CN117520665A - 一种基于生成对抗网络的社交推荐方法 - Google Patents
一种基于生成对抗网络的社交推荐方法 Download PDFInfo
- Publication number
- CN117520665A CN117520665A CN202410016462.6A CN202410016462A CN117520665A CN 117520665 A CN117520665 A CN 117520665A CN 202410016462 A CN202410016462 A CN 202410016462A CN 117520665 A CN117520665 A CN 117520665A
- Authority
- CN
- China
- Prior art keywords
- vector
- user
- representing
- generator
- embedded vector
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 109
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 238000005295 random walk Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 230000008485 antagonism Effects 0.000 claims 1
- 230000000630 rising effect Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 239000000203 mixture Substances 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/9536—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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/094—Adversarial learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于生成对抗网络的社交推荐方法，通过元路径将复杂的异构图分解为两个简单的同质子图，能够充分发掘和利用蕴涵在无社交标签用户群体中的结构和语义信息，从而提升社交推荐的结果质量，然后通过图神经网络进行预训练得到联合嵌入向量，再通过直通式Gumbel‑Softmax将联合嵌入向量转换为用户独热向量和项目独热向量，能够确保社交推荐在反向传播过程中是可训练的，确定好生成对抗网络中生成器和判别器的损失函数后，将用户独热向量、项目独热向量、用户嵌入向量、项目嵌入向量分别输入至生成器和判别器，当生成对抗网络中的生成器和判别器之间实现平衡时，即得到了高质量的推荐结果。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及一种基于生成对抗网络的社交推荐方法。
背景技术
推荐***作为大数据时代获取信息的重要工具之一，受到广泛的关注和研究。在社交推荐***中，异构图是核心的数据结构，异构图可适当表达用户与用户之间的社交关系，以及用户与项目间的交互联系。充分挖掘异构图中具有社交关系的用户群体的社交和交互信息能显著提升社交推荐***结果的准确率和精确率。
但是，在现实世界中具有明确社交关系的用户只占少数，大量用户群体中没有明确的社交标签，而他们之间却交互着相同的项目，基于异构图的社交推荐***，无法反馈这些信息，导致推荐结果的质量不高。
发明内容
为此，本发明的实施例提出一种基于生成对抗网络的社交推荐方法，以提升推荐结果的质量。
根据本发明一实施例的基于生成对抗网络的社交推荐方法，包括以下步骤：
步骤1，通过第一元路径和第二元路径，将基于用户与用户社交、用户与项目交互的异构图拆分为第一同质子图和第二同质子图，所述第一同质子图是用于描述用户之间有社交链接关系的用户关系图，所述第二同质子图是用于描述用户之间没有社交链接关系、但共享相同项目的用户关系图；
步骤2，基于异构图，通过图神经网络进行预训练，得到用户嵌入向量和项目嵌入向量，基于第一同质子图，通过图神经网络进行预训练，得到第一元路径嵌入向量，基于第二同质子图，通过图神经网络进行预训练，得到第二元路径嵌入向量，再基于第一元路径嵌入向量和第二元路径嵌入向量得到联合嵌入向量；
步骤3，在生成对抗网络的生成器中，通过直通式Gumbel-Softmax将联合嵌入向量转换为用户独热向量和项目独热向量；
步骤4，确定生成对抗网络中生成器的损失函数和判别器的损失函数；
步骤5，将用户独热向量、项目独热向量、用户嵌入向量、项目嵌入向量分别输入至生成器和判别器，并基于生成器的损失函数和判别器的损失函数，迭代更新生成对抗网络的目标函数，最后通过生成对抗网络输出最终的推荐项目列表。
根据本发明实施例的基于生成对抗网络的社交推荐方法，通过元路径将复杂的异构图分解为两个简单的同质子图，分别是用于描述用户之间有社交链接关系的用户关系图，以及用于描述用户之间没有社交链接关系、但共享相同项目的用户关系图，能够充分发掘和利用蕴涵在无社交标签用户群体中的结构和语义信息，从而提升社交推荐的结果质量，每个同质子图都关联特定用户社交的结构和语义信息，然后通过图神经网络进行预训练得到联合嵌入向量，再通过直通式Gumbel-Softmax将联合嵌入向量转换为用户独热向量和项目独热向量，能够确保社交推荐在反向传播过程中是可训练的，确定好生成对抗网络中生成器和判别器的损失函数后，将用户独热向量、项目独热向量、用户嵌入向量、项目嵌入向量分别输入至生成器和判别器，当生成对抗网络中的生成器和判别器之间实现平衡时，即得到了高质量的推荐结果。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一实施例的基于生成对抗网络的社交推荐方法的流程示意图；
