System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据推荐,具体涉及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。
技术介绍
1、近些年,电子商务和移动互联网发展迅速,各种电子商务平台涌现,如淘宝、京东、当当、拼多多等网上购物平台极大的提升了人们的购物体验,类似哔哩哔哩、抖音、快手等短视频网站丰富了人们的娱乐生活。推荐算法作为产品推送服务的核心组件,它的意义重大。由于在现实生活中物品信息数量庞大,因此,商家难以准确地向用户展示物品信息,用户也难以从海量的商品中挑选出自己需要的物品。这种现象被称为信息过载,针对信息过载问题,推荐系统应用而生。推荐系统根据用户的偏好进行智能推荐,一方面它能够提升产品的销售量,另一方面它能节省用户挑选物品的时间。在推荐系统越来越受到学术界和工业界重视的背景下,推荐技术得到不断的发展和丰富。
2、推荐系统是根据用户的历史交互记录,预测用户在未来可能交互的一些项目。人们对某个项目进行点击、点赞、收藏、加入购物车、购买等行为时都会被记录下来。这些丰富的用户行为记录潜藏着用户的兴趣偏好。人们通过分析用户的不同交互行为,挖掘交互行为中的用户偏好,进而对用户进行个性化推荐。
3、在商品推荐系统中,传统推荐算法一般分为基于流行度的推荐算法、协同过滤推荐算法和基于内容的推荐算法。基于流行度的推荐:该算法通过统计项目的流行度值,即可按照流行度对项目进行排序然后向用户进行推荐;协同过滤推荐:该算法通过分析多个用户的历史行为数据,来发现不同用户之间的相似性,从而将一个用户没有浏览或者购买的物品推荐给他;基于内容的推荐算法:该算法
4、传统方法在应对用户兴趣漂移(用户的兴趣随时间发生变化)时,无法自适应地调整推荐策略。同时,传统推荐算法也难以捕获网络中的高阶特征,无法对用户进行更加精确的商品推送。现有推荐方法忽略了推荐网络中节点-项目最近过去的高阶交互关系,然而,最近过去发生的多跳交互的信息具有重要的价值,此外和遥远过去的多跳交互信息相比,最近过去发生的交互更揭示当前用户的偏好,大多数推荐模型采用graph convolutionalnetworks(gcns)来学习推荐网络中用户-项目的交互关系,然而基于gcns方法并不能识别不同的项目对用户的重要性,即使一些基于graph attention networks(gats)能识别不同的项目对用户的重要性,但计算过程十分耗时且对下游任务不具直观的可解释性。
技术实现思路
1、针对现有技术中计算过程十分耗时且对下游任务不具直观的可解释性的不足,本专利技术提供了一种基于高阶邻居生成算法与关系感知异构图神经网络的项目推荐方法,从而解决现有技术中计算过程十分耗时且对下游任务不具直观的可解释性的问题。
2、一种基于高阶邻居生成算法与关系感知异构图神经网络的项目推荐方法,包括以下步骤:
3、获取待推荐项目的异构时序网络;
4、将异构时序网络按等时间间隔进行时间切片,获得当前切片最近过去时间距离的时间切片网络集合;其中,每个时间切片作为一张静态图,所述静态图包括用户节点和项目节点;
5、基于带重启的随机游走算法,根据最近过去的时间距离对随机游走长度进行衰减,进而生成以任一节点为源节点的随机游走序列;
6、对生成的随机游走序列按照最初位序保留所有的奇数节点作为该用户(项目)节点的高阶项目(用户)邻居游走序列;依次对所有最近过去的时间切片遍历,以获得高阶每个节点的高阶邻居游走序列集合;
7、根据异构网络,得出用户节点与项目节点在第k跳中的共同邻居以及各自邻居的数量,进而计算出高阶共同邻居相似度矩阵;
8、根据高阶共同邻居相似度矩阵,在关系感知异构图神经网络中添加高阶相似性矩阵来指导节点聚合并学习用户-项目节点间的重要性。
9、将采样得到的每个节点的高阶邻居游走序列作为具有关系感知的异构图神经网络的输入,得到节点的向量表示;
10、基于节点的向量表示,确定每个项目节点被用户交互的预测概率;
11、根据预测概率,对项目进行降序排序,并选取前k个项目推荐给相应用户。
12、进一步地,所述待推荐项目的异构时序网络通过待推荐项目异构图的拓扑信息来获取。
13、进一步地,所述将异构时序网络按等时间间隔进行时间切片,获得最近过去的时间距离,具体包括:将异构时序网络g=(u,v,y,t)按照等时间间隔分割为t个快拍序列其中,τ为最大时间距离,v为异构图项目节点集合,u为异构图用户节点集合,快拍为当前时间片,快拍至快拍为当前快拍最近过去的时间距离。
14、进一步地,所述基于带重启的随机游走算法,根据最近过去的时间距离对随机游走长度进行衰减,进而生成以任一用户节点为源节点的随机游走序列,其具体包括以下步骤:
15、选择一个快拍gi,根据该快拍与当前快拍gt的距离,对随机游走长度进行衰减;其衰减公式为:
16、l=φ(θ*l)
17、其中φ表示向上舍入以确保离当前时间片更近的快照分配更多的随机游走长度θ为衰减系数,l为最大游走长度;
18、
19、对快拍中的任一节点n为起始节点,做长度为l、次数为r的重启随机游走,生成随机游走序列。
20、进一步地,所述根据高阶邻居集,得出用户节点与项目节点在第k跳中的共同邻居以及各自邻居的数量,进而计算出高阶共同邻居相似度矩阵,其计算公式为:
21、
22、其中,k表示跳数,conk(ui,vi)表示在第k跳中的共同邻居,nk(ui)和nk(vi)分别表示节点ui和节点vi在第k跳的邻居数量。
23、进一步地,所述具有关系感知的异构图神经网络模型为:
24、
