Nothing Special   »   [go: up one dir, main page]

CN113868537B - 一种基于多行为会话图融合的推荐方法 - Google Patents

一种基于多行为会话图融合的推荐方法 Download PDF

Info

Publication number
CN113868537B
CN113868537B CN202111212853.8A CN202111212853A CN113868537B CN 113868537 B CN113868537 B CN 113868537B CN 202111212853 A CN202111212853 A CN 202111212853A CN 113868537 B CN113868537 B CN 113868537B
Authority
CN
China
Prior art keywords
item
behavior
graph
target user
session
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
Application number
CN202111212853.8A
Other languages
English (en)
Other versions
CN113868537A (zh
Inventor
王英龙
张洪彪
舒明雷
陈达
刘丽
孔祥龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
Original Assignee
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology, Shandong Computer Science Center National Super Computing Center in Jinan, Shandong Institute of Artificial Intelligence filed Critical Qilu University of Technology
Priority to CN202111212853.8A priority Critical patent/CN113868537B/zh
Publication of CN113868537A publication Critical patent/CN113868537A/zh
Application granted granted Critical
Publication of CN113868537B publication Critical patent/CN113868537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • 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
    • G06F16/9538—Presentation of query results
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于多行为会话图融合的推荐方法，使用目标用户和相似用户的联合多行为序列数据构建多行为带权无向会话图。在此基础上，根据不同权重聚合邻居信息得到项目多行为嵌入，串联项目多行为嵌入并结合注意力机制获取用户兴趣表征。最终，使用项目嵌入和用户兴趣表征进行内积得到归一化分数决定是否推荐项目。相较其他会话型推荐方法，一是从建模用户多行为序列数据，能够得到包含更多行为意图的项目嵌入；二是将序列构建为带权无向图，解除了聚合邻居信息时的单向束缚，模型能学习到项目间的双向关系；三是使用相似用户补充目标用户数据，模型能够学习到没有出现在目标用户历史数据中的“新颖”的项目，进而提高推荐结果的多样性和准确性。