图2是一示例性的将异构图拆分为第一同质子图和第二同质子图的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提出一种基于生成对抗网络的社交推荐方法，所述方法包括步骤1至步骤5：
步骤1，通过第一元路径和第二元路径，将基于用户与用户社交、用户与项目交互的异构图拆分为第一同质子图和第二同质子图，所述第一同质子图是用于描述用户之间有社交链接关系的用户关系图，所述第二同质子图是用于描述用户之间没有社交链接关系、但共享相同项目的用户关系图。
本实施例中，将用户与用户社交、用户与项目交互的现实世界构建成一个异构图，请参考图2，异构图中不同的顶点代表用户或项目，不同的边表示用户与用户、用户与项目之间的社交链接和互动信息。
元路径是异构图中的一种模式引导路径，它代表两种实体之间的复合关系。根据元路径的概念，本实施例将图2中的异构图拆解成第一同质子图和第二同质子图。具体的，通过UTU（即，用户-有社交-用户）元路径，围绕目标用户u构建的第一同质子图，用于描述用户u的社交链接关系。通过UIU（即，用户-无社交-用户）元路径，构建的第二同质子图，用于描述与目标用户u没有社交链接但共享相同项目的用户关系图。这两个同质子图从两个不同的角度提供了丰富的社交网络的结构和语义信息。
步骤2，基于异构图，通过图神经网络进行预训练，得到用户嵌入向量和项目嵌入向量，基于第一同质子图，通过图神经网络进行预训练，得到第一元路径嵌入向量，基于第二同质子图，通过图神经网络进行预训练，得到第二元路径嵌入向量，再基于第一元路径嵌入向量和第二元路径嵌入向量得到联合嵌入向量。
本发明采用图神经网络作为预训练过程将上述的异构图和两个同质子图作为输入并将其嵌入到低维向量空间中，图中节点之间的结构信息和关系在这个空间中得以保留。
其中，步骤2具体包括：
将相同步长的随机游走序列分别施加在异构图、第一同质子图和第二同质子图上，其中，/>，/>是游走步长，/>、/>、/>分别表示第1个、第2个、第/>个游走过程中的节点；
对于异构图、第一同质子图和第二同质子图中的每个序列，将每个用户和项目作为中心节点，将随机游走序列长度大小范围内的节点视为正样本，在正样本之外，从异构图、第一同质子图和第二同质子图中的节点随机选择一些节点作为负样本；
采用跳子模型训练异构图、第一同质子图和第二同质子图中的每个序列，从而得到用户嵌入向量、项目嵌入向量、第一元路径嵌入向量、第二元路径嵌入向量，其中，跳子模型（Skip-Gram模型）的目标是最大化对数似然函数；
通过哈达玛积融合第一元路径嵌入向量、第二元路径嵌入向量，得到联合嵌入向量。
步骤3，在生成对抗网络的生成器中，通过直通式Gumbel-Softmax将联合嵌入向量转换为用户独热向量和项目独热向量。
其中，步骤3具体包括：
先将联合嵌入向量转换为概率分布，表达式如下：
；
其中，是联合嵌入向量中的第i个元素，/>是联合嵌入向量中的第j个元素，/>是联合嵌入向量中元素总数，/>表示通过softmax函数转换向量/>所获得的概率分布中的值；
然后为添加噪声，经过标准化后导出一个概率分布向量/>，表达式如下：
其中，是添加到/>的Gumbel噪声；/>是温度参数，用于控制输出用户变量接近独热向量的程度，具体来说，/>越接近0，输出就越接近独热向量；/>表示通过softmax函数转换向量/>所获得的概率分布中的值，/>是添加到/>的Gumbel噪声；
然后进行前向传播，训练生成对抗网络中的生成器，定义中最大元素的索引为，构造用户独热向量/>，表达式为：
；
然后进行反向传播，更新生成对抗网络中的生成器，使用作为梯度，这种操作可确保梯度传播的连续性，具体的满足以下条件式：
；
其中，表示微分，/>表示生成器的损失函数；
在得到用户独热向量后，根据以下步骤得到项目独热向量，先从原始数据集中建立用户与项目的交互矩阵/>，然后创建一个可训练矩阵/>，进而得到项目独热向量/>，表达式如下：
其中，表示直通式Gumbel-Softmax函数，T表示转置操作，/>表示哈达玛积。
步骤4，确定生成对抗网络中生成器的损失函数和判别器的损失函数。
其中，步骤4中，生成器的损失函数满足以下条件式：
；
其中，是数学期望操作，/>表示Sigmoid函数，/>表示用户u对项目v的评分，表示用户u对项目独热向量/>的评分，/>表示合成项目的集合，/>表示合成项目的条件概率分布。
捕捉了生成器相对于/>及其对应概率的总体预期损失，最小化/>所得到的项目可被认为与用户已经互动过的项目相似。由此，生成器用于为判别器伪造真实的项目来进行学习。
判别器的损失函数满足以下条件式：
；
其中，表示判别器的可学习参数，/>表示用户u对项目j的评分，/>是正则化项。通过最小化/>，可以为每个用户生成个性化推荐。
步骤5，将用户独热向量、项目独热向量、用户嵌入向量、项目嵌入向量分别输入至生成器和判别器，并基于生成器的损失函数和判别器的损失函数，迭代更新生成对抗网络的目标函数，最后通过生成对抗网络输出最终的推荐项目列表。
本发明迭代更新生成器和判别器，直到它们的损失差距可接受或迭代次数达到最大值。此时，判别器输出最终的推荐项目列表。
