CN117992679B - 一种项目推荐方法、***与计算机设备 - Google Patents
一种项目推荐方法、***与计算机设备 Download PDFInfo
- Publication number
- CN117992679B CN117992679B CN202410203434.5A CN202410203434A CN117992679B CN 117992679 B CN117992679 B CN 117992679B CN 202410203434 A CN202410203434 A CN 202410203434A CN 117992679 B CN117992679 B CN 117992679B
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- project
- node
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 121
- 230000003993 interaction Effects 0.000 claims abstract description 102
- 230000008447 perception Effects 0.000 claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000013434 data augmentation Methods 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000005295 random walk Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 12
- 230000003416 augmentation Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- OUSLHGWWWMRAIG-FBCAJUAOSA-N (6r,7r)-7-[[(2z)-2-(furan-2-yl)-2-methoxyiminoacetyl]amino]-3-(hydroxymethyl)-8-oxo-5-thia-1-azabicyclo[4.2.0]oct-2-ene-2-carboxylic acid Chemical compound N([C@@H]1C(N2C(=C(CO)CS[C@@H]21)C(O)=O)=O)C(=O)\C(=N/OC)C1=CC=CO1 OUSLHGWWWMRAIG-FBCAJUAOSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012561 harvest cell culture fluid Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种项目推荐方法、***与计算机设备,涉及推荐方法技术领域,包括步骤:获取用户‑项目交互图,计算用户节点随机游走到一个项目节点的次数,通过相似度构建关注度感知矩阵S;通过关注度感知矩阵S进行关注度感知节点特征聚合;提取全局协作上下文信息,通过数据增广获得重构的用户‑物品交互图;利用关注度感知矩阵S去除重构的用户‑物品交互图中的噪声;通过去除噪声的用户‑物品交互图联合原始用户‑项目交互图对用户进行相关项目的推荐。本发明利用主成分分析保留用户‑项目图的全局协作关系的关键语义之后利用关注度感知矩阵来降低重构图的噪声,以生成更鲁棒的对比视图,将原图与对比视图纳入对比学习中,获得了显著的推荐性能。
Description
技术领域
本发明涉及推荐方法技术领域,特别涉及一种项目推荐方法、***与计算机设备。
背景技术
近年来,各类web应用产生了海量的信息。比如,在线零售平台不断从用户获取大量的购买和评论信息,大量的信息很容易导致信息过载,这使得用户很难获取目标信息。推荐***是一种利用用户行为、偏好和项目信息等数据,为用户提供个性化推荐的技术和工具。其目的是通过分析用户的兴趣和需求,预测用户可能感兴趣的项目,并将这些项目推荐给用户,以提升用户体验和满足他们的需求。推荐***作为缓解信息过载的重要工具,它被广泛应用于各种基于web的应用,如在线零售平台的商品推荐,在线社交网络的帖子推荐,新闻网站的新闻推荐等。
具体来说,在线零售平台上,推荐***可以根据用户的购买历史和偏好,预测其潜在的兴趣,并向其推荐相关的商品/这有助于用户快速找到自己感兴趣的商品,减少信息收缩成本,并提升购物体验。类似地,在线社交网络中推荐***可以根据用户的社交关系、兴趣爱好和历史行为,项目推荐与关注领域相关的帖子用户。这样的推荐可以帮助用户发现更有价值的内容,扩大社交圈子,并促进用户互动。此外,新闻网站也可以利用推荐***为用户提供个性化的新闻推荐。通过分析用户的浏览历史、点击行为以及对不同主题的兴趣程度,推荐***可以向用户推送与其兴趣相关的新闻内容,使用户能够更加便捷地获取到感兴趣的信息。