Description

一种基于多行为会话图融合的推荐方法
技术领域
本发明涉及会话图推荐技术领域，具体涉及一种基于多行为会话图融合的推荐方法。
背景技术
有效捕捉用户兴趣是精准推荐的核心。在生活中，用户的兴趣点是动态变化的，它不仅受到长期兴趣的影响，而且和最近的交互行为有着密不可分的联系。传统的推荐系统依据用户交互历史行为进行静态的推荐，无法捕获用户的动态偏好。会话型的推荐系统旨在描述用户的动态兴趣，它基于用户点击序列来预测未来可能交互的项目，但是其仍面对以下问题：
1.仅使用单一类型的用户行为数据训练，忽略了用户未来行为活动是由多种历史交互行为共同决定；
2.仅关注单个用户的行为特征，忽略了相似用户之间行为模式的内在联系；
3.同一行为会话中，用户交互项目高度同质，模型难以习得“新颖”的项目，降低了推荐结果的多样性。
发明内容
本发明为了克服以上技术的不足，提供了一种提高推荐的准确性和多样性的基于多行为会话图融合的推荐方法。
本发明克服其技术问题所采用的技术方案是：
一种基于多行为会话图融合的推荐方法，包括：
a)获取目标用户ut通过浏览器或客户端在某一购物平台中的点击、收藏及购买历史会话数据和项目集
Figure GDA0003638734500000011
b)通过公式
Figure GDA0003638734500000012
计算用户之间的相似性
Figure GDA0003638734500000013
式中
Figure GDA0003638734500000014
为使用目标用户交互过的项目集
Figure GDA0003638734500000015
初始化的嵌入向量，
Figure GDA0003638734500000021
为其他用户的嵌入向量，所有的其他用户根据相似性
Figure GDA0003638734500000022
的值的大小按降序排序，按排序结果取前N个用户作为邻居用户us，获取邻居用户us通过浏览器或客户端在某一购物平台中的点击、收藏及购买历史会话数据和项目集
Figure GDA0003638734500000023
c)通过公式
Figure GDA0003638734500000024
计算得到目标用户和邻居用户的联合会话项目集
Figure GDA0003638734500000025
以联合会话项目集
Figure GDA0003638734500000026
中的项目为节点，构建带权无向的点击会话图
Figure GDA0003638734500000027
构建带权无向的收藏会话图
Figure GDA0003638734500000028
以及构建带权无向的购买会话图
Figure GDA0003638734500000029
d)将点击会话图
Figure GDA00036387345000000210
收藏会话图
Figure GDA00036387345000000211
以及购买会话图
Figure GDA00036387345000000212
输入到LightGCN网络中，分别得到项目i聚合高阶邻居特征的三种行为嵌入向量ei,click、 ei,collect及ei,buy，通过公式ei＝ei,click||ei,collect||ei,buy计算得到最终项目嵌入向量ei，式中||为拼接操作；
e)通过公式
Figure GDA00036387345000000213
计算得到目标用户近期的兴趣偏好向量g，式中
Figure GDA00036387345000000214
为目标用户当前会话序列S中第d个项目i的嵌入向量，
Figure GDA00036387345000000215
LeakyReLU(·)为非线性激活，
Figure GDA00036387345000000216
为权重向量，W为共享参数矩阵，
Figure GDA00036387345000000217
为目标用户当前会话序列S中第k个项目i的嵌入向量，k∈{1,...,D}，D为目标用户当前会话序列S 的长度，e|D|为目标用户ut最后一次交互的项目嵌入向量；
f)将最终项目嵌入向量ei和目标用户近期的兴趣偏好向量g进行内积得到预测分数y，根据预测分数y进行排序，筛选出前M个项目进行推荐。
进一步的，步骤b)中N的取值为10。
进一步的，步骤c)包括如下步骤：
c-1)以联合会话项目集
Figure GDA0003638734500000031
中的项目作为图节点初始化点击邻接矩阵Aclick，遍历目标用户和邻居用户点击序列，如项目j为用户点击项目i后的下一个点击项目，则在项目i和项目j间构造边，即邻接矩阵Aclick中横坐标为i纵坐标为j的值
Figure GDA0003638734500000032
增加1，对邻接矩阵Aclick归一化得到点击会话图
Figure GDA0003638734500000033
c-2)以联合会话项目集
Figure GDA0003638734500000034
中的项目作为图节点初始化收藏邻接矩阵Acollect，遍历目标用户和邻居用户收藏序列，如项目j为用户收藏项目i后的下一个收藏项目，则在项目i和项目j间构造边，即邻接矩阵Acollect中横坐标为i纵坐标为 j的值
Figure GDA0003638734500000035
增加1，对邻接矩阵Acollect归一化得到收藏会话图
Figure GDA0003638734500000036
c-3)以联合会话项目集