迭代更新生成器和判别器达到一种平衡状态，即生成器产生类似真实项目的合成项目的能力和判别器区分合成项目和真实项目的能力是平衡的。在平衡状态下，判别器的排序输出作为本发明的最终推荐输出。
本发明采用交替迭代的方式优化生成器和判别器，生成对抗网络的优化目标被公式化为极小极大博弈，具体的，步骤5中，生成对抗网络的目标函数的表达式为：
；
其中，表示判别器，/>表示生成器。
步骤5中，生成对抗网络的生成器和判别器的参数分别通过随机梯度上升和下降来更新，表达式为：
；
其中，、/>分别表示t时刻、t+1时刻对应的生成器的可学习参数，/>表示学习率，/>表示对生成器的损失函数中的参数求梯度，/>、/>分别表示t时刻、t+1时刻对应的判别器的可学习参数，/>表示对判别器的损失函数中的参数求梯度，/>表示用户u在生成器中与项目v互动的评分，/>表示用户u在生成器中与项目独热向量互动的评分，/>表示用户u在判别器中与项目v互动的评分，/>表示用户u在判别器中与项目独热向量/>互动的评分，/>表示用户u在判别器中与项目j互动的评分。
通过更新操作的迭代，生成对抗网络进入一个自我演化的循环。如果推荐结果的质量不能显著提高，反向传播梯度将引导生成器产生更高质量的用户。与此同时，生成的用户质量越高，对判别器的优化压力就越大。伴随对抗学***衡。具体来说，生成器创建的合成用户和合成项目，使得判别器再也没有进一步优化的空间，此时的项目是当前用户的最佳选择。
本发明的训练过程不是静态的，而是一个动态和自适应的评估机制。这种机制与模型训练有机结合，而不是孤立的训练过程。通过上述步骤，本发明表现出更强的鲁棒性和灵活性。
综上，根据本发明实施例的基于生成对抗网络的社交推荐方法，通过元路径将复杂的异构图分解为两个简单的同质子图，分别是用于描述用户之间有社交链接关系的用户关系图，以及用于描述用户之间没有社交链接关系、但共享相同项目的用户关系图，能够充分发掘和利用蕴涵在无社交标签用户群体中的结构和语义信息，从而提升社交推荐的结果质量，每个同质子图都关联特定用户社交的结构和语义信息，然后通过图神经网络进行预训练得到联合嵌入向量，再通过直通式Gumbel-Softmax将联合嵌入向量转换为用户独热向量和项目独热向量，能够确保社交推荐在反向传播过程中是可训练的，确定好生成对抗网络中生成器和判别器的损失函数后，将用户独热向量、项目独热向量、用户嵌入向量、项目嵌入向量分别输入至生成器和判别器，当生成对抗网络中的生成器和判别器之间实现平衡时，即得到了高质量的推荐结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于生成对抗网络的社交推荐方法，其特征在于，所述方法包括：
步骤1，通过第一元路径和第二元路径，将基于用户与用户社交、用户与项目交互的异构图拆分为第一同质子图和第二同质子图，所述第一同质子图是用于描述用户之间有社交链接关系的用户关系图，所述第二同质子图是用于描述用户之间没有社交链接关系、但共享相同项目的用户关系图；
步骤2，基于异构图，通过图神经网络进行预训练，得到用户嵌入向量和项目嵌入向量，基于第一同质子图，通过图神经网络进行预训练，得到第一元路径嵌入向量，基于第二同质子图，通过图神经网络进行预训练，得到第二元路径嵌入向量，再基于第一元路径嵌入向量和第二元路径嵌入向量得到联合嵌入向量；
步骤3，在生成对抗网络的生成器中，通过直通式Gumbel-Softmax将联合嵌入向量转换为用户独热向量和项目独热向量；
步骤4，确定生成对抗网络中生成器的损失函数和判别器的损失函数；
步骤5，将用户独热向量、项目独热向量、用户嵌入向量、项目嵌入向量分别输入至生成器和判别器，并基于生成器的损失函数和判别器的损失函数，迭代更新生成对抗网络的目标函数，最后通过生成对抗网络输出最终的推荐项目列表。
2.根据权利要求1所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤2具体包括：
将相同步长的随机游走序列分别施加在异构图、第一同质子图和第二同质子图上，其中，/>，/>是游走步长，/>、/>、/>分别表示第1个、第2个、第个游走过程中的节点；
对于异构图、第一同质子图和第二同质子图中的每个序列，将每个用户和项目作为中心节点，将随机游走序列长度大小范围内的节点视为正样本，在正样本之外，从异构图、第一同质子图和第二同质子图中的节点随机选择一些节点作为负样本；
采用跳子模型训练异构图、第一同质子图和第二同质子图中的每个序列，从而得到用户嵌入向量、项目嵌入向量、第一元路径嵌入向量、第二元路径嵌入向量；
通过哈达玛积融合第一元路径嵌入向量、第二元路径嵌入向量，得到联合嵌入向量。
3.根据权利要求2所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤3具体包括：
先将联合嵌入向量转换为概率分布，表达式如下：
；
其中，是联合嵌入向量中的第i个元素，/>是联合嵌入向量中的第j个元素，/>是联合嵌入向量中元素总数，/>表示通过softmax函数转换向量/>所获得的概率分布中的值；
然后为添加噪声，经过标准化后导出一个概率分布向量/>，表达式如下：
；
其中，是添加到/>的Gumbel噪声，/>是温度参数，/>表示通过softmax函数转换向量所获得的概率分布中的值，/>是添加到/>的Gumbel噪声；
然后进行前向传播，训练生成对抗网络中的生成器，定义中最大元素的索引为/>，构造用户独热向量/>，表达式为：
；
然后进行反向传播，更新生成对抗网络中的生成器，使用作为梯度，满足以下条件式：
；
其中，表示微分，/>表示生成器的损失函数；