25、其中定义了关系特定的r个参数,r∈r表示一种关系类型,和分别表示在关系类型r下,在第i层传播后,节点vi和ui的嵌入向量,符号☉表示向量的逐元素积,lr表示拉普拉斯矩阵,σ表示非线性激励函数leakyrelu。
26、进一步地,所述拉普拉斯矩阵的计算公式为:
27、
28、其中表示在关系类型下r单位矩阵in与邻接矩阵ar的和,dr表示关系类型r的度矩阵。
29、进一步地,所述所述根据高阶共同邻居相似度矩阵,在关系感知异构图神经网络网络中添加高阶相似性矩阵来指导节点聚合并学习用户-项目节点间的重要性;将采样得到的序列作为具有关系感知的异构图神经网络模型的输入,得到节点的向量表示,其改进后的拉普拉斯矩阵表达式为:
30、
31、其中是一个高阶公共邻居相似度矩阵,∈表示一个系数用于控制相似度矩阵的贡献度。
32、进一步地,通过采用如下损失函数来优化所述节点的向量表示,其优化公式为:
33、
34、其中b为一批次的用户,v为项目集合,cuv为实例ruv本文档来自技高网...
【技术保护点】
1.一种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,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种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,其特征在于,通过待推荐项目异构图的拓扑信息来获取所述待推荐项目的异构时序网络。
3.根据权利要求2所述的一种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,其特征在于,所述将异构时序网络按等时间间隔进行时间切片,获得当前切片最近过去时间距离的切片网络集合,具体包括:将异构时序网络G=(U,V,Y,T)按照等时间间隔分割为t个快拍序列其中,τ为最大时间距离,V为异构图项目节点集合,U为异构图用户节点集合,快拍为当前时间片,快拍至快拍为当前快拍最近过去的时间距离切片集合。
4.根据权利要求3所述的一种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,其特征在于,所述基于带重启的随机游走算法,根据时间距离对随机游走长度进行衰减,进而生成以任一节点为源节点的随机游走序列,其具体包括以下步骤:
5.根据权利要求1所述的一种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
6.根据权利要求5所述的一种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,其特征在于,所述关系感知异构图神经网络模型为:
7.根据权利要求6所述的一种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,其特征在于,所述拉普拉斯矩阵的计算公式为:
8.根据权利要求7所述的一种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,其特征在于,所述将每个节点的高阶邻居游走序列集合输入至添加了高阶共同邻居相似度矩阵的关系感知异构图神经网络中,其添加了高阶共同邻居相似度矩阵的关系感知异构图神经网络中的拉普拉斯矩阵表达式为:
9.根据权利要求8所述的一种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,其特征在于,通过采用损失函数来优化所述节点的向量表示,其优化公式为:
10.根据权利要求1所述的一种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,其特征在于,在所述选取预测概率最高的项目推荐给相应用户之前,通过对每个用户节点所表示的用户浏览候选项目节点的概率进行降序排列。
...【技术特征摘要】
1.一种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,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种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,其特征在于,通过待推荐项目异构图的拓扑信息来获取所述待推荐项目的异构时序网络。
3.根据权利要求2所述的一种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,其特征在于,所述将异构时序网络按等时间间隔进行时间切片,获得当前切片最近过去时间距离的切片网络集合,具体包括:将异构时序网络g=(u,v,y,t)按照等时间间隔分割为t个快拍序列其中,τ为最大时间距离,v为异构图项目节点集合,u为异构图用户节点集合,快拍为当前时间片,快拍至快拍为当前快拍最近过去的时间距离切片集合。
4.根据权利要求3所述的一种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,其特征在于,所述基于带重启的随机游走算法,根据时间距离对随机游走长度进行衰减,进而生成以任一节点为源节点的随机游走序列,其具体包括以下步骤:
5.根据权利要求1所述的一种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,其特征在于,所述根据异构时序网络,得出用户节点与项目节...
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。