Figure GDA0003638734500000037
中的项目作为图节点初始化购买邻接矩阵Abuy，遍历目标用户和邻居用户购买序列，如项目j为用户购买项目i后的下一个购买项目，则在项目i和项目j间构造边，即邻接矩阵Abuy中横坐标为i纵坐标为j的值
Figure GDA0003638734500000038
增加1，对邻接矩阵Abuy归一化得到购买会话图
Figure GDA0003638734500000039
进一步的，步骤d)中通过公式
Figure GDA00036387345000000310
计算得到act行为高阶传播得到的最终嵌入向量ei,act，act为点击、收藏、购买行为中的一种，
Figure GDA00036387345000000311
为 act行为会话图中节点i第l层消息聚合的嵌入向量，式中al为传播权重，
Figure GDA00036387345000000312
L为传播的总层数，L＝2，
Figure GDA00036387345000000313
Figure GDA00036387345000000314
为act行为会话图中节点i的第l层邻居节点项目集，
Figure GDA00036387345000000315
为ei,act对应的邻接矩阵中节点i和邻居节点j的权重，
Figure GDA00036387345000000316
为
Figure GDA00036387345000000317
中节点j的嵌入向量。
进一步的，通过公式y＝softmax(g·ei)计算得到预测分数y，式中 softmax(·)为归一化函数。
本发明的有益效果是：使用目标用户和相似用户的联合多行为序列数据构建多行为带权无向会话图。在此基础上，根据不同权重聚合邻居信息得到项目多行为嵌入，串联项目多行为嵌入并结合注意力机制获取用户兴趣表征。最终，使用项目嵌入和用户兴趣表征进行内积得到归一化分数决定是否推荐项目。相较其他会话型推荐方法，一是从建模用户多行为序列数据，能够得到包含更多行为意图的项目嵌入；二是将序列构建为带权无向图，解除了聚合邻居信息时的单向束缚，模型能学习到项目间的双向关系；三是使用相似用户补充目标用户数据，模型能够学习到没有出现在目标用户历史数据中的“新颖”的项目，进而提高推荐结果的多样性和准确性。
附图说明
图1为本发明的模型框架图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于多行为会话图融合的推荐方法，包括：
a)获取目标用户ut通过浏览器或客户端在某一购物平台中的点击、收藏及购买历史会话数据和项目集
Figure GDA0003638734500000041
b)通过公式
Figure GDA0003638734500000042
计算用户之间的相似性
Figure GDA0003638734500000043
式中
Figure GDA0003638734500000044
为使用目标用户交互过的项目集
Figure GDA0003638734500000045
初始化的嵌入向量，
Figure GDA0003638734500000046
为其他用户的嵌入向量，所有的其他用户根据相似性
Figure GDA0003638734500000047
的值的大小按降序排序，按排序结果取前N个用户作为邻居用户us，获取邻居用户us通过浏览器或客户端在某一购物平台中的点击、收藏及购买历史会话数据和项目集
Figure GDA0003638734500000051
c)通过公式
Figure GDA0003638734500000052
计算得到目标用户和邻居用户的联合会话项目集
Figure GDA0003638734500000053
以联合会话项目集
Figure GDA0003638734500000054
中的项目为节点，构建带权无向的点击会话图
Figure GDA0003638734500000055
构建带权无向的收藏会话图
Figure GDA0003638734500000056
以及构建带权无向的购买会话图
Figure GDA0003638734500000057
d)将点击会话图
Figure GDA0003638734500000058
收藏会话图
Figure GDA0003638734500000059
以及购买会话图
Figure GDA00036387345000000510
输入到LightGCN网络中，分别得到项目i聚合高阶邻居特征的三种行为嵌入向量ei,click、 ei,collect及ei,buy，通过公式ei＝ei,click||ei,collect||ei,buy计算得到最终项目嵌入向量ei，式中||为拼接操作；
e)通过公式
Figure GDA00036387345000000511
计算得到目标用户近期的兴趣偏好向量g，式中
Figure GDA00036387345000000512
为目标用户当前会话序列S中第d个项目i的嵌入向量，
Figure GDA00036387345000000513
LeakyReLU(·)为非线性激活，
Figure GDA00036387345000000514
为权重向量，W为共享参数矩阵，
Figure GDA00036387345000000515
为目标用户当前会话序列S中第k个项目i的嵌入向量，k∈{1,...,D}，D为目标用户当前会话序列S 的长度，e|D|为目标用户ut最后一次交互的项目嵌入向量。