传统推荐***的方法主要包括基于内容的推荐、协同过滤和基于矩阵分解的方法。基于内容的推荐(Content-Based Recommendation):该方法根据用户和项目的属性特征进行推荐。首先,针对用户和项目,从它们的属性中提取关键特征。然后,通过计算用户和项目之间的相似度,推荐与用户兴趣相关的项目。基于内容的推荐方法适用于情境较为简单的推荐场景,可以提供个性化的推荐结果。然而,该方法往往无法捕捉到用户和项目之间的复杂交互行为,且容易受到特征选择和表示的限制。协同过滤(CollaborativeFiltering,CF):CF方法是一种基于用户行为数据的推荐方法,它利用用户-项目交互数据来预测用户对未知项目的喜好程度。协同过滤可以分为基于用户(User-Based)和基于项目(Item-Based)两种方法。基于用户的协同过滤:该方法通过计算相似用户之间的兴趣偏好,将相似用户的喜好扩展给目标用户,并向目标用户推荐相似用户喜欢的项目。基于用户的协同过滤简单直观,但在数据稀疏性和可扩展性方面存在问题。基于项目的协同过滤:该方法通过计算相似项目之间的关联度,将用户对一个项目的评分扩展给与其相似的其他项目,并向用户推荐相似项目。基于项目的协同过滤相对于基于用户的方法具有更好的可扩展性和抗噪能力。基于矩阵分解的方法(Matrix Factorization):这是一种常用的用于推荐***的方法,它通过将用户-项目评分矩阵分解为两个低维矩阵,来获取用户和项目的隐含特征表示。常见的矩阵分解方法包括奇异值分解(Singular Value De composition,SVD)和潜在因子模型(Latent Factor Models,LFM)。基于矩阵分解的方法能够捕捉到用户和项目之间的潜在关系,有效地解决了数据稀疏性和冷启动问题。
传统推荐***的方法适用于一些简单的推荐场景,具有一定的效果。然而,它们在处理数据稀疏性、冷启动和复杂交互关系等问题上存在一定的局限性。随着深度学***均聚合来自所有用户-项目交互的特征信息很容易导致不准确的节点表示,从而对推荐性能产生负面影响。特别是GNN中的多跳消息传递层会严重恶化这一效果。
大多数基于GNNs的推荐模型需要足够的高质量标记数据来进行监督模型训练。然而,当从非常有限的交互数据中学习节点表示时,许多现实世界的推荐场景都存在数据稀疏性问题。对比学习(CL)是一种自监督学习范式(SSL),它解决了数据增广的标签稀缺性问题。对比学习的目的是通过对比已定义的正面对和反面实例对,通过创建的对比视图之间的一致性来增广节点表示。例如,Yu等人加入均匀噪声构建对比视图进行推荐。HCCF使用本地和全局协作关系进行推荐,生成一种新的自监督视图增广交叉视图。最近,CCFCRec创建了内容协同过滤(CF)视图和共现CF视图来生成节点嵌入,用于冷启动项目推荐。然而,上述方法主要基于启发式对比视图生成器,限制了模型的通用性。NCL将具有图结构和语义空间的节点邻居组合成对比对。CVAEs提出了一种带有对比学习损失函数的解纠缠条件变分自编码器,用于可解释的推荐。IDCL使用意向对比学习构建了一个解纠缠图对比学习框架,用于意向感知推荐。然而,这些方法主要依赖于随机扰动的图增广,这可能会丢失有用的结构信息,从而影响学习到的表示的质量。此外,上述方法没有考虑重构视图的数据噪声。在现实场景中,由于对热门内容的过度推荐,用户经常会点击不相关的内容,从而导致通过数据增广从原始图中获得的重构视图存在噪声。这就限制了对比学习的适用性。最近,SHI利用自监督超图转换器框架挖掘全局协作关系来增广用户表示,从而去噪用户-项目交互。AdaGCL利用两个可训练的视图生成器进行数据增广,以缓解推荐中的数据稀疏性和噪声。然而,这两种方法都忽略了直接利用原始图的拓扑关系来缓解重构图的噪声,这可能会增加额外的计算,并且无法准确地学习用户兴趣,导致推荐不准确。
发明内容
本发明的目的在于针对上述现有技术的不足,提供一种项目推荐方法、***与计算机设备,以解决现有技术中忽略了直接利用原始图的拓扑关系来缓解重构图的噪声,这可能会增加额外的计算,并且无法准确地学习用户兴趣,导致推荐不准确的问题。
本发明具体提供如下技术方案:一种项目推荐方法,包括如下步骤:
获取用户-项目交互图G=(U,V,Y);其中U、V、Y分别为用户集合、项目集合以及用户和项目交互矩阵;
计算用户节点随机游走到一个项目节点的次数,将所述次数作为两个节点的相似度,并通过所述相似度构建关注度感知矩阵S;所述用户节点为用户集合中每个用户ID,项目节点为项目集合中的每个项目ID;
通过所述关注度感知矩阵S进行关注度感知节点特征聚合,构建关注度感知模型;
采用主成分分析法提取所述用户-项目交互图的全局协作上下文信息,并将所述全局协作上下文信息注入对比学习的表征对齐中,通过数据增广获得重构的用户-项目交互图;
通过所述关注度感知模型去除重构的用户-项目交互图中的噪声,并通过去除噪声的用户-项目交互图联合原始用户-物品交互图对用户进行相关项目的推荐。
优选的,在所述获取用户-项目交互图G=(U,V,Y)后,构建一个具有关注度感知的局部图嵌入传播层对用户和节点进行嵌入,具体表达式为:
其中,和为用户节点ui和项目节点vj在第l层的嵌入;σ(·)为LeakyReL U的负斜率,具体为0.5,p(·)表示为缓解过拟合的边dropouts;L是一个具有关注度感知的拉普拉斯矩阵;E(u)∈RI×d和E(v)∈RJ×d分别为用户和项目的嵌入向量矩阵;
其中拉普拉斯矩阵L的具体表达式为:
其中,变量A表示用户-物品交互图的邻接矩阵,D(u)和D(v)表示用户与物品的对角度矩阵,⊙表示逐元素积,∈为控制关注度感知矩阵的贡献,S是定义用户-物品交互相似度的关注度感知矩阵;并通过去平均运算计算具有关注度感知的拉普拉斯矩阵L的协方差矩阵L。
优选的,所述计算用户节点随机游走到一个项目节点的次数,将所述次数作为两个节点的相似度,并通过所述相似度构建关注度感知矩阵S,具体表达式为:
S(u,v)=|WM,R(u→v)|+|WM,R(v→u)|
其中,S(u,v)表示使用带重启的随机游走节点u游走到节点v的次数,M表示采样路径的长度,R表示采样次数,|WM,R(u→v)表示通过MR步游走起始节点u经过节点v的次数,|WM,R(v→u)|表示通过MR步游走起始节点v经过节点u的次数,并采用残差连接保留原有的节点信息。
优选的,采用残差连接保留原有的节点信息,具体表达式为:
对用户节点ui和项目节点vj的最终嵌入的内积来表示ui对vj的偏好,具体表达式为:
其中,和分别表示通过残差连接后用户ui和项目vj在第l层的嵌入,表示用户节点ui的总嵌入,表示项目节点vj的总嵌入,yi,j表示ui对vj的偏好。
优选的,所述通过去平均运算计算具有关注度感知的拉普拉斯矩阵L的协方差矩阵L,包括如下步骤:
利用奇异值分解计算所述协方差矩阵L的特征值和特征向量,具体表达式为:
L=U∑VT
其中,U是一个I×I标准正交矩阵,V是一个J×J标准正交矩阵,∑存储L的奇异值,是一个维数为I×J的对角矩阵,矩阵∑的主成分对应于最大的奇异值;
通过截断奇异值列表来保留最大的k值来重建协方差矩阵L,具体表达式为:
其中,Uk为I×k标准正交矩阵,Vk为J×k标准正交矩阵,∑存储了L的最大奇异值k,是一个维度为k×k的对角矩阵,Uk,∑k和Vk的近似版本和 是矩阵L的低秩近似重构矩阵,表示图的主成分,并通过考虑用户-项目交互来保持全局协作信息。
优选的,所述通过所述关注度感知模型去除重构的用户-项目交互图中的噪声,包括如下步骤:
获取去噪的拉普拉斯矩阵,具体表达式为:
其中,⊙表示元素积,为去噪后的拉普拉斯矩阵,用最少的假设缓解噪声边中的惩罚S中非零条目的数量;
使用Random(·)从每一行S中随机选择一个零项来惩罚矩阵中相应的项,在重构的用户-物品交互图上构造一个图嵌入传播层来嵌入用户和项目,具体表达式为:
其中,为图嵌入传播层进行用户节点的嵌入,为图嵌入传播层进行项目节点的嵌入。
优选的,所述构建关注度感知模型后,需对所述关注度感知模型的参数进行训练,包括如下步骤:
利用InfoNCE loss对比pca增广视图嵌入与主视图嵌入,具体表达式为:
其中,τ和s(·)分别代表温度参数和余弦相似度,为对比损失函数;
利用相同方式获取定义项目的InfoNCE共同获取优化推荐的对比损失和主目标函数,具体表达式为:
其中,θ1和θ2为控制贡献的超参数,Θ为模型参数,为主目标函数;
对采用随机节点dropout缓解过拟合,具体表达式为:
其中,为一对用户i的正样本的预测分数,为一对用户i的负样本的预测分数。
优选的,所述用户-项目交互图G=(U,V,Y)中,U={u1,...,u2,...,uI},|U|=I定义了用户集合,V={v1,...,v2,...,vJ},|V|=J定义了项目集合,I和J表示用户和项目的数量,Y为用户和项目交互矩阵,并且Y=[yi,j]I×J∈{0,1}表示用户ui和vj之间的交互,如果yi,j=1,则用户ui和vj之间存在交互,若yi,j=0,则无交互。
优选的,本发明还提供一种项目推荐***,包括:
数据获取模块,用于获取用户-项目交互图G=(U,V,Y);其中U、V、Y分别为用户集合、项目集合以及用户和项目交互矩阵;
关注度感知矩阵获取模块,用于计算用户节点随机游走到一个项目节点的次数,将所述次数作为两个节点的相似度,并通过所述相似度构建关注度感知矩阵S;所述用户节点为用户集合中每个用户ID,项目节点为项目集合中的每个项目ID;
模型构建模块,用于通过所述关注度感知矩阵S进行关注度感知节点特征聚合,构建关注度感知模型;
重构模块,用于采用主成分分析法提取所述用户-项目交互图的全局协作上下文信息,并将所述全局协作上下文信息注入对比学习的表征对齐中,通过数据增广获得重构的用户-项目交互图;
去噪模块,用于通过所述关注度感知模型去除重构的用户-项目交互图中的噪声,并通过去除噪声的用户-项目交互图联合原始用户-项目交互图对用户进行相关项目的推荐。
优选的,本发明提供一种计算机设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的一种项目推荐方法的步骤。
