课程不同关系的注意力,提高了推荐结果的准确度。
Description
技术领域
本发明涉及课程推荐技术领域,尤其涉及一种基于知识图谱和图注意力网络的课程推荐***。
背景技术
在信息过载的时代,推荐***的任务就是联系用户和物品,一方面帮助用户发现对自己有价值的物品,另一方面让物品能够展现在对它有兴趣的用户面前,从而实现物品消费者和物品生产者的双赢,推荐***在各种在线服务中发挥着重要作用。协同过滤算法作为经典的推荐算法之一,根据用户物品评分矩阵,对用户和物品进行向量嵌入,通过内积操作来模拟用户偏好。然而,协同过滤算法存在冷启动和数据稀薄时推荐效果受限的问题,也很难解释推荐结果的原因。
为了解决上述缺陷,近年来基于知识图谱的推荐***成为研究的热点,因为知识图谱蕴含了物品属性和各种类型的关系信息,能够为推荐***提供丰富的物品语义信息。基于嵌入的方法将知识图谱中的实体和关系嵌入到连续的稠密的低维向量空间中,得到低维稠密的向量化表示后,将其与原有推荐***中的物品、用户嵌入向量进行融合,基于知识图谱嵌入算法分为两类,基于翻译的模型,如TransE,TransH,TransR,TransD等,和语义匹配模型,如DistMult。然而,TransD模型参数多和实体表示间没有关联,很难应用到大型知识图谱中,以及现有的基于知识图谱的推荐模型忽略了用户对物品不同关系所产生的不同重视程度的问题。
发明内容
针对上述问题,本发明提出了一种基于知识图谱和图注意力网络的课程推荐***,使知识表示学习更好的应用到大型知识图谱中,为推荐***提供丰富的物品语义关联信息,弥补空间向量模型丢失实体类之间关系信息的缺陷,并且解决了推荐模型忽略用户对物品不同关系所产生的不同重视程度的问题。
为了实现本发明的上述目的,本发明采用的技术方案如下:
一种基于知识图谱和图注意力网络的课程推荐***,包括领域知识图谱构建模块、知识表示学习CTransD模块、图注意力网络CTransD-GAT模块和评分预测模块;
所述的领域知识图谱构建模块:采用自顶向下的构建方式,抽象概括领域知识,得到领域知识图谱的实体概念,为领域中的每个实体概念定义实体类、对象属性、数据属性、值域和约束条件,构建出领域知识图谱本体库,从数据集中获取数据,将知识图谱所需的实体、属性、关系元素抽取出来,实例化本体库,形成结构化知识存入知识图谱;
所述的知识表示学习CTransD模块:将所述的知识图谱中的实体和关系嵌入到连续的稠密的低维向量空间中,形成用户、课程和关系的初始嵌入向量,用来刻画推荐***的课程语义信息;
所述的图注意力网络CTransD-GAT模块:通过注意力机制来计算所述的知识图谱中关系对用户的权重,利用用户的嵌入向量和关系嵌入向量的内积表示该种关系对用户的重要程度,实体节点根据权重系数将特征信息传递给相邻节点,并使实体节点与传播的相邻节点进行嵌入聚合生成新的包含更多信息的节点表示;
进一步的,所述知识表示学习模块为优化后的CTransD模块,模型创建步骤如下:
步骤1、三元组提取:将知识图谱中的数据转换为三元组结构;
步骤2、构造三元组得分函数:对每个三元组(h,r,t)来说,h是头实体向量,r是关系向量,t是尾实体向量,通过K-Means聚类算法,依据实体向量间的相似性聚成k类,每个实体向量属于且仅属于一个到其实体向量类簇中心距离最小的类簇中,使用算术平均值的方法计算簇群的平均值,并把这个平均值当做实体类中心,头实体的中心记为头实体组成的邻域/>尾实体的中心记为/>尾实体组成的邻域/>头尾实体类中心分别定义为:
头尾实体完成聚类后,头尾投影矩阵Mrh和Mrt分别表示为:
关系空间中被投影的头实体h⊥和尾实体t⊥分别表示为:
h⊥=Mrhh,t⊥=Mrtt
被投影到关系r平面的头实体h⊥和尾实体t⊥满足h⊥+r-t⊥≈0,三元组得分函数为:
步骤3、构造负例三元组:对于给定的三元组,以概率P替换头实体,以1-P的概率替换尾实体,生成负例三元组,概率P为:
其中,Ntph表示每个头实体对应的尾实体数量的平均值,Nhpt表示每个尾实体对应的头实体数量的平均值;
步骤5、根据目标函数进行梯度更新:采用三元组损失函数和KL散度损失函数作为样本的目标函数,目标函数为:
其中,(h,r,t)∈S表示中三元组集合,(h',r,t')∈S'表示负例三元组集合,由负三元组构建策略生成,目标函数使用随机梯度下降算法更新模型参数,每次伯努利抽样抽取部分三元组,生成负例三元组加入三元组数据集合中,γ表示正例和负例三元组得分的距离,将集合中的实体和关系在各自向量空间中归一化操作,使用归一化向量数据训练模型。
进一步的,所述图注意力网络CTransD-GAT模块,模块创建步骤如下:
步骤1、计算用户权重偏好系数:利用用户的嵌入向量和关系嵌入向量的内积表示该种关系对用户的重要程度,在知识图谱中头尾节点连接的边即为权重,权重系数表示如下:
其中eu和er分别表示用户u和关系r的嵌入向量,通过softmax函数归一化对权重系数进行归一化操作,表示如下:
步骤S2、特征传播与聚合:对所有关系类型的邻居节点进行传播,将节点加权求和得到实体邻域的特征向量,特征向量表示如下:
通过BI-Interaction聚合函数,先将两个向量相加进行非线性变换,再将两个向量元素点乘进行非线性变换,最后将两个向量相加,表示如下:
其中,W1,W2∈Rd′×d和b1,b2∈Rd为可训练权重矩阵与偏差,σ为ReLu激活函数,⊙表示点乘。
与现有技术相比,本发明具有以下有益效果:
(1)本发明充分利用的领域知识图谱知识,将其蕴含的丰富语义关系为推荐***提供准确的语义关联信息,弥补了空间向量模型丢失实体类之间关系信息的缺陷。
(2)本发明中知识表示学习CTransD模块通过聚类算法减少了实体投影数量,减轻了计算压力,使其更好的应用到大型知识图谱中,并把实体类之间的距离关系转换成概率表示,解决聚类之后实体表示之间无联系的缺陷。在三个数据集中对各领域知识图谱实体链接预测,实验结果表明本发明知识表示学习CTransD模块在MeanRank和Hits@10两个指标上都具有提升,因此,本发明知识表示学习CTransD模块为后续的推荐算法提供了准确的语义关联信息和可解释性。
(3)本发明中图注意力网络CTransD-GAT模块,通过注意力机制捕捉不同用户对物品所产生的不同关系的注意力,实体节点根据权重系数将特征信息传递给相邻节点,并使实体节点与传播的相邻节点进行嵌入聚合生成新的包含更多信息的节点表示,解决了推荐模块忽略用户对物品不同关系所产生的不同重视程度的问题。在三个真实的数据集上的大量对比和消融实验表明,与其他最先进的模型相比所提出的模块有明显的性能提升。
附图说明
图1为本发明的***框架示意图。
图2为本发明领域知识图谱构建模块示意图。
图3为本发明知识表示学习CTransD模块示意图。
图4为本发明图注意力网络CTransD-GAT模块示意图。
图5为本发明图注意力网络CTransD-GAT模块Top-k推荐实验结果图,
(a)是各模型在MoocCube数据集上的准确率,(b)是各模型在MovieLens-25M数据集上的准确率,(c)是各模型在Book-Crossing数据集上的准确率,(d)是各模型在MoocCube数据集上的召回率,(e)是各模型在MovieLens-25M数据集上的召回率,(f)是各模型在Book-Crossing数据集上的召回率。
具体实施方式
下面结果附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例1
如图1所示,一种基于知识图谱和图注意力网络的课程推荐***,包括领域知识图谱构建模块、知识表示学习CTransD模块、图注意力网络CTransD-GAT模块、评分预测模块。其中,领域知识图谱构建模块,本发明采用自顶向下的构建方式,抽象概括领域知识,得到领域知识图谱的实体概念,为领域中的每个实体概念定义实体类、对象属性、数据属性、值域和约束条件,构建出领域知识图谱本体库,从数据集中获取数据将实体、属性、关系的知识图谱所需元素抽取出来,实例化本体库,形成结构化知识存入知识图谱;在知识表示学习CTransD模块,本发明将知识图谱中的实体和关系嵌入到连续的稠密的低维向量空间中,形成用户、课程和关系的初始嵌入向量,用来刻画推荐***的课程语义信息;图注意力网络CTransD-GAT模块,本发明通过注意力机制来计算所述的知识图谱中关系对用户的权重,利用用户的嵌入向量和关系嵌入向量的内积表示该种关系对用户的重要程度,实体节点根据权重系数将特征信息传递给相邻节点,并使实体节点与传播的相邻节点进行嵌入聚合生成新的包含更多信息的节点表示;评分预测模块,本发明将用户嵌入向量与聚合后的课程嵌入向量做内积,作为用户点击课程的概率值。
领域知识图谱构建模块,本发明从领域数据集中知识获取,得到半结构化和非结构化数据,然后对数据知识清洗,进行预处理和人工校验填补缺失值,抽象概括领域知识,构建出教育领域知识图谱本体库,通过知识抽取实例化本体库中的本体及属性,将数据存储到Neo4j数据库中,完成领域知识图谱构建,具体如图2所示。
知识表示学习CTransD模块的框架如图3所示,本发明使用聚类算法对实体进行聚类来减少实体投影数量,使其更好的应用到大型知识图谱中,之后本发明将实体类之间的距离关系转换成概率表示,解决聚类之后实体表示之间无联系的缺陷。具体过程如下:
三元组提取:将知识图谱中的数据转换为三元组结构;
构造三元组得分函数:对每个三元组(h,r,t)来说,h是头实体向量,r是关系向量,t是尾实体向量,通过K-Means聚类算法,依据实体向量间的相似性聚成k类,每个实体向量属于且仅属于一个到其实体向量类簇中心距离最小的类簇中。使用算术平均值的方法计算簇群的平均值,并把这个平均值当做实体类中心,头实体的中心记为头实体组成的邻域尾实体的中心记为/>尾实体组成的邻域/>头尾实体类中心分别定义为