f)将最终项目嵌入向量ei和目标用户近期的兴趣偏好向量g进行内积得到预测分数y，y表示用户接下来和项目交互的概率大小，y越大则交互的概率越大，根据预测分数y进行排序，筛选出前M个项目进行推荐。
使用目标用户和相似用户的联合多行为序列数据构建多行为带权无向会话图。在此基础上，根据不同权重聚合邻居信息得到项目多行为嵌入，串联项目多行为嵌入并结合注意力机制获取用户兴趣表征。最终，使用项目嵌入和用户兴趣表征进行内积得到归一化分数决定是否推荐项目。相较其他会话型推荐方法，一是从建模用户多行为序列数据，能够得到包含更多行为意图的项目嵌入；二是将序列构建为带权无向图，解除了聚合邻居信息时的单向束缚，模型能学习到项目间的双向关系；三是使用相似用户补充目标用户数据，模型能够学习到没有出现在目标用户历史数据中的“新颖”的项目，进而提高推荐结果的多样性和准确性。
实施例1：
为了保证稀疏行为会话图的高连通性和项目的多样性，优选的，步骤b)中N的取值为10。
实施例2：
步骤c)包括如下步骤：
c-1)以联合会话项目集
Figure GDA0003638734500000061
中的项目作为图节点初始化点击邻接矩阵Aclick，遍历目标用户和邻居用户点击序列，如项目j为用户点击项目i后的下一个点击项目，则在项目i和项目j间构造边，即邻接矩阵Aclick中横坐标为i纵坐标为j的值
Figure GDA0003638734500000062
增加1，对邻接矩阵Aclick归一化得到点击会话图
Figure GDA0003638734500000063
c-2)以联合会话项目集
Figure GDA0003638734500000064
中的项目作为图节点初始化收藏邻接矩阵Acollect，遍历目标用户和邻居用户收藏序列，如项目j为用户收藏项目i后的下一个收藏项目，则在项目i和项目j间构造边，即邻接矩阵Acollect中横坐标为i纵坐标为 j的值
Figure GDA0003638734500000065
增加1，对邻接矩阵Acollect归一化得到收藏会话图
Figure GDA0003638734500000066
c-3)以联合会话项目集
Figure GDA0003638734500000067
中的项目作为图节点初始化购买邻接矩阵Abuy，遍历目标用户和邻居用户购买序列，如项目j为用户购买项目i后的下一个购买项目，则在项目i和项目j间构造边，即邻接矩阵Abuy中横坐标为i纵坐标为j的值
Figure GDA0003638734500000068
增加1，对邻接矩阵Abuy归一化得到购买会话图
Figure GDA0003638734500000069
实施例3：
步骤d)中通过公式
Figure GDA0003638734500000071
计算得到act行为高阶传播得到的最终嵌入向量ei,act，act为点击、收藏、购买行为中的一种，
Figure GDA0003638734500000072
为act行为会话图中节点i第l层消息聚合的嵌入向量，式中al为传播权重，
Figure GDA0003638734500000073
L 为传播的总层数，L＝2，
Figure GDA0003638734500000074
Figure GDA0003638734500000075
为act行为会话图中节点i的第l层邻居节点项目集，
Figure GDA0003638734500000076
为ei,act对应的邻接矩阵中节点i和邻居节点j的权重，
Figure GDA0003638734500000077
为
Figure GDA0003638734500000078
中节点j的嵌入向量。
实施例4：
通过公式y＝softmax(g·ei)计算得到预测分数y，式中softmax(·)为归一化函数。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于多行为会话图融合的推荐方法，其特征在于，包括：
a)获取目标用户ut通过浏览器或客户端在某一购物平台中的点击、收藏及购买历史会话数据和项目集
Figure FDA00036387344900000119
b)通过公式
Figure FDA0003638734490000011
计算用户之间的相似性
Figure FDA0003638734490000012
式中
Figure FDA0003638734490000013
为使用目标用户交互过的项目集
Figure FDA0003638734490000014
初始化的嵌入向量，
Figure FDA0003638734490000015
为其他用户的嵌入向量，所有的其他用户根据相似性
Figure FDA0003638734490000016
的值的大小按降序排序，按排序结果取前N个用户作为邻居用户us，获取邻居用户us通过浏览器或客户端在某一购物平台中的点击、收藏及购买历史会话数据和项目集
Figure FDA0003638734490000017
c)通过公式
Figure FDA0003638734490000018
计算得到目标用户和邻居用户的联合会话项目集
Figure FDA0003638734490000019
以联合会话项目集
Figure FDA00036387344900000110
中的项目为节点，构建带权无向的点击会话图
Figure FDA00036387344900000111
构建带权无向的收藏会话图
Figure FDA00036387344900000112