与现有技术相比,本发明具有如下显著优点:
本发明通过两个节点的相似度构建关注度感知矩阵,通过关注度感知机制来学习节点间的重要性,从而提取局部图依赖关系。相较于其他基于自注意力机制的方法,本发明的方法时间复杂度更低,同时具有较强的可解释性。同时采用主成分分析提取图的全局协作上下文信息,并利用关注度感知矩阵来减小重构图中噪声,相较于使用随机扰动的图增广的方法,本发明的方法能够避免由于随机增广而造成的额外噪声,进而提升对比视图的鲁棒性。
附图说明
图1为本发明提供整体结构流程图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
一个用户-项目交互图可以被视为异构图G=(U,V,Y),其中U={u1,...,u2,...,uI},(|U|=I)定义了用户集合。V={v1,...,v2,...,vJ},(|V|=J)定义了项目集合。I和J表示用户和项目的数量。Y为用户和项目交互矩阵,并且Y=[yi,j]I×J∈{0,1}表示用户ui和vj之间的交互。如果yi,j=1,则用户ui和vj之间存在交互,若yi,j=0,则无交互。
如前文所述,利用原始网络的拓扑结构将一种新的关注度感知模块构建到GNN中,以识别用户-物品交互的重要性,以提高推荐***的效率和可解释性,这仍然是一项挑战。此外,如何设计数据增广方法来保留用户项图的关键语义,并消除重构图中的噪声,从而生成更健壮的视图也是一个挑战。因此,本发明将推荐问题正式定义如下:
对给定的用户-项目交互图G=(U,V,Y),首先构建一个新的关注度感知模型S到GNNs中以识别用户-项目交互的重要性。其中S可以通过计算节点ui和节点vj分别使用带重启策略的随机行走到节点vj和ui的行走次数得到。之后,通过PCA引导生成一个新的增广视图和经去噪后的原始拓扑结构引导的鲁棒对比视图来学习用户和项目的交互。最后,推荐任务的目标是预测未观测到的用户-项目交互表示。
遵循具有关注度感知机制的常见协同过滤范式,将用户和项目节点嵌入到d维潜在空间中。一般情况下,协同过滤方法将用户节点ui和项目vj嵌入为嵌入向量ei和ej,维度为Rd。用户和项目的嵌入向量矩阵一般为E(u)∈RI×d和E(v)∈RJ×d。
参考图1,本申请的实施例提供一种项目推荐方法,包括如下步骤:
步骤S1:获取用户-项目交互图G=(U,V,Y);其中U、V、Y分别为用户集合、项目集合以及用户和项目交互矩阵。
具体为:
在获取用户-项目交互图G=(U,V,Y)后,构建一个具有关注度感知的局部图嵌入传播层来对用户和节点进行嵌入,如公式1所示:
这里和为用户ui和项目vj在第l层的嵌入。σ(·)为LeakyReLU的负斜率,具体为0.5,p(·)表示为缓解过拟合的边dropouts。L是一个具有关注度感知的拉普拉斯矩阵,可由式2构造:
其中,变量表示用户-物品交互图的邻接矩阵,D(u)和D(v)表示用户与物品的对角度矩阵。S是定义用户-物品交互相似度的关注度感知矩阵,可由式3构造。⊙表示逐元素积。使用了在S中剔除有噪声的边。此外,使用∈来控制关注度矩阵的贡献。
步骤S2:利用具有重启策略的随机游走,计算用户节点随机游走到一个项目节点的次数,将次数作为两个节点的相似度,并通过相似度构建关注度感知矩阵S。用户节点为用户集合中每个用户ID,项目节点为项目集合中的每个项目ID。
关注度感知矩阵S具体表达式为:
S(u,v)=|WM,R(u→v)|+|WM,R(v→u)| (3)
相似度的公式3中,S(u,v)表示使用带重启的随机游走节点u游走到节点v的次数。M表示采样路径的长度,R表示采样次数。|WM,R(u→v)|表示通过MR步游走起始节点u经过节点v的次数。|WM,R(v→u)|表示通过MR步游走起始节点v经过节点u的次数。因此,S(u,v)保留了从起始节点u(v)到节点v(u)的相互行走次数之和。直观地说,节点u和节点v之间的次数越多,它们就越相似。
步骤S3:通过关注度感知矩阵S进行关注度感知节点特征聚合,构建关注度感知模型,保持用户与物品之间的重要性。
步骤S4:采用主成分分析法提取用户-项目交互图的全局协作上下文信息,并将全局协作上下文信息注入对比学习的表征对齐中,通过数据增广获得重构的用户-项目交互图。
具体为:为了保留原有节点信息,采用残差连接,残差连接可由式4构造:
将节点在所有层上的嵌入求和以得到最终的嵌入。然后,对用户节点ui和项目节点vj的最终嵌入的内积来表示ui对vj的偏好,如公式5所示:
其中,和分别表示通过残差连接后用户ui和项目vj在第l层的嵌入,表示用户节点ui的总嵌入,表示项目节点vj的总嵌入,yi,j表示ui对vj的偏好。
步骤S5:通过关注度感知模型去除重构的用户-物品交互图中的噪声,并通过去除噪声的用户-项目交互图联合原始用户-项目交互图对用户进行相关项目的推荐。
具体为:
大多数现有的图对比学***均运算并计算其协方差矩阵L。然后,利用奇异值分解计算协方差矩阵L的特征值和特征向量,其可由式6构造:
L=UΣVT (6)