头尾实体完成聚类后,头尾投影矩阵Mrh和Mrt分别表示为:
关系空间中被投影的头实体h⊥和尾实体t⊥分别表示为
h⊥=Mrhh,t⊥=Mrtt
被投影到关系r平面的头实体h⊥和尾实体t⊥满足h⊥+r-t⊥≈0,三元组得分函数为
构造负例三元组:对于给定的三元组,以概率P替换头实体,以1-P的概率替换尾实体,生成负例三元组,概率P为
其中,Ntph表示每个头实体对应的尾实体数量的平均值,Nhpt表示每个尾实体对应的头实体数量的平均值;
根据目标函数进行梯度更新:采用三元组损失函数和KL散度损失函数作为样本的目标函数,目标函数为:
其中(h,r,t)∈S表示中三元组集合,(h',r,t')∈S'表示负例三元组集合,由负三元组构建策略生成,目标函数使用随机梯度下降算法更新模型参数,每次伯努利抽样抽取部分三元组,生成负例三元组加入三元组数据集合中,γ表示正例和负例三元组得分的距离,将集合中的实体和关系在各自向量空间中归一化操作,使用归一化向量数据训练模型。
图注意力网络CTransD-GAT模块如图4所示,本发明将知识图谱表示学习得到初始向量通过图注意力网络计算用户权重系数,根据权重系数对节点的信息进行传播和聚合操作,生成新的节点表示。具体过程如下:
计算用户权重偏好系数:利用用户的嵌入向量和关系嵌入向量的内积表示该种关系对用户的重要程度。在知识图谱中头尾节点连接的边即为权重,权重系数表示如下:
其中eu和er分别表示用户u和关系r的嵌入向量,通过softmax函数归一化对权重系数进行归一化操作,表示如下:
通过BI-Interaction聚合函数,先将两个向量相加进行非线性变换,再将两个向量元素点乘进行非线性变换,最后将两个向量相加,表示如下:
其中W1,W2∈Rd′×d和b1,b2∈Rd为可训练权重矩阵与偏差,σ为ReLu激活函数,⊙表示点乘。
为了验证本发明的可行性,申请人还做了相关实验,具体如下:
数据集:为了验证本发明模块的性能,本发明采用了教育、电影、书籍三个领域的公共实验数据集,分别是一个服务于MOOC相关研究的开源大规模数据仓库MoocCube数据集,MovieLens网站提供的MovieLens-25M数据集,Cai-Nicolas Ziegler根据bookcrossing.com的数据编写的图书评分Book-Crossing数据集。三个数据集的基本信息如表1所示:
表1数据集的基本信息
对比实验:本发明选取了知识表示学习领域效果突出的四个基线模型和推荐模型领域效果突出的四个基线模型来进行对比实验。
知识表示学习领域的四个基线模型分别为:TransE,TransH,TransR,TransD。
推荐模型领域效果突出的四个基线模型分别为:
CKE:融合知识图谱和协同过滤的模型,同时采用了TransR异构网络嵌入的方法。
LibFM:基于特征矩阵分解的模型,采用了堆积梯度下降法(SGD)和交替最小二乘法(ALS)来进行优化。
RippleNet:水波网络模型,将偏好传播引入融合知识图谱的推荐模型中。
NGCF:神经图协同过滤模型,将用户物品的二部图编码嵌入表示。
实验设置:为了保证公平比较,对于基线模型,首先依据其原文的参数设置,并在此基础上尽可能优化对比模型。对于CTransD模型,设置参数学***均值来确定最优的参数配置。
实验结果:本发明知识表示学***均排名,Hits@10:正确实体排名排在前10位的几率。
本发明图注意力网络模块针对TopN推荐任务,采用精确率Precision@K和召回率Recall@K衡量推荐***能否正确预测用户喜欢或者不喜欢某个商品的能力,假设NTP、NFP、NFN、NTN分别表示***推荐给用户且用户喜欢、***推荐给用户但用户不喜欢、用户喜欢但***没有推荐、用户不喜欢且***没有推荐。精确率定义表示如下:
召回率定义表示如下:
本发明图注意力网络模块针对点击率预测,采用了AUC和F1来衡量推荐***性能,AUC是ROC曲线下的面积,表示推荐***能够多大程度上将用户喜欢的商品与不喜欢的商品区分出来。AUC定义表示如下:
F1是同时考虑准确率和召回率,综合反映***性能,F1定义表示如下:
三个数据集中各领域知识图谱实体链接预测实验结果如表2所示,结果表明本发明CTransD模型相对于基线模型在两个指标上都具有提升,本发明CTransD模型相对于其他基线模型表示学习的能力更好。
表2CTransD模型实验结果
对基线模型和本发明CTransD-GAT模型进行Top-K推荐和点击率预测实验,在三个数据集上分别得出了各个模型的精确率和召回率,如图5所示,以及各个模型的AUC和F1,如表3所示。
表3点击率预测实验结果