以及构建带权无向的购买会话图
Figure FDA00036387344900000113
d)将点击会话图
Figure FDA00036387344900000114
收藏会话图
Figure FDA00036387344900000115
以及购买会话图
Figure FDA00036387344900000116
输入到LightGCN网络中，分别得到项目i聚合高阶邻居特征的三种行为嵌入向量ei,click、ei,collect及ei,buy，通过公式ei＝ei,click||ei,collect||ei,buy计算得到最终项目嵌入向量ei，式中||为拼接操作；
e)通过公式
Figure FDA00036387344900000117
计算得到目标用户近期的兴趣偏好向量g，式中
Figure FDA00036387344900000118
为目标用户当前会话序列S中第d个项目i的嵌入向量，
Figure FDA0003638734490000021
LeakyReLU(·)为非线性激活，
Figure FDA0003638734490000022
为权重向量，W为共享参数矩阵，
Figure FDA0003638734490000023
为目标用户当前会话序列S中第k个项目i的嵌入向量，k∈{1,...,D}，D为目标用户当前会话序列S的长度，e|D|为目标用户ut最后一次交互的项目嵌入向量；
f)将最终项目嵌入向量ei和目标用户近期的兴趣偏好向量g进行内积得到预测分数y，根据预测分数y进行排序，筛选出前M个项目进行推荐。
2.根据权利要求1所述的基于多行为会话图融合的推荐方法，其特征在于：步骤b)中N的取值为10。
3.根据权利要求1所述的基于多行为会话图融合的推荐方法，其特征在于，步骤c)包括如下步骤：
c-1)以联合会话项目集
Figure FDA0003638734490000024
中的项目作为图节点初始化点击邻接矩阵Aclick，遍历目标用户和邻居用户点击序列，如项目j为用户点击项目i后的下一个点击项目，则在项目i和项目j间构造边，即邻接矩阵Aclick中横坐标为i纵坐标为j的值
Figure FDA0003638734490000025
增加1，对邻接矩阵Aclick归一化得到点击会话图
Figure FDA0003638734490000026
c-2)以联合会话项目集
Figure FDA0003638734490000027
中的项目作为图节点初始化收藏邻接矩阵Acollect，遍历目标用户和邻居用户收藏序列，如项目j为用户收藏项目i后的下一个收藏项目，则在项目i和项目j间构造边，即邻接矩阵Acollect中横坐标为i纵坐标为j的值
Figure FDA0003638734490000028
增加1，对邻接矩阵Acollect归一化得到收藏会话图
Figure FDA0003638734490000029
c-3)以联合会话项目集
Figure FDA00036387344900000210
中的项目作为图节点初始化购买邻接矩阵Abuy，遍历目标用户和邻居用户购买序列，如项目j为用户购买项目i后的下一个购买项目，则在项目i和项目j间构造边，即邻接矩阵Abuy中横坐标为i纵坐标为j的值
Figure FDA0003638734490000031
增加1，对邻接矩阵Abuy归一化得到购买会话图
Figure FDA0003638734490000032
4.根据权利要求1所述的基于多行为会话图融合的推荐方法，其特征在于：步骤d)中通过公式
Figure FDA0003638734490000033
计算得到act行为高阶传播得到的最终嵌入向量ei,act，act为点击、收藏、购买行为中的一种，
Figure FDA0003638734490000034
为act行为会话图中节点i第l层消息聚合的嵌入向量，式中al为传播权重，
Figure FDA0003638734490000035
L为传播的总层数，L＝2，
Figure FDA0003638734490000036
Figure FDA0003638734490000037
为act行为会话图中节点i的第l层邻居节点项目集，
Figure FDA0003638734490000038
为ei,act对应的邻接矩阵中节点i和邻居节点j的权重，
Figure FDA0003638734490000039
为
Figure FDA00036387344900000310
中节点j的嵌入向量。
5.根据权利要求1所述的基于多行为会话图融合的推荐方法，其特征在于：通过公式y＝softmax(g·ei)计算得到预测分数y，式中softmax(·)为归一化函数。
CN202111212853.8A 2021-10-19 2021-10-19 一种基于多行为会话图融合的推荐方法 Active CN113868537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111212853.8A CN113868537B (zh) 2021-10-19 2021-10-19 一种基于多行为会话图融合的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111212853.8A CN113868537B (zh) 2021-10-19 2021-10-19 一种基于多行为会话图融合的推荐方法