在得到用户独热向量后，根据以下步骤得到项目独热向量，先从原始数据集中建立用户与项目的交互矩阵/>，然后创建一个可训练矩阵/>，进而得到项目独热向量/>，表达式如下：
；
其中，表示直通式Gumbel-Softmax函数，T表示转置操作，/>表示哈达玛积。
4.根据权利要求3所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤4中，生成器的损失函数满足以下条件式：
；
其中，是数学期望操作，/>表示Sigmoid函数，/>表示用户u对项目v的评分，/>表示用户u对项目独热向量/>的评分，/>表示合成项目的集合，/>表示合成项目的条件概率分布；
判别器的损失函数满足以下条件式：
；
其中，表示判别器的可学习参数，/>表示用户u对项目j的评分，/>是正则化项。
5.根据权利要求4所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤5中，生成对抗网络的目标函数的表达式为：
；
其中，表示判别器，/>表示生成器。
6.根据权利要求5所述的基于生成对抗网络的社交推荐方法，其特征在于，步骤5中，生成对抗网络的生成器和判别器的参数分别通过随机梯度上升和下降来更新，表达式为：
；
其中，、/>分别表示t时刻、t+1时刻对应的生成器的可学习参数，/>表示学习率，表示对生成器的损失函数中的参数求梯度，/>、/>分别表示t时刻、t+1时刻对应的判别器的可学习参数，/>表示对判别器的损失函数中的参数求梯度，/>表示用户u在生成器中与项目v互动的评分，/>表示用户u在生成器中与项目独热向量/>互动的评分，/>表示用户u在判别器中与项目v互动的评分，/>表示用户u在判别器中与项目独热向量/>互动的评分，/>表示用户u在判别器中与项目j互动的评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016462.6A CN117520665B (zh) | 2024-01-05 | 2024-01-05 | 一种基于生成对抗网络的社交推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016462.6A CN117520665B (zh) | 2024-01-05 | 2024-01-05 | 一种基于生成对抗网络的社交推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117520665A true CN117520665A (zh) | 2024-02-06 |
| CN117520665B CN117520665B (zh) | 2024-03-26 |
Family
ID=89751719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410016462.6A Active CN117520665B (zh) | 2024-01-05 | 2024-01-05 | 一种基于生成对抗网络的社交推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117520665B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442781A (zh) * | 2019-06-28 | 2019-11-12 | 武汉大学 | 一种基于生成对抗网络的对级排序项目推荐方法 |
| CN113569906A (zh) * | 2021-06-10 | 2021-10-29 | 重庆大学 | 基于元路径子图的异质图信息提取方法和装置 |
| CN113609398A (zh) * | 2021-08-17 | 2021-11-05 | 石家庄铁道大学 | 一种基于异构图神经网络的社交推荐方法 |
| CN115082142A (zh) * | 2022-05-10 | 2022-09-20 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
| US20220374962A1 (en) * | 2021-05-17 | 2022-11-24 | National University Of Defense Technology | Session-based recommendation method and device |
| WO2023024017A1 (en) * | 2021-08-26 | 2023-03-02 | Ebay Inc. | Multi-modal hypergraph-based click prediction |
-
2024
- 2024-01-05 CN CN202410016462.6A patent/CN117520665B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442781A (zh) * | 2019-06-28 | 2019-11-12 | 武汉大学 | 一种基于生成对抗网络的对级排序项目推荐方法 |
| US20220374962A1 (en) * | 2021-05-17 | 2022-11-24 | National University Of Defense Technology | Session-based recommendation method and device |