本发明CTransD-GAT模型在三个数据集上的AUC和F1值都高于其他模型,Top-k推荐中随着K值的增加,所有模型的精确率都呈现下降的趋势,召回率都呈现上升的趋势。在三个数据集中,LibFM模型相比其他融合知识图谱的模型准确率要略低,说明在推荐中引入知识图谱作为辅助信息,有效的提取了物品的特征向量,提升了推荐的质量。本发明CTransD-GAT模型表现要明显优于其他只融合知识图谱的模型,说明融入图注意力网络有效的根据权重信息传播聚合邻域信息,提高了推荐的准确率,表明本发明该模型的有效性。
Claims (3)
1.一种基于知识图谱和图注意力网络的课程推荐***,其特征在于,包括领域知识图谱构建模块、知识表示学习CTransD模块、图注意力网络CTransD-GAT模块和评分预测模块;
所述的领域知识图谱构建模块:采用自顶向下的构建方式,抽象概括领域知识,得到领域知识图谱的实体概念,为领域中的每个实体概念定义实体类、对象属性、数据属性、值域和约束条件,构建出领域知识图谱本体库,从数据集中获取数据,将知识图谱所需的实体、属性、关系元素抽取出来,实例化本体库,形成结构化知识存入知识图谱;
所述的知识表示学习CTransD模块:将所述的知识图谱中的实体和关系嵌入到连续的稠密的低维向量空间中,形成用户、课程和关系的初始嵌入向量,用来刻画推荐***的课程语义信息;
所述的图注意力网络CTransD-GAT模块:通过注意力机制来计算所述的知识图谱中关系对用户的权重,利用用户的嵌入向量和关系嵌入向量的内积表示该种关系对用户的重要程度,实体节点根据权重系数将特征信息传递给相邻节点,并使实体节点与传播的相邻节点进行嵌入聚合生成新的包含更多信息的节点表示;
2.根据权利要求1所述的一种基于知识图谱和图注意力网络的课程推荐***,其特征在于,所述知识表示学习模块为优化后的CTransD模块,模型创建步骤如下:
步骤1、三元组提取:将知识图谱中的数据转换为三元组结构;
步骤2、构造三元组得分函数:对每个三元组(h,r,t)来说,h是头实体向量,r是关系向量,t是尾实体向量,通过K-Means聚类算法,依据实体向量间的相似性聚成k类,每个实体向量属于且仅属于一个到其实体向量类簇中心距离最小的类簇中,使用算术平均值的方法计算簇群的平均值,并把这个平均值当做实体类中心,头实体的中心记为头实体组成的邻域尾实体的中心记为尾实体组成的邻域头尾实体类中心分别定义为:
头尾实体完成聚类后,头尾投影矩阵Mrh和Mrt分别表示为:
关系空间中被投影的头实体h⊥和尾实体t⊥分别表示为:
h⊥=Mrhh,t⊥=Mrtt
被投影到关系r平面的头实体h⊥和尾实体t⊥满足h⊥+r-t⊥≈0,三元组得分函数为:
步骤3、构造负例三元组:对于给定的三元组,以概率P替换头实体,以1-P的概率替换尾实体,生成负例三元组,概率P为:
其中,Ntph表示每个头实体对应的尾实体数量的平均值,Nhpt表示每个尾实体对应的头实体数量的平均值;
步骤5、根据目标函数进行梯度更新:采用三元组损失函数和KL散度损失函数作为样本的目标函数,目标函数为:
其中(h,r,t)∈S表示中三元组集合,(h',r,t')∈S'表示负例三元组集合,由负三元组构建策略生成,目标函数使用随机梯度下降算法更新模型参数,每次伯努利抽样抽取部分三元组,生成负例三元组加入三元组数据集合中,γ表示正例和负例三元组得分的距离,将集合中的实体和关系在各自向量空间中归一化操作,使用归一化向量数据训练模型。
3.根据权利要求1所述的一种基于知识图谱和图注意力网络的课程推荐***,其特征在于,所述图注意力网络CTransD-GAT模块,模块创建步骤如下:
步骤1、计算用户权重偏好系数:利用用户的嵌入向量和关系嵌入向量的内积表示该种关系对用户的重要程度,在知识图谱中头尾节点连接的边即为权重,权重系数表示如下:
其中eu和er分别表示用户u和关系r的嵌入向量,通过softmax函数归一化对权重系数进行归一化操作,表示如下:
步骤S2、特征传播与聚合:对所有关系类型的邻居节点进行传播,将节点加权求和得到实体邻域的特征向量,特征向量表示如下:
通过BI-Interaction聚合函数,先将两个向量相加进行非线性变换,再将两个向量元素点乘进行非线性变换,最后将两个向量相加,表示如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211602359.7A CN115840853A (zh) | 2022-12-13 | 2022-12-13 | 一种基于知识图谱和图注意力网络的课程推荐*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211602359.7A CN115840853A (zh) | 2022-12-13 | 2022-12-13 | 一种基于知识图谱和图注意力网络的课程推荐*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115840853A true CN115840853A (zh) | 2023-03-24 |