其中U是一个I×I标准正交矩阵,而V是一个J×J标准正交矩阵。∑存储L的奇异值,是一个维数为I×J的对角矩阵。矩阵∑的主成分通常对应于最大的奇异值。通过截断奇异值列表来保留最大的k值来重建矩阵L,矩阵L可以由公式7构造。由于在大矩阵上执行SVD的成本较高,利用随机化SVD算法用低秩标准正交矩阵近似输入矩阵的范围,可以提高效率。
式7中,Uk为I×k标准正交矩阵,Vk为J×k标准正交矩阵。∑存储了L的最大奇异值k,是一个维度为k×k的对角矩阵。Uk,∑k和Vk的近似版本和 是矩阵L的低秩近似重构矩阵,它表示图的主成分,并通过考虑用户-项目交互来保持全局协作信息。通过数据增广从原始图获得的重构视图总是有噪声的。因此,直接利用关注度感知矩阵S来缓解重构图的噪声,重构图可由式8构造:
其中⊙表示元素积,为去噪后的拉普拉斯矩阵。用最少的假设来缓解噪声边的简单想法是惩罚S中非零条目的数量。因此,使用Random(·)从每一行S中随机选择一个零项来惩罚矩阵中相应的项。因此,在重构的用户-物品交互图上构造一个图嵌入传播层来嵌入用户和物品,如公式9所定义:
其中,为图嵌入传播层进行用户节点的嵌入,为图嵌入传播层进行项目节点的嵌入。
为了训练模型参数,直接采用InfoNCE loss来对比pca增广视图嵌入与主视图嵌入:
其中,τ和s(·)分别代表温度参数和余弦相似度,为对比损失函数。以同样的方式定义项目的InfoNCE共同优化推荐的对比损失和主目标函数,可由式11构造:
其中θ1和θ2为控制贡献的超参数,Θ为模型参数。为主要目标函数,采用随机节点dropout来缓解过拟合,其可由式12构造。对于一对用户i的正样本,将预测分数定义为,类似地,将预测分数定义为:对于一对用户i的负样本,定义为:
基于上述方法和陈述,本发明提供一种项目推荐***,包括:数据获取模块、关注度感知矩阵获取模块、模型构建模块、重构模块和去噪模块。
其中,数据获取模块用于获取用户-项目交互图G=(U,V,Y);其中U、V、Y分别为用户集合、项目集合以及用户和项目交互矩阵;关注度感知矩阵获取模块用于计算用户节点随机游走到一个项目节点的次数,将次数作为两个节点的相似度,并通过相似度构建关注度感知矩阵S;用户节点为用户集合中每个用户ID,项目节点为项目集合中的每个项目ID;模型构建模块用于通过关注度感知矩阵S生成关注度感知节点特征聚合,构建关注度感知模型;重构模块用于采用主成分分析法提取用户-项目交互图的全局协作上下文信息,并将全局协作上下文信息注入对比学习的表征对齐中,通过数据增广获得重构的用户-项目交互图;去噪模块用于利用关注度感知矩阵S构建关注度感知模型,通过关注度感知模型去除重构的用户-项目交互图中的噪声,并通过去除噪声的用户-项目交互图联合原始用户-项目交互图对用户进行相关项目的推荐。
本发明还提供一种计算机设备,包括存储器及处理器,存储器中储存有计算机程序,计算机程序被处理器执行时,使得处理器执行一种项目推荐方法的步骤。
术语解释:图学习:是指将图(包括有向图、无向图等)中的节点或者边(或者二者同时)映射到一个低维的向量空间。图关注度感知机制:是一种应用于图神经网络的关键技术,主要用于对节点或边在图中的重要性进行建模。推荐方法:是指通过对用户的历史行为数据进行分析,利用各种算法和模型,从而向用户推荐可能感兴趣的商品、服务、内容等。对比学习:对比学习是一种机器学习技术,算法学习区分相似和不相似的数据点,对比学习的目标是学习数据的表示,以捕捉不同数据点之间的基本结构和关系,在对比学习中,算法被训练最大化相似数据点之间的相似度,并最小化不相似数据点之间的相似度。通常的做法是通过训练算法来预测两个数据点是否来自同一类别。
以上内容是结合具体优选实施方式对本发明做进一步详细说明,对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种项目推荐方法,其特征在于,包括如下步骤:
获取用户-项目交互图G=(U,V,Y);其中U、V、Y分别为用户集合、项目集合以及用户和项目交互矩阵;所述用户-项目交互图G=(U,V,Y)中,U={u1,...,u2,...,uI},|U|=I定义了用户集合,V={v1,...v2,...,vJ},|V|=J定义了项目集合,I和J表示用户和项目的数量,Y为用户和项目交互矩阵,并且Y=[yi,j]I×J∈{0,1}表示用户ui和vj之间的交互,如果yi,j=1,则用户ui和vj之间存在交互,若yi,j=0,则无交互;
计算用户节点随机游走到一个项目节点的次数,将所述次数作为两个节点的相似度,并通过所述相似度构建关注度感知矩阵S;所述用户节点为用户集合中每个用户ID,项目节点为项目集合中的每个项目ID;
通过所述关注度感知矩阵S进行关注度感知节点特征聚合,构建关注度感知模型;
采用主成分分析法提取所述用户-项目交互图的全局协作上下文信息,并将所述全局协作上下文信息注入对比学习的表征对齐中,通过数据增广获得重构的用户-项目交互图;
通过所述关注度感知模型去除重构的用户-项目交互图中的噪声,并通过去除噪声的用户-项目交互图联合原始用户-项目交互图对用户进行相关项目的推荐;
通过所述关注度感知模型去除重构的用户-项目交互图中的噪声,包括如下步骤:
获取去噪的拉普拉斯矩阵,具体表达式为:
其中,⊙表示元素积,为去噪后的拉普拉斯矩阵,用最少的假设缓解噪声边中的惩罚S中非零条目的数量,是拉普拉斯矩阵L的低秩近似重构矩阵,表示图的主成分,并通过考虑用户-项目交互来保持全局协作信息;
使用Random(·)从每一行S中随机选择一个零项来惩罚矩阵中相应的项,在重构的用户-物品交互图上构造一个图嵌入传播层来嵌入用户和项目,具体表达式为:
其中,为图嵌入传播层进行用户节点的嵌入,为图嵌入传播层进行项目节点的嵌入,σ(·)为LeakyReLU的负斜率,p(·)表示为缓解过拟合的边dropouts,E(u)∈RI×d和E(v)∈RJ×d分别为用户和项目的嵌入向量矩阵。
2.如权利要求1所述的一种项目推荐方法,其特征在于,在所述获取用户-项目交互图G=(U,V,Y)后,构建一个具有关注度感知的局部图嵌入传播层对用户节点和项目节点进行嵌入,具体表达式为:
其中,和为用户节点ui和项目节点vj在第l层的嵌入;σ(·)为LeakyReLU的负斜率,具体为0.5,p(·)表示为缓解过拟合的边dropouts;L是一个具有关注度感知的拉普拉斯矩阵;E(u)∈RI×d和E(v)∈RJ×d分别为用户和项目的嵌入向量矩阵;
其中拉普拉斯矩阵L的具体表达式为:
其中,变量A表示用户-物品交互图的邻接矩阵,D(u)和D(v)表示用户与物品的对角度矩阵,⊙表示逐元素积,∈为控制关注度感知矩阵的贡献,S是定义用户-物品交互相似度的关注度感知矩阵;并通过去平均运算计算具有关注度感知的拉普拉斯矩阵L的协方差矩阵L。
3.如权利要求2所述的一种项目推荐方法,其特征在于,所述计算用户节点随机游走到一个项目节点的次数,将所述次数作为两个节点的相似度,并通过所述相似度构建关注度感知矩阵S,具体表达式为:
S(u,v)=|WM,R(u→v)|+|WM,R(v→u)|
其中,S(u,v)表示使用带重启的随机游走节点u游走到节点v的次数,M表示采样路径的长度,R表示采样次数,|WM,R(u→v)|表示通过M×R步游走起始节点u经过节点v的次数,|WM,R(v→u)|表示通过MR步游走起始节点v经过节点u的次数,并采用残差连接保留原有的节点信息。
4.如权利要求3所述的一种项目推荐方法,其特征在于,采用残差连接保留原有的节点信息,具体表达式为:
对用户节点ui和项目节点vj的最终嵌入的内积来表示ui对vj的偏好,具体表达式为:
其中,和分别表示通过残差连接后用户ui和项目vj在第l层的嵌入,表示用户节点ui的总嵌入,表示项目节点vj的总嵌入,yi,j表示ui对vj的偏好。
5.如权利要求2所述的一种项目推荐方法,其特征在于,所述通过去平均运算计算具有关注度感知的拉普拉斯矩阵L的协方差矩阵L,包括如下步骤:
利用奇异值分解计算所述协方差矩阵L的特征值和特征向量,具体表达式为:
L=U∑VT
其中,U是一个I×I标准正交矩阵,V是一个J×J标准正交矩阵,∑存储L的奇异值,是一个维数为I×J的对角矩阵,矩阵∑的主成分对应于最大的奇异值;
通过截断奇异值列表来保留最大的k值来重建协方差矩阵L,具体表达式为:
其中,Uk为I×k标准正交矩阵,Vk为J×k标准正交矩阵,∑存储了L的最大奇异值k,是一个维度为k×k的对角矩阵,Uk,∑k和Vk的近似版本和是矩阵L的低秩近似重构矩阵,表示图的主成分,并通过考虑用户-项目交互来保持全局协作信息。
6.如权利要求1所述的一种项目推荐方法,其特征在于,所述构建关注度感知模型后,需对所述关注度感知模型的参数进行训练,包括如下步骤:
利用InfoNCE loss对比pca增广视图嵌入与主视图嵌入,具体表达式为:
其中,τ和s(·)分别代表温度参数和余弦相似度,为对比损失函数;
利用相同方式获取定义项目的InfoNCE共同获取优化推荐的对比损失和主目标函数,具体表达式为:
其中,θ1和θ2为控制贡献的超参数,Θ为模型参数,为主目标函数;
对采用随机节点dropout缓解过拟合,具体表达式为:
其中,为一对用户i的正样本的预测分数,为一对用户i的负样本的预测分数。
7.一种项目推荐***,其特征在于,包括:
数据获取模块,用于获取用户-项目交互图G=(U,V,Y);其中U、V、Y分别为用户集合、项目集合以及用户和项目交互矩阵;所述用户-项目交互图G=(U,V,Y)中,U={u1,...,u2,...,uI},|U|=I定义了用户集合,V={v1,...,v2,...,vJ},|V|=J定义了项目集合,I和J表示用户和项目的数量,Y为用户和项目交互矩阵,并且Y=[yi,j]I×J∈{0,1}表示用户ui和vj之间的交互,如果yi,j=1,则用户ui和vj之间存在交互,若yi,j=0,则无交互;
关注度感知矩阵获取模块,用于计算用户节点随机游走到一个项目节点的次数,将所述次数作为两个节点的相似度,并通过所述相似度构建关注度感知矩阵S;所述用户节点为用户集合中每个用户ID,项目节点为项目集合中的每个项目ID;
模型构建模块,用于通过所述关注度感知矩阵S进行关注度感知节点特征聚合,构建关注度感知模型;
