【技术实现步骤摘要】
基于多通道超图神经网络的捆绑推荐方法
本申请涉及推荐系统
,尤其涉及一种基于多通道超图神经网络的捆绑推荐方法和计算机设备。
技术介绍
作为解决信息过载问题的有效方式,推荐系统已经被广泛地应用于音乐平台和短视频平台等领域。现有的推荐系统方法大多关注于如何更好地向用户推荐一个单一的物品,然而在部分的推荐场景中,除了单一的物品,推荐系统还需要向用户推荐一些包含多个物品的捆绑包,即捆绑推荐。在捆绑推荐中,我们一般具有物品和捆绑包的从属信息、用户与捆绑包的交互信息和用户和物品的交互信息。基于该信息,一些工作开始应用图网络来建模物品、捆绑包以及用户这三者之间的关系。然而现有方法没有对用户、物品和捆绑包进行显式区分建模,以及在建模高阶关联时仍有欠缺。
技术实现思路
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本申请的第一个目的在于提出一种基于多通道超图神经网络的捆绑推荐方法,解决了现有方法未对用户、物品和捆绑包进行显式区分建模,以及在建模高阶关联时仍有欠缺的技术问题,实现了引入超图结构来建模不同类型节点间的高阶关联信息的目的,同时实现了利用该任务中多种不同交互类型的信息对进行建模,并在建模用户、物品和捆绑包时进行显式区分的目的。本申请的第二个目的在于提出一种基于多通道超图神经网络的捆绑推荐系统。本申请的第三个目的在于提出一种计算机设备。为达上述目的,本申请第一方面实施例提出了一种基于多通道超图神经网络的捆绑推荐方法,包括:获取用户-物品-捆绑包交互图和对应 ...
【技术保护点】
1.一种基于多通道超图神经网络的捆绑推荐方法,其特征在于,包括以下步骤:/n获取用户-物品-捆绑包交互图和对应的节点特征,其中,所述用户-物品-捆绑包交互图包括物品和捆绑包的从属信息、用户与捆绑包的交互信息和用户与物品的交互信息;/n根据所述用户-物品-捆绑包交互图构建用户超图、物品超图、捆绑包超图;/n对所述节点特征进行初始化得到用户特征、物品特征、捆绑包特征;/n对所述用户特征、物品特征、捆绑包特征和对应的用户超图、物品超图、捆绑包超图使用超图卷积进行特征提取,得到新的用户特征、物品特征和捆绑包特征;/n对所述新的用户特征、物品特征和捆绑包特征进行特征融合得到对应的用户特征表示、物品特征表示、捆绑包特征表示;/n使用捆绑包引导的物品池化模块对所述物品特征表示进行聚合,并与所述捆绑包特征表示相加得到最终表示;/n通过将所述用户特征表示和所述最终表示进行点乘得到用户对捆绑包的偏好程度;/n根据所述捆绑包的偏好程度进行捆绑推荐。/n
【技术特征摘要】
1.一种基于多通道超图神经网络的捆绑推荐方法,其特征在于,包括以下步骤:
获取用户-物品-捆绑包交互图和对应的节点特征,其中,所述用户-物品-捆绑包交互图包括物品和捆绑包的从属信息、用户与捆绑包的交互信息和用户与物品的交互信息;
根据所述用户-物品-捆绑包交互图构建用户超图、物品超图、捆绑包超图;
对所述节点特征进行初始化得到用户特征、物品特征、捆绑包特征;
对所述用户特征、物品特征、捆绑包特征和对应的用户超图、物品超图、捆绑包超图使用超图卷积进行特征提取,得到新的用户特征、物品特征和捆绑包特征;
对所述新的用户特征、物品特征和捆绑包特征进行特征融合得到对应的用户特征表示、物品特征表示、捆绑包特征表示;
使用捆绑包引导的物品池化模块对所述物品特征表示进行聚合,并与所述捆绑包特征表示相加得到最终表示;
通过将所述用户特征表示和所述最终表示进行点乘得到用户对捆绑包的偏好程度;
根据所述捆绑包的偏好程度进行捆绑推荐。
2.如权利要求1所述的方法,其特征在于,所述用户超图的构建包括以下步骤:
对于所述用户与物品的交互信息,以每一个物品为中心,用超边将与所述物品直接连接的用户进行连接,从而生成第一组超边;
对于所述用户与捆绑包的交互信息,以每一个捆绑包为中心,用超边将与所述物品直接连接的用户进行连接,从而生成第二组超边;
采用拼接的融合方式对所述第一组超边和所述第二组超边进行融合,生成所述用户超图,
所述物品超图的构建包括以下步骤:
对于所述用户与物品的交互信息,以每一个用户为中心,用超边将与所述用户直接连接的物品进行连接,从而生成第三组超边;
对于所述用户与捆绑包的从属信息,以每一个捆绑包为中心,用超边将每一个捆绑包内部得物品进行连接,从而生成第四组超边;
采用拼接的融合方式对所述第三组超边和所述第四组超边进行融合,生成所述物品超图,
所述捆绑包超图的构建包括以下步骤:
对于所述用户与捆绑包的交互信息,以每一个用户为中心,用超边将与某一个物品直接连接的捆绑包连接起来,从而生成第五组超边;
对于所述物品与捆绑包的从属信息,用超边将与某一个物品直接相连的捆绑包连接起来,从而生成第六组超边;
采用拼接的融合方式对所述第五组超边和所述第六组超边进行融合,生成所述捆绑包超图。
3.如权利要求1所述的方法,其特征在于,对所述用户特征、物品特征、捆绑包特征和对应的用户超图、物品超图、捆绑包超图使用超图卷积进行特征提取,得到新的用户特征、物品特征和捆绑包特征,表示为:
其中,和分别为所述用户特征、所述物品特征和所述捆绑包特征;和为相应的输出特征;和为该模块的可学习参数,Leakly_Relu为激活函数,Hu为用户超图,为用户超图节点的度矩阵,为用户超图超边的矩阵,Wu为用户超图超边的权重矩阵,Hi为物品超图,为物品超图节点的度矩阵,为物品超图超边的矩阵,Wi为物品超图超边的权重矩阵,Hb为捆绑包超图,为捆...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。