Family
ID=85578562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211602359.7A Pending CN115840853A (zh) | 2022-12-13 | 2022-12-13 | 一种基于知识图谱和图注意力网络的课程推荐*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115840853A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757460A (zh) * | 2023-08-23 | 2023-09-15 | 南京争锋信息科技有限公司 | 基于深度学***台构建方法及*** |
-
2022
- 2022-12-13 CN CN202211602359.7A patent/CN115840853A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757460A (zh) * | 2023-08-23 | 2023-09-15 | 南京争锋信息科技有限公司 | 基于深度学***台构建方法及*** |
CN116757460B (zh) * | 2023-08-23 | 2024-01-09 | 南京争锋信息科技有限公司 | 基于深度学***台构建方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523047B (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN110162706B (zh) | 一种基于交互数据聚类的个性化推荐方法及*** | |
CN108363804B (zh) | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 | |
CN112232925A (zh) | 一种融合知识图谱对商品进行个性化推荐的方法 | |
Luo et al. | Personalized recommendation by matrix co-factorization with tags and time information | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN109389151B (zh) | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 | |
CN113095439A (zh) | 基于注意力机制的异构图嵌入学习方法 | |
CN107220365A (zh) | 基于协同过滤与关联规则并行处理的精准推荐***及方法 | |
CN112364976A (zh) | 基于会话推荐***的用户偏好预测方法 | |
CN115062237A (zh) | 基于图神经网络和知识图谱结合的文化资源推荐方法 | |
CN110619540A (zh) | 一种神经网络的点击流预估方法 | |
CN115186097A (zh) | 一种基于知识图谱和强化学习的交互式推荐方法 | |
CN111125540A (zh) | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐*** | |
CN111723285A (zh) | 一种基于评分的深度谱卷积协同过滤推荐方法 | |
CN113918833A (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 | |
CN113918834A (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN114997476A (zh) | 一种融合商品关联关系的商品预测方法 | |
CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及*** | |
CN115840853A (zh) | 一种基于知识图谱和图注意力网络的课程推荐*** | |
CN112364245B (zh) | 基于异构信息网络嵌入的Top-K电影推荐方法 | |
CN108491477B (zh) | 基于多维云和用户动态兴趣的神经网络推荐方法 | |
CN111949894B (zh) | 一种基于多空间交互的协同过滤个性化推荐方法 | |
CN113342994A (zh) | 一种基于无采样协作知识图网络的推荐*** |
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 |