Publications (2)

Publication Number Publication Date
CN113868537A CN113868537A (zh) 2021-12-31
CN113868537B true CN113868537B (zh) 2022-07-05

Family

ID=79000225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111212853.8A Active CN113868537B (zh) 2021-10-19 2021-10-19 一种基于多行为会话图融合的推荐方法

Country Status (1)

Country Link
CN (1) CN113868537B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329211A (zh) * 2022-08-01 2022-11-11 山东省计算中心（国家超级计算济南中心） 一种基于自监督学习和图神经网络的个性化兴趣推荐方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595157B (zh) * 2023-07-17 2023-09-19 江西财经大学 基于用户意图融合的动态兴趣转移型会话推荐方法与系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115352A (zh) * 2020-08-28 2020-12-22 齐鲁工业大学 基于用户兴趣的会话推荐方法及系统
CN112148975A (zh) * 2020-09-21 2020-12-29 北京百度网讯科技有限公司 会话推荐方法、装置及设备
CN112364976A (zh) * 2020-10-14 2021-02-12 南开大学 基于会话推荐系统的用户偏好预测方法
WO2021038592A2 (en) * 2019-08-30 2021-03-04 Tata Consultancy Services Limited System and method for handling popularity bias in item recommendations
CN112733018A (zh) * 2020-12-31 2021-04-30 哈尔滨工程大学 一种基于图神经网络gnn和多任务学习的会话推荐方法
WO2021114590A1 (zh) * 2019-12-09 2021-06-17 北京百度网讯科技有限公司 会话推荐方法、装置以及电子设备
CN113434756A (zh) * 2021-06-18 2021-09-24 山东省人工智能研究院 基于图双向聚合网络链接预测模型的个性化评论推荐方法
CN113487018A (zh) * 2021-07-28 2021-10-08 辽宁工程技术大学 一种基于会话推荐的全局上下文增强图神经网络方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11132733B2 (en) * 2018-05-25 2021-09-28 Target Brands, Inc. Personalized recommendations for unidentified users based on web browsing context

