CN114036406B 一种基于图对比学习和社交网络增强的推 荐方法及系统 （南京大学）_第1页
CN114036406B 一种基于图对比学习和社交网络增强的推 荐方法及系统 （南京大学）_第2页
CN114036406B 一种基于图对比学习和社交网络增强的推 荐方法及系统 （南京大学）_第3页
CN114036406B 一种基于图对比学习和社交网络增强的推 荐方法及系统 （南京大学）_第4页
CN114036406B 一种基于图对比学习和社交网络增强的推 荐方法及系统 （南京大学）_第5页
已阅读5页，还剩18页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于图对比学习和社交网络增强的推本发明公开了一种基于图对比学习和社交交互记录使用图神经网络推荐模型进一步训练2(1.1)对于当前给定的用户历史行为数据和社交数据，从历史行为数据中抽取出用户(2.2)使用图注意力网络聚合每个节点的一阶用户邻居和一阶物品邻居，得到一阶用后使用图卷积网络聚合与该节点相关联的每条元路径，得到每条元路径的第四特征表示，征表示和第五特征表示作为正例，将不同节点的第三特征表示和第五特征表示作为负例，并使用贝叶斯个性化排序损失函数和梯度下降法更新各个用户节点和物品节点的特征表(4.2)图对比学习模块，根据所述交互二部图和社交网络获取所有节点的一阶邻居和3类型的元路径，使用交互二部图的邻接矩阵R和社交网络的邻接矩阵S进行相应的矩阵相使用图注意力网络聚合每个节点的一阶用户邻居和一阶物品邻居根据所述第三特征表示和第五特征表示，将同一节点的第三特征表4[0005]目前机器学习主流的方法大多是监督学习方法，这类方法依赖人工标注的标很少有研究考虑如何在推荐场景下引入图对比学习来增强推荐5[0008](1.1)对于当前给定的用户历[0014](2.2)使用图注意力网络聚合每个节点的意力机制聚合所述第一特征表示和第二特征表示，得到该节点的一阶邻居的第三特征表然后使用图神经网络对各个节点进行邻居节点的聚合操作，作为每个节点的第七特征表[0018](3.2)根据所述步骤(1.1)所得到的交互记录构造用于训练推荐模型的正负例样6[0021](4.2)图对比学习模块，根据所述交种等价形式的修改均落于本申请所附权利要求所限定7社交网络的邻接矩阵进行矩阵乘法来获得其相应的邻接矩阵。图3是一个简单的元路径用面列举了不同类型的元路径所携带的语义信息和生成该元路径的矩阵计算[0043]对于同一个用户节点，它的一阶邻居和高阶邻居都部分8[0044](1)用户的一阶邻居有用户和物品两种不同类型的节点，而同一类型的邻居节点[0049](2)对于节点的高阶邻居，首先用图卷积网络对属于同一元路径上的邻居节点进pp9[0059]3.基于图对比学习获得的用户和物品的特征表示以及用户的交互记录对推荐模[0063](3)在获得了所有用户和物品的第七特征表示之后，可以通过计算特征表示的向对于正例物品的偏好分数应该普遍高于对于负例物uui表示将物品i输入到推荐模型中得到的特征表示，GNN表示图神经网络推荐[0075]将所有偏好分数进行排序，选择排名靠前的物品作为该[0076]本发明的具体实施方式还提供了一种基于图对比学习和社交网络增强的推荐系获得一阶邻居和高阶邻居的特征表示，并使用图对比学习对所有节点的特征表示进行训[0081]本发明不同于现有的使用图神经网络的推荐模型，针对推荐模型在冷启动或数据稀疏场景下能产生更好的数据集Epinions上做了详尽的实验来证明，结果如表1所示。E

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论