重构模块,用于采用主成分分析法提取所述用户-项目交互图的全局协作上下文信息,并将所述全局协作上下文信息注入对比学习的表征对齐中,通过数据增广获得重构的用户-项目交互图;
去噪模块,用于通过所述关注度感知模型去除重构的用户-项目交互图中的噪声,并通过去除噪声的用户-项目交互图联合原始用户-项目交互图对用户进行相关项目的推荐;
其中,去噪模块通过所述关注度感知模型去除重构的用户-项目交互图中的噪声,包括如下步骤:
获取去噪的拉普拉斯矩阵,具体表达式为:
其中,⊙表示元素积,为去噪后的拉普拉斯矩阵,用最少的假设缓解噪声边中的惩罚S中非零条目的数量,是拉普拉斯矩阵L的低秩近似重构矩阵,表示图的主成分,并通过考虑用户-项目交互来保持全局协作信息;
使用Random(·)从每一行S中随机选择一个零项来惩罚矩阵中相应的项,在重构的用户-物品交互图上构造一个图嵌入传播层来嵌入用户和项目,具体表达式为:
其中,为图嵌入传播层进行用户节点的嵌入,为图嵌入传播层进行项目节点的嵌入,σ(·)为LeakyReLU的负斜率,p(·)表示为缓解过拟合的边dropouts,E(u)∈RI×d和E(v)∈RJ×d分别为用户和项目的嵌入向量矩阵。
8.一种计算机设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述的一种项目推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410203434.5A CN117992679B (zh) | 2024-02-23 | 2024-02-23 | 一种项目推荐方法、***与计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410203434.5A CN117992679B (zh) | 2024-02-23 | 2024-02-23 | 一种项目推荐方法、***与计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117992679A CN117992679A (zh) | 2024-05-07 |
CN117992679B true CN117992679B (zh) | 2024-07-05 |
Family
ID=90892469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410203434.5A Active CN117992679B (zh) | 2024-02-23 | 2024-02-23 | 一种项目推荐方法、***与计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117992679B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010708A (zh) * | 2023-02-13 | 2023-04-25 | 重庆市知识产权保护中心(重庆摩托车(汽车)知识产权信息中心) | 一种基于知识图谱的多对比学习推荐方法 |
CN117390266A (zh) * | 2023-10-08 | 2024-01-12 | 宁夏大学 | 基于高阶邻居生成算法与异构图神经网络的项目推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048331A (zh) * | 2021-12-01 | 2022-02-15 | 浙江师范大学 | 一种基于改进型kgat模型的知识图谱推荐方法及*** |
-
2024
- 2024-02-23 CN CN202410203434.5A patent/CN117992679B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010708A (zh) * | 2023-02-13 | 2023-04-25 | 重庆市知识产权保护中心(重庆摩托车(汽车)知识产权信息中心) | 一种基于知识图谱的多对比学习推荐方法 |
CN117390266A (zh) * | 2023-10-08 | 2024-01-12 | 宁夏大学 | 基于高阶邻居生成算法与异构图神经网络的项目推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117992679A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rezaeimehr et al. | TCARS: Time-and community-aware recommendation system | |
Alyari et al. | Recommender systems: A systematic review of the state of the art literature and suggestions for future research | |