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021038592A2 (en) * 2019-08-30 2021-03-04 Tata Consultancy Services Limited System and method for handling popularity bias in item recommendations
WO2021114590A1 (zh) * 2019-12-09 2021-06-17 北京百度网讯科技有限公司 会话推荐方法、装置以及电子设备
CN112115352A (zh) * 2020-08-28 2020-12-22 齐鲁工业大学 基于用户兴趣的会话推荐方法及系统
CN112148975A (zh) * 2020-09-21 2020-12-29 北京百度网讯科技有限公司 会话推荐方法、装置及设备
CN112364976A (zh) * 2020-10-14 2021-02-12 南开大学 基于会话推荐系统的用户偏好预测方法
CN112733018A (zh) * 2020-12-31 2021-04-30 哈尔滨工程大学 一种基于图神经网络gnn和多任务学习的会话推荐方法
CN113434756A (zh) * 2021-06-18 2021-09-24 山东省人工智能研究院 基于图双向聚合网络链接预测模型的个性化评论推荐方法
CN113487018A (zh) * 2021-07-28 2021-10-08 辽宁工程技术大学 一种基于会话推荐的全局上下文增强图神经网络方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GACOforRec_ Session-Based Graph Convolutional Neural Networks Recommendation Model;MINGGE ZHANG et al.;《DigitalObjectIdentifier10.1109/ACCESS.2019.2936461》;20190829;第7卷;114077-114085 *
Self-Supervised Hypergraph Session-based Recommendation Convolutional Networks for;Xin Xia et al.;《arXiv:2012.06852v4》;20210315;1-9 *
Session-based Recommendation with Graph Neural Networks;Shu Wu et al.;《arXiv:1811.00855v3》;20181115;1-9 *
基于复杂结构信息的图神经网络序列推荐算法;胡承佐等;《计算机工程》;20210609;1-14 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329211A (zh) * 2022-08-01 2022-11-11 山东省计算中心（国家超级计算济南中心） 一种基于自监督学习和图神经网络的个性化兴趣推荐方法
CN115329211B (zh) * 2022-08-01 2023-06-06 山东省计算中心（国家超级计算济南中心） 一种基于自监督学习和图神经网络的个性化兴趣推荐方法

Also Published As

Publication number Publication date
CN113868537A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN111428147B (zh) 结合社交和兴趣信息的异源图卷积网络的社交推荐方法
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN111160954B (zh) 基于图卷积网络模型的面向群组对象的推荐方法
CN112084427A (zh) 一种基于图神经网络的兴趣点推荐方法
CN109062962B (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN113868537B (zh) 一种基于多行为会话图融合的推荐方法
CN114817663B (zh) 一种基于类别感知图神经网络的服务建模与推荐方法
CN113641920B (zh) 基于社区发现和图神经网络的商品个性化推荐方法及系统
CN113378048B (zh) 一种基于多视角知识图谱注意力网络的个性化推荐方法
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN110489661B (zh) 一种基于生成对抗网络和迁移学习的社交关系预测方法
CN114528490B (zh) 一种基于用户长短期兴趣的自监督序列推荐方法
CN112364245B (zh) 基于异构信息网络嵌入的Top-K电影推荐方法
CN112667920A (zh) 基于文本感知的社交影响力预测方法、装置及设备
CN115203550A (zh) 一种增强邻居关系的社交推荐方法及系统
CN113744023A (zh) 一种基于图卷积网络的双通道协同过滤推荐方法
CN114417063A (zh) 一种基于多视图的图神经网络的重要节点识别方法
CN116701781A (zh) 一种基于图卷积神经网络的物品同质图邻域聚合推荐算法
CN112559877A (zh) 基于跨平台异构数据及行为上下文的ctr预估方法及系统
CN112288154A (zh) 一种基于改进神经协同过滤的区块链服务可靠性预测方法
CN116306834A (zh) 一种基于全局路径感知图神经网络模型的链路预测方法
CN115577757A (zh) 基于图卷积网络节点标签异构图的社区发现方法
CN115545833A (zh) 一种基于用户社交信息的推荐方法及系统
CN114943019A (zh) 一种基于双层权重网络随机游走的top k非重叠多样化社区发现方法
CN114610967A (zh) 一种应用于用户画像领域的数据增广方法

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
CP03 Change of name, title or address

Address after: No.19 Keyuan Road, Lixia District, Jinan City, Shandong Province

Patentee after: Shandong Institute of artificial intelligence

Country or region after: China

Patentee after: Qilu University of Technology (Shandong Academy of Sciences)

Patentee after: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN)

Address before: No.19 Keyuan Road, Lixia District, Jinan City, Shandong Province

Patentee before: Shandong Institute of artificial intelligence

Country or region before: China

Patentee before: Qilu University of Technology

Patentee before: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN)

CP03 Change of name, title or address