| CN113569906A (zh) * | 2021-06-10 | 2021-10-29 | 重庆大学 | 基于元路径子图的异质图信息提取方法和装置 |
| CN113609398A (zh) * | 2021-08-17 | 2021-11-05 | 石家庄铁道大学 | 一种基于异构图神经网络的社交推荐方法 |
| WO2023024017A1 (en) * | 2021-08-26 | 2023-03-02 | Ebay Inc. | Multi-modal hypergraph-based click prediction |
| CN115082142A (zh) * | 2022-05-10 | 2022-09-20 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 姜彦斌: "基于异质图神经网络的社交推荐方法研究", 《知网》, vol. 2023, no. 02, 15 February 2023 (2023-02-15) * |
| 康嘉钰;苏凡军;: "基于生成对抗网络的长短兴趣推荐模型", 计算机技术与发展, no. 06, 10 June 2020 (2020-06-10) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117520665B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Baymurzina et al. | A review of neural architecture search | |
| CN112232925A (zh) | 一种融合知识图谱对商品进行个性化推荐的方法 | |
| CN110909754B (zh) | 一种属性生成对抗网络及基于该网络的搭配服饰生成方法 | |
| CN110910218B (zh) | 一种基于深度学习的多行为迁移推荐方法 | |
| Li et al. | Deep probabilistic matrix factorization framework for online collaborative filtering | |
| Chitty-Venkata et al. | Neural architecture search for transformers: A survey | |
| Hong et al. | Genetic-fuzzy data mining with divide-and-conquer strategy | |
| CN111881363B (zh) | 一种基于图交互网络的推荐方法 | |
| CN111143705A (zh) | 一种基于图卷积网络的推荐方法 | |
| CN110245228A (zh) | 确定文本类别的方法和装置 | |
| CN114564596A (zh) | 一种基于图注意力机制的跨语言知识图谱链接预测方法 | |
| CN111949885A (zh) | 一种面向旅游景点的个性化推荐方法 | |
| CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
| Nistor et al. | IntelliSwAS: Optimizing deep neural network architectures using a particle swarm-based approach | |
| CN117009650A (zh) | 一种推荐方法以及装置 | |
| CN117216281A (zh) | 一种基于知识图谱的用户兴趣扩散推荐方法及*** | |
| Zheng et al. | Kernelized deep learning for matrix factorization recommendation system using explicit and implicit information | |
| González et al. | Synthetic sample generation for label distribution learning | |
| CN117520665B (zh) | 一种基于生成对抗网络的社交推荐方法 | |
| CN114841778B (zh) | 一种基于动态图神经网络的商品推荐方法 | |
| Kazakçi et al. | Digits that are not: Generating new types through deep neural nets | |
| Cui et al. | RAKCR: Reviews sentiment-aware based knowledge graph convolutional networks for Personalized Recommendation | |
| Prates et al. | Typed graph networks | |
| Boudiba et al. | Tag-based embedding representations in neural collaborative filtering approaches. | |
| Wu | Research on Online Product Recommendation Algorithm Based on Graph Neural Network |
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 |