Raza et al. | Progress in context-aware recommender systems—An overview | |
Khan et al. | CNN with depthwise separable convolutions and combined kernels for rating prediction | |
WO2022041979A1 (zh) | 一种信息推荐模型的训练方法和相关装置 | |
Wang et al. | Top-N personalized recommendation with graph neural networks in MOOCs | |
Katarya et al. | Capsmf: a novel product recommender system using deep learning based text analysis model | |
Hu et al. | Learning informative priors from heterogeneous domains to improve recommendation in cold-start user domains | |
CN111949886B (zh) | 一种用于信息推荐的样本数据生成方法和相关装置 | |
Elahi et al. | User Preference Elicitation, Rating Sparsity and Cold Start. | |
Dezfouli et al. | Deep neural review text interaction for recommendation systems | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐*** | |
De Maio et al. | Social media marketing through time‐aware collaborative filtering | |
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*** | |
Zhang et al. | SEMA: Deeply learning semantic meanings and temporal dynamics for recommendations | |
Hekmatfar et al. | Embedding ranking-oriented recommender system graphs | |
Ali et al. | Dynamic context management in context-aware recommender systems | |
Ezaldeen et al. | Semantics-aware context-based learner modelling using normalized PSO for personalized E-learning | |
Abinaya et al. | Enhancing context-aware recommendation using trust-based contextual attentive autoencoder | |
Lim et al. | Hybrid-based Recommender System for Online Shopping: A Review: Manuscript Received: 8 February 2023, Accepted: 21 February 2023, Published: 15 March 2023, ORCiD: 0000-0002-7190-0837, https://doi. org/10.33093/jetap. 2023.5. 1.3 | |
Chen et al. | Gaussian mixture embedding of multiple node roles in networks | |
CN117992679B (zh) | 一种项目推荐方法、***与计算机设备 | |
Drif et al. | Context-awareness in ensemble recommender system framework | |
Zhang et al. | Challenging the long tail recommendation on heterogeneous information network | |
Hanafi et al. | Word Sequential Using Deep LSTM and Matrix Factorization to Handle Rating Sparse Data for E‐Commerce Recommender System |
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 |